軽度認知障害およびアルツハイマー型認知症におけるEEG周期成分のベータ/シータパワー比の潜在的なバイオマーカー

神経内科学 医学 基礎医学 生化学 医用画像学 生命科学
アルツハイマー型認知症 軽度認知障害 EEG 周期的EEGパワー成分 バイオマーカー 認知機能

アルツハイマー病研究と治療最前線：脳波周期成分におけるベータ/シータ電力比の潜在バイオマーカー

背景紹介

アルツハイマー病（Alzheimer’s dementia, AD）は、進行性の病気であり、全認知症症例の60％から80％を占める[1]。ADの初期段階では、軽度認知障害（Mild Cognitive Impairment, MCI）が現れ、この段階では個人がまだ自立した生活を送ることができる[2]。MCIとADまたは健康な加齢の区別をつけるためのバイオマーカーは、予防介入策の開発に不可欠であり、生活の質を向上させ、ケアの負担を軽減し、ケアコストを下げるのに役立つ[3]。

脳波（Electroencephalogram, EEG）は、非侵襲的で低コストのツールであり、異なる空間スケールでの電圧差を介して神経イオン電流の流れを評価し、高時間分解能を持つ[4-6]。ADおよびMCIに関するEEG研究の大半は、特に安静時EEGにおけるパワースペクトル密度（Power Spectral Density, PSD）の解析に集中している[5,7-12]。これらの研究では、通常、AD個体のδ波とθ波の増加、およびα波とβ波の減少が見られ、特に側頭葉および後頭葉に顕著に表れる[5,7-14]。速い周波数から遅い周波数への電力量比も、ADと正常認知個体の間で異なることが示されており、特にβ/θ比率が認知処理能力の指標と見なされている[4-8]。

対照的に、EEGはMCIと健康個体を区別する点で違いが小さく、不一致であることが多い[9,15-17]。これは、これらの研究がEEGの非周期成分を排除していないためかもしれない。EEGパワースペクトルは通常、2つの主要部分から構成される：1つは周期的でないバックグラウンド部分（非振動成分 - 1/f様成分）、もう1つは周期的または振動的な神経振動[19]。非周期部分は、複雑な活動または「スケールのない」活動とも呼ばれ、その信号が複数の時間スケールで自己相似性を示すためである[20]。いくつかの研究は、EEG周期成分に焦点を当てることの利点を示している[15,19,21,22]。

研究の出典

この研究はHamed Azamiとその同僚によって行われ、トロントの5つの学術病院からのものです。研究は《Alzheimer’s Research & Therapy》誌（2023年、第15巻、第133号）に掲載されました。研究データは2つの介入研究（clinicaltrials.gov識別子：nct01847586とnct02537496）から取得され、Brain Canada、カナダ研究椅子、およびLabatt Family Network for Research on the Biology of Depressionからの資金提供を受けています。

研究デザインとプロセス

A) 研究フロー

  1. 参加者募集：

    • 研究では、44名の健康対照（Healthy Control, HC）（平均年齢69.1歳）、114名のMCI参加者（平均年齢72.2歳）、および41名のAD参加者（平均年齢75.7歳）が募集されました。すべての参加者は書面によるインフォームドコンセントを提供し、トロント精神健康と依存センター（Centre for Addiction and Mental Health, CAMH）倫理委員会の承認を得ています。
    • 計画に基づきHCとMCI参加者はAD予防試験（nct02386670）から、AD参加者は他の2つの介入研究から募集されました。

  2. EEGデータの収集と処理：

    • すべての参加者のEEGデータは64チャンネルSynamps 2 EEG装置と10-10モンタージュシステムを使用し、10分間記録され、サンプリング周波数は1000 Hzです。参加者はリラックスした状態で目を閉じて椅子に座り、頭や目を動かすことや眠りに落ちることを避けました。
    • データはMATLABとEEGLABツールキットを使用してオフラインで処理されました。まず、EEGデータを目視で検査し、明らかなδ波とθ波がないことを確認した後、ノイズが顕著なセグメントとさまざまなアーチファクトの影響を受けたチャンネルを除外しました。独立成分分析（ICA）を用いて、眼球運動や筋活動に関連する成分を削除しました。

  3. データ解析：

    • Welch法を使用して総パワースペクトルを計算し、「FOOOF」ツールキットを用いて結果の総パワースペクトルをパラメータ化しました。このツールキットは、電力スペクトルを非周期成分と周期成分に分解し、最小二乗誤差法を使用してモデルスペクトルを最適化します。
    • 全脳（すべてのEEG電極の平均）ならびに前頭、側頭、中部、頭頂、後頭領域におけるEEGスペクトルの比較により、β/θ比率が得られました。

B) 研究結果

  1. 非周期成分：

    • 研究では、EEGにおける非周期成分が健康対照群、MCI群、およびAD群の間で有意差がないことが示されました（ANCOVA f(3,195)=0.55, p=0.56）。

  2. 周期成分および全体パワースペクトル：

    • AD参加者では、全体スペクトルおよび周期成分において、δ、θ、γの相対電力の増加が見られ、特に後頭領域でβ波が減少していました。
    • 特に、周期スペクトルによる測定では、後頭領域におけるβ/θ比率がMCIと健康対照の間で顕著に異なり（ボンフェローニ補正p=0.036）、全パワースペクトルに基づくβ/θ比率よりも分類タスクにおいて優れていることが示されました。

C) 結論と意義

この研究は、EEGにおける周期的β/θ電力比が健康個体、MCI、およびADを区別する際の潜在力を示し、周期成分に注目することが軽度な病状の微細な変化を検出する際の精度向上に寄与する可能性があることを示唆しています。この発見は、より効果的な予防策やメカニズムの研究に重要な価値を持つと考えられます。

D) 研究ハイライト

  1. 発見と証拠：

    • EEGの周期成分に焦点を当てることで、健康な加齢と比較して、MCI個体の特定の脳領域におけるβ/θ電力比が有意に低いことが示されました。
    • 周期成分を利用した分類器は、ADとMCI個体を区別する際に全スペクトルを使用した場合よりも優れていることがわかりました。

  2. 方法とプロセスの革新：

    • EEGの周期成分と非周期成分を分離するために「FOOOF」方法を使用し、非周期成分を除去することで病気関連の変化をより明確に発見できることを検証しました。
    • 非周期成分を除去したEEG周期成分解析が、MCIと健康加齢を区別する際により信頼性が高いことが示されました。

研究の限界と将来への展望

この研究には、特定のサブグループ解析を行うにはサンプルサイズが不足している点や、診断がバイオマーカーを使用していない点など、いくつかの限界があります。今後の研究では、より大きなサンプルとさまざまなバイオマーカーを組み合わせて、これらの発見をさらに検証することが期待されます。

結論

この研究は、EEG周期成分におけるβ/θ電力比がMCIおよびAD患者と健康個体を区別するための神経生理学的指標としての潜在力を支持しています。将来的には、この指標を他の神経変性疾患のバイオマーカーと関連付け、そのメカニズム作用をさらに解明するための研究が必要です。