《npj Parkinson's Disease》：Deep neurobehavioral phenotyping uncovers neural fingerprints of locomotor deficits in Parkinson’s disease
编辑推荐：
本研究旨在解决帕金森病(PD)中步态缺陷的治疗难题。通过深度表型分析方法，研究人员将运动学轨迹与皮层振荡转化为连续的神经行为特征时间序列，结合低维嵌入与监督分类，成功识别出驱动步态缺陷的皮层振荡特征。在PD啮齿类动物模型和冻结步态(FoG)患者中的验证表明，该跨物种方法揭示了步态、运动不能(Akinesia)及静止状态在特征空间中的特异性分离，并识别出Hjorth复杂性和活动度(Activity)等关键神经特征，为开发PD步态闭环治疗算法提供了潜在的生物标志物。该技术可推广应用于其他复杂运动障碍的分析。
行走，这项看似简单的日常活动，对于帕金森病患者而言，却可能是一场艰难的挑战。除了常见的运动迟缓(Bradykinesia)和运动幅度减小(Hypokinesia)外，一种被称为“冻结步态”的现象尤为棘手——患者在行走时，会突然出现双脚如同被粘在地上一般无法迈步的情况，这不仅严重影响生活质量，也增加了跌倒的风险。然而，驱动这些复杂步态缺陷背后的神经活动究竟是什么样的，至今仍是一个“黑箱”，成为治疗上的一个未解难题。为了揭开这层神秘面纱，一项发表在《npj Parkinson's Disease》上的研究，采用了一种名为“深度神经行为表型分析”的创新策略，试图在神经活动的海洋中，精准定位那些导致步态“卡顿”的独特指纹。
这项研究主要运用了以下关键技术方法：首先，研究人员对受试者的行为（运动学轨迹）和大脑活动（皮层振荡，Cortical oscillations）进行了同步记录，并将其转化为连续的神经行为特征时间序列。然后，他们采用低维嵌入技术对高维特征数据进行降维和可视化，并结合监督分类算法，来识别能够有效区分不同运动状态（如正常步态、运动不能、静止）的特定神经振荡特征。研究对象包括帕金森病啮齿类动物模型，以及两名患有冻结步态的帕金森病患者（其神经数据来自对丘脑底核的深度脑刺激术中记录）。
研究结果揭示了几个重要发现：
- 1.
不同运动状态在神经行为特征空间中占据独特位置：通过低维嵌入分析，研究人员发现，正常的步态序列、运动不能状态以及纯粹的静止状态，在降维后的特征空间中形成了清晰可辨的分离区域。这表明，与这些行为相关的神经活动模式具有本质上的差异性。
- 2.
识别出区分状态的关键神经特征：在众多用于区分这些状态的神经特征中，来自脑电信号分析的Hjorth复杂性(Hjorth complexity) 和活动度(Activity) 这两个指标尤为突出。研究发现，在运动不能状态即将开始时，这些特征会发生显著的调制变化，暗示它们可能是运动启动困难或中断的神经前兆信号。
- 3.
跨物种验证的初步一致性：为了验证动物模型发现的潜在临床相关性，研究人员分析了两位帕金森病冻结步态患者的丘脑底核记录数据。结果显示，在患者中观察到的部分神经特征变化趋势，与在动物模型中发现的规律存在相似之处。这种跨物种的部分印证，增强了所识别神经特征作为生物标志物的可信度。
结论与讨论部分总结道，本研究通过深度神经行为表型分析这一跨物种、可推广的方法，成功地将复杂的行为症状与特定的神经振荡特征联系起来。研究不仅证实了不同运动缺陷（如步态问题、运动不能）对应着不同的神经活动“指纹”，更重要的是，它识别出了如Hjorth复杂性和活动度等具体的皮层振荡特征，这些特征在运动状态转换（如运动不能开始）时表现出关键性的调制作用。这些发现具有双重重要意义：在科学认知层面，它们为理解帕金森病及相关运动障碍的神经机制提供了新的见解，揭示了行为异质性背后的潜在神经基础。在临床应用层面，这些被识别的特异性神经特征，有望发展成为用于诊断分型或评估治疗效果的客观生物标志物。更为关键的是，这类实时、可解码的神经信号，为未来开发自适应闭环治疗算法——例如能够根据患者实时神经状态自动调整参数的脑深部电刺激疗法——提供了直接的理论依据和潜在的控制信号源，从而为实现针对帕金森病步态缺陷的精准、动态干预开辟了新的道路。
