《Brain Research Bulletin》：The Use of Whole-Brain Network Topology and Weighted Gene Coexpression Analysis to Identify Potential Imaging and Molecular Markers for Glioma Grading
编辑推荐：
本研究针对胶质母细胞瘤高侵袭性与空间异质性带来的诊疗挑战，创新性地整合全脑网络拓扑分析与加权基因共表达网络（WGCNA），构建基于小波特征的个体化脑结构网络模型。研究发现支持向量机（SVM）模型在胶质瘤分级中AUC达0.879，并鉴定出蛋白激酶Cβ（PRKCB）作为潜在分子标记物，为癌症神经科学提供了多尺度诊断新视角。
当医生面对胶质瘤患者时，准确判断肿瘤的恶性程度直接关系到治疗方案的选择和预后评估。传统的诊断方法主要关注肿瘤局部特征，但近年研究发现，胶质瘤与大脑神经网络存在密切互动——肿瘤不仅侵占脑组织，更会破坏整个大脑的信息传输网络。这种"宿主环境"的改变可能比肿瘤本身更能反映疾病进展。与此同时，基因层面的异常表达也在背后驱动着肿瘤的恶性转化。如何将宏观的脑网络改变与微观的分子机制联系起来，成为当前癌症神经科学领域的重要挑战。
在这项发表于《Brain Research Bulletin》的研究中，来自杭州电子科技大学的研究团队开创性地将脑影像分析与基因组学相结合，试图通过"连接组-基因组"整合分析策略破解胶质瘤分级难题。研究团队运用了多项关键技术：从BraTS'2019数据库获取335例胶质瘤患者的T1/T2加权磁共振成像数据，通过小波变换提取多尺度特征，构建个体化脑结构网络；采用LASSO回归筛选关键网络特征，并比较四种机器学习模型的分类性能；同时整合艾伦人脑图谱的转录组数据，通过加权基因共表达网络分析鉴定与网络破坏相关的分子标记。
研究结果从多个维度揭示了胶质瘤分级的新规律：
在个体化脑网络构建方面，研究通过融合T1/T2加权影像的小波特征，成功构建了保留前15%最强连接的稀疏脑网络。这种多尺度特征提取方法既能捕捉肿瘤局部的细微结构改变，又能反映全脑范围的网络重组。
在关键网络特征筛选环节，研究发现16个脑区节点特征和11条连接边在区分高低级别胶质瘤中具有稳定判别力。特别值得注意的是，右尾状核节点介数中心性、左颞极中颞回节点度等指标表现出显著组间差异，提示这些区域可能成为网络破坏的关键枢纽。
在胶质瘤分级模型性能上，基于全脑网络特征的机器学习模型表现出色。支持向量机（SVM）模型取得最佳性能（AUC=0.879±0.057），逻辑回归模型紧随其后（AUC=0.875±0.057）。相比单一序列，T1/T2特征融合模型展现出更稳定的分类性能。尤其重要的是，在仅包含高级别胶质瘤的外部测试集上，模型仍保持0.60-0.89的召回率，证明其良好的泛化能力。
在基因机制探索层面，研究发现蛋白激酶Cβ（PRKCB）等基因表达与脑网络破坏程度显著相关。通过蛋白互作网络分析，确认PRKCB在神经元-肿瘤相互作用中可能扮演关键角色，这为理解胶质瘤如何通过分子机制影响脑网络提供了新线索。
研究的讨论部分深入分析了这些发现的科学意义。从神经生理学角度，尾状核和前扣带回等枢纽节点的网络属性改变，可能反映了肿瘤浸润导致的跨网络通信障碍。这些改变不仅局限于肿瘤周边区域，还波及全脑范围的网络拓扑结构。相比传统局部特征分析方法，全脑网络特征能更全面捕捉胶质瘤对神经系统的分布式影响。
该研究的创新价值在于建立了从分子到网络的跨尺度诊断框架。一方面，个体化脑网络特征为胶质瘤分级提供了稳定可靠的影像学标记；另一方面，PRKCB等分子标记物的鉴定为理解肿瘤进展的生物学机制提供了新视角。这种"连接组-基因组"整合分析策略，不仅为胶质瘤精准诊疗开辟了新途径，更深化了我们对癌症与神经系统相互作用的理解。尽管研究在样本规模和临床验证方面还存在局限，但其多尺度整合的研究范式无疑将为未来神经肿瘤学研究带来重要启示。
