アルツハイマー病の動的機能接続性MEG機能

動的安静状態の機能的接続性（RSFC）は、機能的脳ネットワーク活動の時変変動を特徴付けます。多くの研究が静的な機能的接続性を調査していますが、動的な機能的接続の特徴が神経変性疾患に関連しているかどうかは不明です。動的なRSFCを抽出するための一般的なスライディングウィンドウとクラスタリング方法には、この質問に対処するための信頼できる機能を抽出するのを防ぐさまざまな制限があります。ここでは、アルツハイマー病（AD）と一致したコントロールを伴う参加者の高解像度の磁気性（MEG）データから動的なRSFC機能を抽出するために、新規で堅牢な時変ダイナミックネットワーク（TVDN）アプローチを使用します。TVDNアルゴリズムは、動的RSFCの低次元の時空間的多様体を自動的かつ適応的に学習し、データの動的状態遷移を検出します。私たちが調査したすべての機能的特徴の中で、動的なマニホールドの特徴がADを最も予測することであることを示します。これらには、状態遷移の数とその滞留時間によって与えられる脳ネットワークの時間的複雑さ、および固有モードの数によって与えられる脳ネットワークの空間的複雑さが含まれます。これらの動的な特徴は、健康な被験者とADを区別する上で高い感度と特異性を持っています。興味深いことに、AD患者は一般に空間的な複雑さが高いが、健康なコントロールと比較して時間的な複雑さが低いことがわかりました。また、TVDNの動的成分のグラフ理論的メトリックは、AD対コントロールで有意に異なるが、静的グラフメトリックは統計的に異ならないことを示しています。これらの結果は、動的なRSFCの特徴がアルツハイマー病のような神経変性疾患で影響を受け、これらの疾患の病態生理学的軌跡を理解するために重要である可能性があることを示しています。

Dynamic resting state functional connectivity (RSFC) characterizes time-varying fluctuations of functional brain network activity. While many studies have investigated static functional connectivity, it has been unclear whether features of dynamic functional connectivity are associated with neurodegenerative diseases. Popular sliding-window and clustering methods for extracting dynamic RSFC have various limitations that prevent extracting reliable features to address this question. Here, we use a novel and robust time-varying dynamic network (TVDN) approach to extract the dynamic RSFC features from high resolution magnetoencephalography (MEG) data of participants with Alzheimer's disease (AD) and matched controls. The TVDN algorithm automatically and adaptively learns the low-dimensional spatiotemporal manifold of dynamic RSFC and detects dynamic state transitions in data. We show that amongst all the functional features we investigated, the dynamic manifold features are the most predictive of AD. These include: the temporal complexity of the brain network, given by the number of state transitions and their dwell times, and the spatial complexity of the brain network, given by the number of eigenmodes. These dynamic features have high sensitivity and specificity in distinguishing AD from healthy subjects. Intriguingly, we found that AD patients generally have higher spatial complexity but lower temporal complexity compared with healthy controls. We also show that graph theoretic metrics of dynamic component of TVDN are significantly different in AD versus controls, while static graph metrics are not statistically different. These results indicate that dynamic RSFC features are impacted in neurodegenerative disease like Alzheimer's disease, and may be crucial to understanding the pathophysiological trajectory of these diseases.