全文连接 s12916-026-04687-1.pdf

如何确保扰动前的“动力学基础模型”是最优的？

在施加任何虚拟刺激之前，研究者确实进行了一个严格的参数空间搜索（论文第6-7页“优化DTB”部分），目的是找到能让虚拟大脑“最像”真实慢性耳鸣患者大脑的那个“基础设置”。

• 唯一的自由变量（全局耦合强度 G）：在这个阶段，只有 $G$（全局耦合强度，即脑区之间相互影响的整体强弱）是允许改变的。$G$ 从0到1，按0.001的步长扫描。

• 评估标准（KL散度）：对于每一个 $G$ 值，模型都会跑出虚拟的脑状态动态（FO值）。然后计算虚拟的FO分布与真实患者（来自LEiDA）的FO分布之间的“距离”（KL散度）。

• 锁定最优：当 $G$ 取某个特定值时，KL散度最小，意味着虚拟大脑产生的State.SOM和State.DMN的出现频率，与真实大脑几乎一模一样。此时，这个模型被“冻结”并认定为“慢性耳鸣患者群体的最优数字孪生体”。

关键点：这个“最优”是群体级别的，匹配的是宏观的动态特征（状态出现的比例），而不是去匹配每一个个体或每一个脑区的具体时间点。

1. 模型拟合有明确的最低点：附加文件（Fig S3）显示，KL散度随 GG 变化是平滑曲线，存在一个非常清晰的全局最低点。说明最优解是明确的，不是乱猜的。

2. 重复验证（Cross-validation）：论文最后用 k=6k=6（6个脑状态）替代 k=5k=5 重新跑了整个流程（包括重新拟合 GG 和重新做扰动）。结果发现，虽然聚类数变了，基础模型的细节变了，但扰动出来的核心靶区（顶枕叶和DLPFC）完全一致。这说明模型对初始的“最优”选择具有鲁棒性，只要基础模型在生理学合理范围内，因果结论是稳定的。

为什么不能省略虚拟干预？

• 耳鸣影响全球10–15%的成年人，常伴随感知、情绪和认知异常，但目前缺乏特效治疗。

• rTMS可通过调节异常脑活动改善症状，但其效果高度依赖刺激靶点的选择，且临床试验中个体差异显著。

• 研究目标：利用DTB识别对不同异常脑状态具有因果调控作用的靶区，并验证其预测rTMS疗效的能力。

• 训练集：89人（慢性耳鸣32人、急性耳鸣27人、健康对照30人），完成多模态MRI（静息态fMRI、DTI、T1结构像）及临床评估。

• 测试集：7名慢性耳鸣患者，接受2周（10次）1Hz rTMS治疗（靶向左颞顶联合区），治疗前后采集fMRI数据。

• 采用LEiDA（主特征向量动态分析） 方法，无假设地识别全脑动态功能连接模式，分为5个重复出现的脑状态。

• 发现两种异常脑状态：State.SOM（与躯体运动网络重叠，早期出现）和State.DMN（与默认模式网络重叠，慢性期出现），分别代表感觉运动异常和高阶认知异常。

• 基于慢性耳鸣患者的结构连接组（DTI）和Hopf模型，构建DTB，模拟全脑动力学。

• 对每个脑区（共246个）进行参数调节（模拟“虚拟刺激”），观察其对两种异常脑状态的“恢复”效果，生成因果响应图谱。

• 共进行超过164万次虚拟刺激。

• 整合Allen人脑转录组数据，分析耳鸣风险基因（来自GWAS）表达与因果响应图谱的空间相关性。

• 在独立测试集中，利用个体基线功能连接与DTB图谱的相关性，预测rTMS前后脑状态变化，并与实际变化进行相关性分析。

• State.SOM在急性期即出现异常（FO降低），持续至慢性期。

• State.DMN仅在慢性期出现异常（FO升高），提示脑功能异常随病程从感觉区向认知区扩展。

• State.SOM 的调控关键区在顶枕叶（如枕叶、楔前叶）。

• State.DMN 的调控关键区在背外侧前额叶（DLPFC）。

• 两种图谱空间分布呈负相关，说明需分别靶向。

• 44个耳鸣风险基因中，36个与响应图谱显著相关，且相关性显著高于全基因组背景，支持图谱的病理相关性。

• State.SOM图谱预测State.SOM变化的相关系数 r > 0.85（P < 0.01）。

• State.DMN图谱预测State.DMN变化的相关系数 r > 0.78（P < 0.05）。

• 交叉预测（如用SOM图谱预测DMN变化）无效，体现状态特异性。

• 耳鸣的脑功能异常随病程进展呈现状态演变，涉及感觉和认知网络。

• DTB能因果性地识别各异常状态的特异性调控靶区，并个体化预测rTMS疗效。

• 该方法不限于耳鸣，有望推广至抑郁症、精神分裂症等其他脑疾病，推动精准神经调控发展。

• rTMS靶点基于EEG定位（非MRI导航），可能存在电场分布误差。

• 验证样本量小（仅7人），需大样本多中心验证。

• 采用现象学模型，未模拟细胞/突触层面机制，未来可结合更生物真实的模型（如Jansen-Rit或动态平均场模型）。

支持单位：