MEG時系列に基づく脳年齢予測に関する研究

学術的背景

人類の寿命が延びるにつれ、ライフサイクルにおける脳の変化を理解することがますます重要になっています。脳の構造と機能は加齢に伴い顕著に変化し、これらの変化は認知機能に影響を与えるだけでなく、アルツハイマー病などのさまざまな神経変性疾患とも密接に関連しています。しかし、現在のところ、特に脳磁図（MEG）のような脳電活動がどのように年齢とともに変化するかについての理解はまだ十分ではありません。この問題を解決するために、研究者たちは成人の大規模な安静時MEGデータを分析し、年齢を効果的に予測できる脳信号特性を探求しました。

本研究は、特に時間系列解析技術を通じて、脳の加齢に関連する変化を捉えられる信号特性を特定することを目指しており、健康な老化のメカニズムの理解や、脳年齢予測モデルの開発に新たな視点を提供します。

論文の出典

本研究は、Christina Stier、Elio Balestrieri、Jana Fehring、Niels K. Focke、Andreas Wollbrink、Udo Dannlowski、およびJoachim Grossによって共同で行われました。研究チームはドイツのミュンスター大学（University of Münster）およびゲッティンゲン大学医学センター（University Medical Center Göttingen）に所属しています。この論文は2025年2月20日にPNAS（Proceedings of the National Academy of Sciences）誌に掲載され、タイトルは「Temporal autocorrelation is predictive of age—an extensive MEG time-series analysis」です。

研究プロセス

1. データと参加者

本研究では、ケンブリッジ老化と神経科学センター（Cambridge Centre for Aging and Neuroscience, Cam-CAN）の公開データセットを使用しました。研究者たちは、18歳から88歳までの350人の健康な成人の安静時MEGデータを分析しました。すべての参加者は認知能力が正常で、重大な身体的または精神的な疾患がない個体でした。

2. MEGデータの収集と処理

MEGデータは、306チャンネルのElekta Neuromagシステムを使用して収集され、サンプリング周波数は1 kHzでした。データは外部ノイズの除去、頭部の動きの補正などを含む前処理が行われました。その後、データは300 Hzにダウンサンプリングされ、独立成分分析（ICA）を用いて眼球運動や心電図のアーチファクトが除去されました。最終的に、各参加者から30個の10秒間のクリーンなデータセグメントがランダムに選択され、後続の分析に使用されました。

3. 時系列特徴の抽出

研究者たちは、高度比較時系列解析（Highly Comparative Time-Series Analysis, HCTSA）ツールボックスを使用して、各脳領域の時系列から5,961個の特徴を抽出しました。これらの特徴には自己相関（autocorrelation, AC）、自己回帰係数、ウェーブレット分解パラメータなどが含まれています。さらに、特定周波数帯のパワー、振幅、位相結合などの従来の周波数領域の特徴も計算されました。

4. 年齢予測モデル

参加者の年齢を予測するために、研究者たちは偏最小二乗回帰（Partial Least Squares Regression, PLSR）モデルを使用し、10分割交差検証によって評価を行いました。モデルの性能はピアソンの相関係数（Pearson’s r）、平均絶対誤差（MAE）、および予測R²で評価されました。

主要な結果

1. 従来のMEG特徴の予測性能

従来の周波数領域の特徴は、年齢予測においてばらつきがありました。振幅と位相結合の特徴は予測精度が低かった一方で、αピーク周波数（alpha peak frequency）の特徴、特に重心法（center of gravity）は相関が0.65と良好な結果を示しました。

2. 時系列特徴の予測性能

5,968個の時系列特徴の中で、113個の特徴が相関0.7を超える予測精度を達成しました。その中でも自己相関（AC）特徴が最も優れており、特に36ミリ秒の遅延（lag 11）での相関は0.75に達しました。AC特徴の予測誤差は従来の特徴よりも約1.5年低くなりました。

3. 自己相関特徴の領域パターン

AC特徴は、視覚皮質と側頭葉皮質で顕著な年齢関連の変化を示しました。視覚皮質では、AC値は年齢とともに増加する一方、側頭葉皮質では逆の傾向が見られました。これらの領域パターンは、脳の老化プロセスと密接に関連しています。

4. 多特徴組み合わせモデルの予測性能

研究者たちはまた、すべてのAC遅延特徴を組み合わせたモデルをテストし、その結果、相関はさらに向上し0.82となり、平均絶対誤差は8.71年に減少しました。これに対し、従来の特徴を組み合わせたモデルの相関は0.77でした。

結論と意義

本研究は、自己相関（AC）特徴が脳の年齢関連の変化を効果的に捉えることができることを示し、特に視覚および側頭葉皮質で顕著な領域パターンを示しました。AC特徴は単独で脳年齢予測に利用できるだけでなく、複合モデルではさらに予測精度が向上します。これらの発見は、脳の老化メカニズムの理解に新しい視点を提供し、より正確な脳年齢予測モデルの開発の基盤を築きます。

研究のハイライト

1. 自己相関特徴の革新的な応用：本研究は初めて自己相関（AC）特徴を脳年齢予測に使用し、それが脳の年齢関連の変化を捉える際の優位性を実証しました。
2. 大規模データ解析：研究では350人の成人のMEGデータが使用され、サンプルサイズが大きく年齢範囲が広いため、研究結果の普遍性が強化されています。
3. 多特徴組み合わせモデル：複数のAC特徴を組み合わせることで、研究者たちは脳年齢予測の精度を大幅に向上させ、脳科学研究における多特徴モデルの可能性を示しました。

その他の有益な情報

研究では、脳の老化プロセスが異なる領域で異なるパターンを示すことがわかり、特に視覚および側頭葉皮質で顕著なAC変化が見られました。これらの領域特異的な変化は、認知機能の低下と密接に関連している可能性があり、将来の脳老化と認知機能の関係の研究に新しい方向性を提供します。

本研究は、脳老化メカニズムの理解に新たなツールを提供するだけでなく、脳年齢予測モデルの開発に重要な科学的根拠を提供します。