与胎儿沟回形成时间和跨沟基因表达梯度相关的成人大脑沟回形态的双模态分类
研究背景与目的
本研究聚焦于成年大脑皮层沟回的复杂形态学特征，特别是大脑沟（sulci）的线性与复杂性形态的分类及其形成机制。沟是大脑皮层表面的沟槽结构，对应不同的遗传特性、功能区以及胎儿时期的沟回发育时间。本研究团队试图通过自动化的数据管道分析，探索大脑沟回结构的分类特征及其与基因表达梯度的关系。此项研究的重要性在于：尽管大脑表面结构的个体差异极大，但其形成过程可能遵循某种规则。本研究旨在为沟回形态提供一种定量化分类体系，揭示沟回复杂性的发育来源，并为今后的神经发育与疾病研究提供新的视角。
研究来源与作者
此项研究由William E. Snyder及其团队完成，发表在2024年10月的《Neuron》期刊上。研究团队来自剑桥大学、美国国家精神卫生研究院、伦敦国王学院、巴黎萨克雷大学等多家著名科研机构。通过汇集不同学科的科研人员，该团队结合遗传学、数据科学及成像技术，进行了跨学科的深入探讨。
研究方法与流程
本研究采用了一种全新的计算管道来分析成年大脑皮层40条沟的形态特征，并利用脑部MRI数据建立了一种“沟回表型网络”（sulcal phenotype network, SPN）。研究分为以下几个主要步骤：
样本收集与数据处理：研究基于英国生物库提供的MRI扫描数据，涵盖34,725位成年参与者（年龄范围为45-82岁）。所有数据经过质量筛选，以确保数据的完整性和一致性。
沟回表型测量：在每个MRI样本中，研究团队对40条沟进行了分割与标记，提取5个形态学指标，包括沟深度、深度变异性、最长分支长度、分支跨度以及分形维度（FD）。这些特征分别从沟的径向（垂直于沟回）和切向（沿沟外部表面）两个方向进行测量，从而全面表征沟的几何形态。
沟回分类与聚类分析：通过计算40条沟的表型特征间的皮尔森相关系数矩阵，研究团队构建了SPN，并对该网络进行了分层聚类分析。聚类结果揭示了沟回结构的两大类形态：一类是线性形态，沟较深、分支简单，具有较高遗传性，主要位于单一模态皮层；另一类是复杂形态，沟较浅、分支多样，遗传性较低，主要位于异模态皮层。
胎儿期沟回发育与成年形态的关联分析：研究进一步分析了胎儿期（21-36孕周）脑部MRI数据，追踪了各沟的曲率发展曲线。通过胎儿发育的曲率变化曲线，研究发现沟回在胎儿期的形成时间与成年后沟回的线性或复杂性形态密切相关。线性沟一般在胎儿早期形成，复杂沟则在胎儿晚期形成。相关分析显示，胎儿期沟回的形成时间与成年大脑的沟回复杂性呈显著正相关。
基因表达梯度分析：通过高分辨率基因表达图谱，研究验证了沟回形成的生物学假说，即线性沟形成在基因表达急剧变化的区域。研究团队发现，特定基因在沟的两侧存在显著的表达梯度变化，尤其在中央沟和顶枕沟附近，这些基因与抑制性神经元、微胶质细胞等发育过程密切相关，进一步支持了沟回形态的基因调控机制假说。
主要研究结果
本研究的主要发现包括：
沟回的双模态分类：研究提出一种基于形态学特征的沟回双模态分类体系，将成年大脑的沟分为线性形态与复杂形态两大类。这一分类体系不仅揭示了沟回形态学特征的多样性，还与不同皮层区域的遗传特性、功能差异密切相关。线性沟大多位于中央皮层区域，具有较高的遗传性，而复杂沟则集中在皮层边缘区域，遗传性较低。
沟回形态与胎儿发育时间的关联：沟的复杂性与其在胎儿期的形成时间具有密切关系。早期形成的线性沟在成年后表现为较简单的结构，晚期形成的复杂沟则表现为多样化的分支结构，这表明沟回形态的形成受到胎儿期发育时间的影响。
基因表达梯度与沟回形成的关系：线性沟通常位于基因表达变化梯度较高的区域，特别是位于功能区边界处，支持了基因调控在沟回形成中的作用假设。这一发现为沟回结构的发育机制提供了分子层面的解释。
新型计算管道与数据资源：本研究开发的自动化分析管道已公开发布，包括5种沟回形态学指标的计算流程、SPN的构建方法及其分析工具。研究团队希望这些资源可以为今后的神经科学研究提供标准化的参考数据，并促进沟回形态学与基因表达之间关系的进一步探索。
研究意义与应用价值
本研究通过建立沟回表型网络，提出了一种双模态沟回形态分类法，并揭示了成年大脑沟回形态与胎儿期发育、基因表达之间的深层关联。其科学意义体现在以下几个方面：
为沟回发育与个体差异提供理论基础：通过量化分析，研究揭示了沟回结构的双重分类，不仅为沟回发育的规律性提供了实证依据，还为个体之间的沟回形态差异提供了新解释。
揭示沟回形态与功能的关联：研究结果表明，线性沟更倾向于与单一模态皮层功能相关，复杂沟则与跨模态关联区相关。这为理解沟回结构与认知功能、精神疾病之间的关系提供了新视角。
为未来的疾病研究提供工具支持：沟回形态与发育时间、基因表达的关系，尤其是在精神和神经发育疾病中的潜在应用，为理解这些疾病的发病机制和潜在治疗靶点提供了可能的研究方向。
研究亮点
- 新型分类体系：本研究提出的沟回双模态分类体系，填补了沟回形态学量化分类的空白。
- 基因表达梯度验证：研究通过基因表达梯度分析验证了沟回结构的生物学假说，突显了基因调控对沟回形态的影响。
- 自动化分析工具发布：本研究提供的自动化计算管道，为未来的大规模脑部影像数据分析提供了可复用的工具支持。
结论
本研究不仅提出了一种全新的沟回形态分类方法，还通过胎儿期发育与基因表达梯度的验证，揭示了大脑沟回形态的形成机制。研究团队提供的数据资源和计算工具，不仅可以促进神经科学领域的基础研究，还具有潜在的应用价值。该研究在大脑解剖学、发育神经科学、基因调控与神经疾病研究中都具有重要的意义，并为未来沟回形态的标准化研究奠定了基础。