《NeuroImage》：A Synthesis-Based Mapping of the Landscape of Neurodegenerative Diseases
编辑推荐：
本研究针对神经退行性疾病（NDDs）脑内分布缺乏统一对比框架的问题，系统整合了29种NDDs的神经影像与神经病理学数据，利用耶鲁脑图谱（Yale Brain Atlas）进行标准化空间映射，并构建了疾病-功能矩阵。研究发现额叶运动区受累最广（75.86%），主成分分析揭示了基于功能损伤模式的疾病聚类规律。该研究为理解NDDs的解剖-功能关联提供了跨疾病可比资源，对靶向治疗策略具有启示意义。
随着全球人口老龄化加剧，神经退行性疾病（Neurodegenerative Diseases, NDDs）给患者、家庭和医疗系统带来沉重负担。阿尔茨海默病（Alzheimer's Disease, AD）和帕金森病（Parkinson's Disease, PD）作为最常见的NDDs，仅在欧洲就影响超过750万人，年医疗成本高达约1200亿欧元。尽管针对单一疾病的神经影像学研究已积累大量数据，但不同疾病之间的脑内分布模式始终缺乏系统性的跨疾病比较。究其原因，主要在于各研究使用的脑区划分方案（parcellation）各异，导致结果难以直接对比。这种"数据烟囱"现象严重阻碍了我们对神经退行性疾病共性与特性的理解。
为解决这一难题，来自法国格勒诺布尔-阿尔卑斯大学的研究团队在《NeuroImage》上发表了一项创新性研究。研究人员另辟蹊径，不直接分析原始MRI或PET数据，而是采用文献整合策略，系统提取了29种NDDs的解剖定位信息，并通过耶鲁脑图谱这一标准化框架进行空间归一化处理。这种合成图谱（synthesis-based mapping）方法，犹如为分散的疾病拼图碎片找到了统一的拼接底板。
研究团队首先通过结构化文献检索，从PubMed、Scopus和Web of Science等数据库中系统收集了29种NDDs的神经影像学研究成果。这些疾病涵盖了主要分子病理类型，包括tau蛋白病（如AD、Pick病、皮质基底节变性等）、α-突触核蛋白病（如PD、路易体痴呆、多系统萎缩）、朊病毒病（如克雅病、致死性家族性失眠症）以及其他蛋白异常相关疾病（如亨廷顿病、肌萎缩侧索硬化等）。所有纳入研究的脑区信息均被映射至包含38个脑区的耶鲁脑图谱空间，确保了空间坐标的统一性。
在功能分析方面，研究团队聚焦18个关键认知和行为功能，包括注意聚焦、听觉处理、自传体记忆、认知灵活性、情绪表达、情绪调节、稳态情绪、抑制控制、语言与语义处理、记忆编码、运动协调与执行、数字处理、问题解决、感觉整合、空间导航、言语产生、视觉处理与面孔识别以及工作记忆维持。通过建立功能-脑区对应词典，研究人员能够量化每个疾病对特定功能网络的影响程度。
研究结果揭示了NDDs脑内分布的清晰规律。空间分析显示，额叶运动区是受累最频繁的脑区，22种疾病（75.86%）影响该区域。其次是额叶中 frontal（19种疾病，65.52%）和额叶上 frontal、扣带回、额叶下 frontal（各18种疾病，62.07%）。颞叶内侧和枕叶中区也显示出较高的疾病累及率（各17种疾病，58.62%）。这些发现提示额叶区域在神经退行性过程中具有特殊脆弱性。
通过构建疾病-功能矩阵，研究人员计算了每个疾病对特定功能网络的"影响分数"（Impact Score），该指标反映了受疾病影响的功-能相关脑区比例。结果显示，疾病的功能影响模式与其解剖分布范围存在相关性，但不同疾病类型展现出独特的功能损伤特征。
主成分分析（PCA）和聚类分析进一步揭示了NDDs基于功能损伤模式的自然分组。前四个主成分累计解释了76%的功能变异，其中第一主成分（52%）主要负载多模态认知功能，如记忆、情绪调节和执行功能。聚类分析识别出四个不同的疾病群组，表明神经退行性疾病可根据其功能影响特征形成有意义的分类。
这项研究的创新之处在于建立了首个跨29种NDDs的标准化解剖-功能映射框架。研究人员还开发了交互式网站（
https://nddprofiles.univ-grenoble-alpes.fr ），提供疾病特异性脑区受累可视化、蛋白病理信息和临床特征查询，为研究者和临床医生提供了便捷的参考资源。
关键技术方法包括：1）使用耶鲁脑图谱进行标准化脑区划分；2）通过文献系统评价提取29种NDDs的解剖定位数据；3）建立功能-脑区映射词典；4）构建疾病-功能影响矩阵；5）主成分分析和聚类分析识别疾病分组。
主要研究结果包括：
3.1. 脑分区与功能分析
通过耶鲁脑图谱成功将大脑划分为38个区域，并建立了与18个关键认知功能的对应关系。半球不对称性分析证实了左半球在语言处理、右半球在空间感知中的特异性作用。
3.2. 神经退行性疾病
研究涵盖了29种临床相关NDDs，代表了主要的分子病理类型，为跨疾病比较提供了全面样本。
3.3. 基于蛋白质的神经退行性疾病分类
疾病按主要异常蛋白分为tau蛋白病、α-突触核蛋白病、朊病毒病和其他类型，分子分类与解剖分布模式存在关联。
3.4. 神经退行性疾病景观
空间分析显示额叶区域受累最频繁，运动区疾病累及率达75.86%。3D可视化清晰展示了疾病特异性脑区受累模式。
3.5. 疾病-功能矩阵
通过量化疾病对功能网络的影响程度，识别出常见易损功能和疾病特异性损伤模式。
3.6. 相似性分析
PCA和聚类分析表明，NDDs可根据功能损伤特征形成四个自然群组，揭示了跨疾病的共享功能脆弱性。
3.7. 功能谱的聚类结构
聚类验证证实了疾病分组并非随机，而是反映了有意义的潜在结构。
研究结论与讨论部分强调，这种基于合成的映射方法提供了神经退行性疾病在分子、解剖和功能维度上的统一景观。尽管存在某些局限性（如亚区分辨率有限、深部核团覆盖不全等），但研究建立的标准化框架为理解不同NDDs的趋同与分化特征提供了新视角。特别是功能聚类结果的发现，提示针对共享功能损伤模式的干预策略可能对多种疾病同时有效。这项工作不仅整合了现有文献中的分散知识，更为该领域的研究开启了新的视角和方向。
