Digitaler Gehirnzwilling stellt die Gehirnaktivität eines Kleinkindes mit Autismus nach

Durch die Verknüpfung der MRT-Anatomie mit der EEG-Dynamik bietet das FEDE-Modell eine detaillierte neue Möglichkeit, die Interaktion von Gehirnstruktur und neuronaler Aktivität bei Autismus zu untersuchen, und unterstreicht gleichzeitig die Notwendigkeit größerer Validierungsstudien.

Studie: Ein digitaler Zwillingsansatz zur gleichzeitigen Rekonstruktion der Gehirnanatomie und -dynamik aus neuronalen Daten

In einer kürzlich in der Zeitschrift veröffentlichten Studie PLOS Digitale Gesundheitentwickelten und validierten Forscher das High-FidElity Digital Brain Model (FEDE)-System zur Erstellung patientenspezifischer virtueller Gehirnmodelle oder digitaler Zwillinge, die die Gehirnstruktur und biophysikalische Aktivität nachbilden sollen. Sie verwendeten spezielle Magnetresonanztomographie-Scans (MRT), um den digitalen Zwilling zu konstruieren, und verwendeten ihn dann, um die Gehirnaktivität eines kleinen Kindes mit der Diagnose Autismus-Spektrum-Störung (ASD) zu untersuchen. Das Modell zeigte eine robuste Leistung bei der Replikation von Gehirnaktivitätsmustern und schätzte mögliche patientenspezifische Veränderungen bei der Signalübertragung durch Synapsen. Wenn solche Modelle in größeren Studien validiert werden, könnten sie künftige Ansätze der Präzisionsmedizin zur Untersuchung von Hirnstörungen und zur Bewertung therapeutischer Strategien unterstützen.

Die Struktur des Gehirns spielt eine entscheidende Rolle bei der Gestaltung der Signalübertragungswege durch verschiedene Regionen. Bestehende Modelle haben die anatomischen und funktionellen Eigenschaften des Gehirns nicht vollständig nachgebildet. Wissenschaftler erforschen Möglichkeiten, Bilddaten und Computermodelle in ein einziges Framework zu integrieren, um die Gehirnstruktur und neuronale Aktivität für Forschung und klinische Anwendungen präzise nachzubilden. Durch die Ermöglichung einer großen Anzahl virtueller Experimente könnten solche Modelle Wissenschaftlern dabei helfen, die biophysikalischen und Netzwerkebenenmechanismen aufzudecken, die komplexen Erkrankungen wie ASD zugrunde liegen.

Über die Studie

In der vorliegenden Studie verwendeten Forscher den FEDE-Ansatz, um einen interaktiven digitalen Zwilling des Gehirns eines kleinen Kindes mit ASD zu entwickeln. Sie verwendeten drei verschiedene Arten von MRT-Scans, um die anatomischen Merkmale des Gehirns zu rekonstruieren. Das Protokoll umfasste T1-gewichtete, T2-gewichtete und diffusionsgewichtete Bildgebungssequenzen (DWI). Anschließend simulierten die Forscher die Gehirnaktivität mithilfe virtueller Elektroden, die auf der Kopfhautoberfläche platziert wurden. Sie verglichen die Ergebnisse mit EEG-Aufzeichnungen des ASD-Patienten (Alter: 2,4 Jahre) und Informationen, die mithilfe von Standardmodellen erhalten wurden, um die Zuverlässigkeit und Robustheit der Ergebnisse zu bewerten.

Die FEDE-Pipeline nutzt die Finite-Elemente-Methode (FEM), um anatomische Zusammenhänge des Gehirns, die aus medizinischen Bildern reproduziert werden, mit biophysikalischen Aufzeichnungen der Gehirnaktivität in einem integrierten Rahmen zu kombinieren. Das Modell rekonstruierte die Verbindungsnetzwerke der Hirnrinde, die Myelinisierung um Nervenfasern und die Leitfähigkeitseigenschaften verschiedener Gewebe.

Die Methode umfasst Methoden zur Parameteroptimierung, um mehrskalige Strukturmerkmale wiederherzustellen. Das Team optimierte die Parameter direkt anhand der Aktivität eines hochdichten kortikalen Netzes (20.484 Eckpunkte) für eine hochauflösende Rekonstruktion. Außerdem unterteilten sie Gehirnregionen mithilfe eines Standardatlas (HCPMMP1), um Verbindungen zwischen verschiedenen Teilen des Gehirns zu untersuchen. Darüber hinaus maß das Team die Länge der Nervenfaserbahnen, die verschiedene Regionen verbinden. Anschließend erstellten sie detaillierte Karten, um zu bestimmen, wie schnell Nervensignale wahrscheinlich durch verschiedene Teile des Gehirns wandern, und um mögliche Verzögerungen bei ASD zu identifizieren.

Die Forscher verwendeten lineare Regressionsmodelle, um zu bestimmen, ob die FEDE-Ergebnisse mit den EEG-Aufzeichnungen des Kleinkindes übereinstimmten. Außerdem nutzten sie einen Ansatz des maschinellen Lernens, um die wichtigsten Modellparameter für die Reproduktion der EEG-Befunde zu identifizieren.

Ergebnisse

Der FEDE-Ansatz rekonstruierte die Gehirnstruktur mit hoher räumlicher Auflösung und reproduzierte ausgewählte EEG-abgeleitete Merkmale der Gehirnaktivität. Die simulierten Befunde korrelierten gut mit den EEG-Daten. Tatsächlich konnte das Modell potenzielle Veränderungen in der Nervenzellübertragung identifizieren, die vom Modell abgeleitet wurden und mit den bei ASD beobachteten biologischen Veränderungen im Einklang stehen. Das Modell deutete auf mögliche Anomalien auf mehreren Ebenen der Gehirnorganisation des Kleinkindes hin, darunter eine veränderte Kommunikation zwischen Gehirnzellen, entwicklungsrelevante Merkmale wie Myelinisierung und Veränderungen in den Verbindungen innerhalb und zwischen Gehirnregionen. Da diese Ergebnisse von einem Patienten stammen, sollten die ASD-bezogenen Interpretationen als Hypothesen und nicht als verallgemeinerbare Krankheitsmarker behandelt werden.

Die FEDE-Methode sagte kürzere Signalübertragungsverzögerungen voraus als Standardmodelle, was darauf hindeutet, dass herkömmliche Ansätze häufig die Zeit überschätzen, die Gehirnsignale für die Übertragung zwischen Regionen benötigen. Dies liegt daran, dass Standardmodelle die Myelinisierung nicht berücksichtigen, die isolierende Hülle um Nervenfasern, die für eine schnellere Übertragung elektrischer Signale sorgt.

Die Genauigkeit des FEDE-Modells hing hauptsächlich davon ab, wie detailliert die Gehirnsimulationen waren und wie elektrische Signale modelliert wurden, und nicht von der Geschwindigkeit der Signalübertragung. Um die FEDE-Ergebnisse mit den EEG-Daten abzugleichen, passten die Forscher hauptsächlich die Hintergrundgeräuschpegel und das Verhältnis von Erregung zu Hemmung (EI) an. Der optimale Geräuschpegel war etwa 100-mal höher als der Standardmodellwert, was auf größere Schwankungen der neuronalen Aktivität bei ASD schließen lässt. Das EI-Verhältnis war etwa dreimal höher als bei einem gesunden Gehirn zu erwarten, was auf ein Ungleichgewicht zwischen neuronalen Signalen, die sich verstärken, und solchen, die die Gehirnaktivität unterdrücken, hinweist.

Gleichzeitige Rekonstruktion der Anatomie und Dynamik des Gehirns aus neuronalen Daten: Die FEDE-Pipeline.

(A): MRT-Aufnahmen, einschließlich (von oben nach unten) T1-w, DWI und T2-w, wurden verwendet, um eine 3D-Nachbildung des Gehirns des Patienten zu erstellen. (B): MRT-Verarbeitungsschritte, von links nach rechts: anatomisch eingeschränkte Traktographieanalyse, Parzellierung und Segmentierung von Hirnregionen mit Rekonstruktion der kortikalen Oberfläche, Rekonstruktion des biophysikalischen Finite-Elemente-Methode (FEM)-Modells des Kopfes des Patienten, einschließlich 3D-Kopfhautmodell mit EEG-Elektroden. (C): Links: Die Parzellierung von Gehirnbereichen definierte Verbindungsgewichte, Abstände und Leitungsgeschwindigkeitskarten für die gesamte Gehirnstruktur, die in ein virtuelles Gehirnmodell integriert wurden (oben, siehe Methoden). Rechts: Die neuronale Aktivität wurde auf der hochdichten kortikalen Oberfläche berechnet, die Aktivität wurde dann mit einer anatomisch genauen Leitfeldmatrix auf die Kopfhaut des Patienten projiziert, wobei das FEM-Modell des Kopfes des Patienten genutzt und die Anisotropie des Gehirngewebes berücksichtigt wurde. Dies ermöglichte die präzise Berechnung des EEG-Signals aus simulierter Gehirnaktivität. (D): EEG-Aufzeichnungen wurden im Ruhezustand erfasst und Merkmale wie die spektrale Leistungsverteilung und die funktionelle Konnektivität extrahiert. (E): Die Parameteroptimierung durch den Vergleich zwischen experimentellem und simuliertem EEG führte zur Identifizierung multiskaliger Strukturmerkmale, die dem Zustand des Patienten zugrunde liegen.

Schlussfolgerungen

Basierend auf den Erkenntnissen stellt der FEDE-Ansatz einen erheblichen Fortschritt gegenüber herkömmlichen Methoden zur Modellierung der Struktur und Funktion des Gehirns in einem einzigen Rahmen dar. Wenn die FEDE-Pipeline in größeren Studien validiert wird, an denen vielfältigere Populationen von gesunden und ASD-Patienten aller Altersgruppen beteiligt sind, könnte sie zur Erstellung personalisierter digitaler Zwillinge für verschiedene Gehirnerkrankungen sowie zur Unterstützung der Forschung, Behandlungsbewertung und Entwicklung individuellerer Therapiestrategien genutzt werden. Solche Modelle könnten besonders hilfreich sein, um komplexe Erkrankungen wie ASD bei Kleinkindern zu klären, deren Gehirnsysteme sich schnell verändern, die ohne Bewegungsartefakte möglicherweise schwer abzubilden sind und aus ethischen Gründen keinen invasiven Eingriffen unterzogen werden können.

Die Ergebnisse sollten jedoch mit Vorsicht interpretiert werden, da die Studie an einem einzelnen Kleinkind mit ASD ohne Kontrollgruppe oder zusätzliche Patienten durchgeführt wurde. Die Ergebnisse belegen die Machbarkeit der Erstellung eines digitalen Gehirnzwillings mit hoher Wiedergabetreue und der Generierung plausibler, modellbasierter Hypothesen über die neuronale Dynamik im Zusammenhang mit ASD. Sie zeigen jedoch noch nicht, dass FEDE ASD diagnostizieren, die Behandlung leiten oder definitive biologische Anomalien identifizieren kann.

Laden Sie Ihr PDF-Exemplar herunter, indem Sie hier klicken.

Quellen: