绘制LC连接梯度
确定LC全脑白质连接的组织结构，并检验其在不同队列中的可重复性。
对Cam-CAN和ADNI参与者的DWI数据进行预处理，进行概率纤维追踪，构建LC-ROI连接矩阵，使用相似性矩阵和Laplacian eigenmaps算法计算主导梯度，并使用趋势面模型描述空间特征。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
蓝斑核连接在衰老和阿尔茨海默病中的脆弱性
Vulnerability of locus coeruleus connections to aging and Alzheimer's disease
实验完整度
中包括Cam-CAN和ADNI两个独立队列的全脑白质纤维追踪、梯度分析、基因表达关联分析及认知和tau病理关联分析，但缺少体外或动物模型的功能验证。
主要模型
Cam-CAN健康老龄化队列（640名18-88岁认知正常个体） ADNI AD连续谱队列（132名参与者，包括CN、MCI和AD痴呆）
重点核对
队列分组：Cam-CAN按年龄分箱，ADNI按Aβ和认知状态分为CN Aβ-、CN Aβ+、MCI Aβ+、AD Aβ+ 扩散加权成像参数：Cam-CAN b=1000和2000 s/mm²，30个方向；ADNI b=1000 s/mm²，48个方向 LC梯度计算：使用Laplacian eigenmaps算法分解相似性矩阵，提取主导梯度 统计关联：Spearman偏相关、PLS回归、Kruskal-Wallis检验、FDR校正（α=0.01） LC gap计算：基于9个TSM参数建立线性模型，并与纵向tau-PET积累关联
摘要
引言：蓝斑核（LC）通过其广泛的连接在协调大脑区域之间的通信中起重要作用。然而，其连接的组织结构及其在衰老和阿尔茨海默病（AD）中的变化仍不清楚。方法：我们在两个独立的队列中绘制了蓝斑核的全脑白质连接图：一个跨越成年寿命，另一个涵盖AD连续谱。结果：我们发现了一种新型的蓝斑核连接的背-腹侧组织，这种组织显示了对衰老和AD共有或AD特有的变化，与基因表达模式相关，并与认知表现和内嗅皮层的tau病理相关。我们还开发了一种影像学标志物LC gap，其捕获的蓝斑核连接偏差与认知正常且AD高风险个体中较慢的tau积累相关。讨论：这些发现为蓝斑核连接在衰老和AD中的作用提供了新的见解，突出其作为AD神经退行性变的弹性标志物的潜在作用。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 蓝斑核（LC）的白质连接如何组织，并在衰老和阿尔茨海默病（AD）中如何变化？
- 核心机制
- 蓝斑核连接遵循背-腹侧梯度，衰老和AD共享背侧连接丧失，AD特有 rostral 连接丧失，后者影响内嗅皮层，并与突触功能和AD-早老素通路基因表达相关。
- 主要证据
- 在Cam-CAN和ADNI两个独立队列中使用扩散加权成像、概率纤维追踪和梯度分析，发现LC梯度与认知表现相关，在CN Aβ+中与内嗅tau负相关，在AD Aβ+中正相关，且LC gap与纵向tau积累相关。
- 研究意义
- 研究结果揭示了LC连接在衰老和AD中的作用，提出了LC gap作为AD神经退行性变的潜在弹性标志物，为预防策略提供基础。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
评估衰老和AD中的梯度变化
检验LC梯度是否随年龄和AD进展而变化。
在Cam-CAN中按年龄分箱，比较不同年龄段的梯度；在ADNI中比较Aβ和认知状态组别的梯度差异，并进行统计检验。
关联梯度与基因表达
探索AD特有LC连接改变是否与特定基因表达模式相关。
生成AD特异的LC投影差异图，使用Allen Human Brain Atlas的15,633个基因表达数据，进行PLS回归，并对排名靠前的基因进行GO和ORA富集分析。
关联梯度与认知行为
评估LC梯度参数与认知和行为测试之间的关系。
在Cam-CAN和ADNI中使用PLS回归，将LC梯度参数与认知测试分数关联，同时控制年龄、性别、教育、心血管风险和WMH等协变量，使用VIP分数确定重要预测因子。
关联梯度与tau病理
检查LC梯度是否与内嗅皮层tau病理相关，并确定预测方向。
在ADNI中使用Spearman偏相关检验LC梯度参数与内嗅tau-PET SUVR的关联，并进行回归分析评估LC梯度对内嗅tau的预测能力。
计算LC gap并与纵向tau积累关联
开发LC gap标志物并测试其与内嗅皮层纵向tau积累的关系。
基于9个TSM参数建立线性回归模型预测梯度，计算预测与实际之间的偏差，进行偏差校正后得到LC gap，与纵向tau积累进行相关性分析。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 扩散加权成像 | 扩散加权成像 | -- | -- |
| T1加权成像 | MPRAGE | -- | -- |
| tau-PET成像 | 18F-Flortaucipir (AV-1451) | -- | -- |
| 纤维追踪 | FSL | FMRIB | -- |
| 脑提取 | BET | FSL | -- |
| 涡流校正 | eddy | FSL | -- |
| 图像配准 | FNIRT | FSL | -- |
| 纤维方向估计 | bedpostX | FSL | -- |
| 概率纤维追踪 | probtrackx2 | FSL | -- |
| 白质高信号分割 | FastSurfer | -- | -- |
| WMH-SynthSeg | -- | -- | |
| 基因表达数据分析 | 艾伦人脑图谱 | Allen Institute | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 队列选择 | Cam-CAN队列的纳入标准（MMSE>24，无MRI禁忌）和ADNI队列的分组标准（Aβ和认知状态） 阅读提示：Methods 2.1和2.2 |
| 图像采集 | DWI参数（Cam-CAN: 30方向，b=1000/2000；ADNI: 48方向，b=1000），T1参数，tau-PET采集参数 阅读提示：Methods 2.3 |
| 梯度计算 | 相似性矩阵构建方法，Laplacian eigenmaps参数，主导梯度提取，TSM拟合 阅读提示：Methods 2.5 |
| 统计关联分析 | Spearman偏相关中协变量（年龄、性别、教育），PLS模型中协变量（年龄、性别、教育、WMH、心血管风险），FDR校正水平 阅读提示：Methods 2.6 |
| 基因表达分析 | 基因表达数据来源（AHBA），映射到Brainnetome，PLS回归和GO/ORA富集的参数 阅读提示：Methods 2.7 |
| LC gap计算 | 线性回归模型预测TSM参数，偏差校正公式，纵向tau积累的计算方法 阅读提示：Methods 2.8 |