大数跨境

1区10.6分!神经连接组学解码丙泊酚麻醉状态高精度分类模型!从高频到低频:高密度脑电图揭示丙泊酚诱导无意识状态的多频段连接组动态!

1区10.6分!神经连接组学解码丙泊酚麻醉状态高精度分类模型!从高频到低频:高密度脑电图揭示丙泊酚诱导无意识状态的多频段连接组动态! CNS生信新靶点挖掘
2026-03-26
2
导读:全身麻醉如何可逆地“关闭”意识?本研究利用高密度128通道脑电图结合源定位技术,构建了丙泊酚麻醉下全脑功能连接组图谱。该研究为理解意识调控机制及开发麻醉深度监测新方法提供了重要线索。

全身麻醉如何可逆地“关闭”意识?本研究利用高密度128通道脑电图结合源定位技术,构建了丙泊酚麻醉下全脑功能连接组图谱。研究发现,无意识状态伴随着δ和θ频段连接的异常增强,以及α、β、γ频段连接的广泛破坏。其中,α频段顶叶皮层与枕叶、丘脑等皮层下区域之间的连接在意识丧失瞬间发生急剧下降,成为区分清醒与麻醉状态的最强神经标志物。该研究为理解意识调控机制及开发麻醉深度监测新方法提供了重要线索。

今天给大家解读一篇2月发表在《Cell Reports Medicine》上的题目为“Neurophysiological connectomic signatures of consciousness during propofol-induced general anesthesia.”的文章。本研究旨在探究丙泊酚全身麻醉导致意识改变期间,与大脑功能皮层连接相关的变化。通过分析31名手术患者的高密度EEG,发现无意识状态增强低频(δ、θ)连接、减弱高频(α、β、γ)连接。其中,顶叶皮层与枕叶、皮下区域之间的α连接能有效区分意识状态,且其在意识丧失时刻的急剧下降是关键特征。这些发现在46名接受低剂量丙泊酚镇静的患者中得到进一步验证和延伸。请持续关注我们,每天为您解读最新见刊的文献!)想薅生信资料羊毛?直接在对话框回复 “资料”,免费领取干货大礼包!

不想做实验,没数据,还想要快速发表文章,没问题的!公共数据库就是我们的数据宝藏!没思路不用担心,作为专业的生信团队,我们很乐意为你们效劳,提供研究路线设计和数据挖掘分析,扫码联系我们吧!

图片







图片
图片





图片

图片

图片
图片
图片
图片
图片
图片
图片

团队成员合影(位于上海陆家嘴中心,可随时预约参观)

图片

                                    (向下滑动查看更多)

图片
图片




题目:《丙泊酚诱导的全身麻醉过程中意识的神经生理连接组特征Neurophysiological connectomic signatures of consciousness during propofol-induced general anesthesia

发表期刊:Cell Reports Medicine

影响因子:10.6

研究背景

  1. 意识机制挑战
    理解意识与无意识之间的转换机制是现代神经科学的重大挑战。EEG已广泛用于评估麻醉下的催眠水平。
  2. 关键脑区
    额叶、顶叶、颞叶和枕叶是维持意识的关键区域。顶叶与皮下区域(纹状体、丘脑)的整合对意识至关重要。丘脑活动和丘脑皮层相互作用广泛影响 arousal 水平。
  3. 网络分析价值
    网络连接分析有助于理解大脑过程并构建与意识相关的理论框架。麻醉诱导的无意识状态与功能连接破坏、网络效率降低密切相关。
  4. 丙泊酚效应
    丙泊酚诱导的意识丧失以特定的频谱和网络水平改变为特征。既往研究多强调静态测量和皮层水平连接,丙泊酚如何调节意识转换期间皮层与皮下区域间的动态连接尚不清楚。



                            CNSknowall 平台 Pubmed+AI 快速提炼全文要点

                            图片


                            研究思路:

                                  1. 数据采集与预处理
                                    使用128通道EEG采集31名手术患者麻醉诱导前后数据。进行滤波、去伪迹、频段分离等预处理。
                                  2. 源定位与脑区选择
                                    使用标准化低分辨率脑电磁断层扫描(sLORETA)进行源重建。选择9个与意识相关的脑区:额叶、颞叶、顶叶、枕叶皮层以及扣带回、岛叶、丘脑、海马、屏状核,共242个节点。
                                  3. 网络构建与分析
                                    • 计算五个频段(δ, θ, α, β, γ)在清醒与无意识状态下的相位锁定值功能连接网络。
                                    • 比较两状态间的网络连接差异及网络属性(聚类系数、特征路径长度)。
                                  4. 状态分类与特征识别
                                    使用支持向量机(SVM)基于功能连接特征分类清醒与无意识状态,并通过特征权重分析识别关键连接。
                                  5. 动态连接分析
                                    重点关注意识丧失前后20秒窗口内,关键α连接的时变动态。
                                  6. 独立验证
                                    在46名接受低剂量丙泊酚镇静的患者中,重复上述α频段分析,验证主要发现。

                                  研究亮点:

                                          1. 我们识别了丙泊酚诱导无意识状态的功能连接组动态。
                                          2. 丙泊酚增加δ和θ频段连接,降低α、β和γ频段连接。
                                          3. 被破坏的顶叶相关α连接标志着向无意识状态的转换。
                                          4. 降低的α连接可作为意识减弱的标志。


                                              研究结果:

                                                        1. 网络连接差异
                                                          • 增强
                                                            无意识状态下,δ频段全脑连接以及θ频段额叶-扣带回、额叶-丘脑、额叶-屏状核连接显著增强。
                                                          • 减弱
                                                            无意识状态下,α频段(顶叶-丘脑、顶叶-扣带回、顶叶-枕叶)、β频段(额叶-枕叶、顶叶-枕叶、颞叶-顶叶)和γ频段(额叶-颞叶、额叶-海马)连接显著减弱。
                                                        2. 网络属性变化
                                                          • δ频段:无意识状态特征路径长度缩短,聚类系数增加(网络效率提高)。
                                                          • α、β、γ频段:无意识状态特征路径长度增加,聚类系数减少(网络效率降低)。
                                                          • θ频段网络属性无显著差异。
                                                        3. 意识状态分类
                                                          • 使用功能连接特征分类清醒与无意识状态,α频段模型准确率最高(87.10%),AUC为0.924。
                                                          • 关键特征
                                                            分类模型显示,顶叶相关α连接(顶叶-枕叶、顶叶-丘脑、顶叶-扣带回、顶叶-屏状核、顶叶-颞叶)对区分意识状态贡献权重最高。
                                                        4. 动态连接变化
                                                          • 在意识丧失时刻前后,上述顶叶相关α连接出现急剧下降。而重要性较低的网络连接(如海马-海马、屏状核-屏状核等)则无明显波动。
                                                        5. 低剂量镇静验证
                                                          • 镇静状态下,α频段功能连接及网络效率(特征路径长度增加、聚类系数减小)较清醒时显著降低,但变化幅度小于无意识状态。
                                                          • 分类模型对清醒与镇静状态的区分能力显著下降(准确率61.96%)。
                                                          • 镇静期间,顶叶相关α连接仅呈现细微波动,未出现急剧变化。这表明这些连接的剧烈破坏特异地与向无意识的转换相关,而非单纯的意识水平降低。


                                                        研究总结:

                                                        1. 主要结论
                                                          • 丙泊酚麻醉导致低频连接增强、高频连接减弱的功能连接组异质性改变。
                                                          • 顶叶皮层与枕叶、皮下区域间的α频段功能连接是区分和维持意识的关键神经相关物。
                                                          • 这些α连接在意识丧失时刻的急剧中断,标志着意识状态转换的关键节点,而非仅仅是意识水平逐渐降低的反映。
                                                        2. 理论意义
                                                          研究结果支持后部皮层是意识的“热区”理论,以及顶叶区域整合是意识状态标志的观点。功能连接的改变不能简单归因于中断或下降,而是一种可能与意识可逆转换相关的异质性反应。
                                                        3. 潜在应用
                                                          α频段功能连接网络有潜力作为解码意识的神经生物学标志物。
                                                        4. 研究局限性
                                                          • 分析仅限于麻醉诱导期,未涵盖术中及意识恢复期。
                                                          • 头皮EEG对深部皮层源重建的可靠性存在争议。
                                                          • 相位锁定值估计可能受残留空间泄漏影响。
                                                          • 进行了大量统计比较,尽管进行了Bonferroni校正,仍可能存在假阳性。
                                                          • 样本量相对较小,患者群体同质且在高度结构化环境下评估。


                                                        结果译文:

                                                        1.清醒状态与无意识状态之间脑网络连接和网络特性的差异


                                                        鉴于意识源于空间分布的脑功能区之间复杂的相互作用,我们分析了源空间皮质电流源密度导出的五个载波频段和两种状态(清醒和无意识)下242对感兴趣区域之间的脑电图功能连接网络。在构建功能网络之前,我们首先检查了清醒和无意识状态下跨频段的皮质功率谱密度分布,以验证源重建信号在丙泊酚诱导全身麻醉下表现出预期的频谱调制。如图S1所示,我们观察到经典的空间模式,包括丙泊酚诱导无意识期间额叶δ功率增加和α功率前移,与先前发现一致。这些观察结果证实了源水平的频谱活动得到了适当的调节,并验证了我们源重建的准确性。
                                                        此外,在所有区域和所有频段,清醒状态与无意识状态之间的脑电图功能连接网络存在显著差异。具体来说,如图2A所示,当患者处于无意识状态时,跨脑区的δ频段连接显著强于清醒状态。无意识状态同样显著增强了θ频段的Fro-CG、Fro-Tha和Fro-Cls连接(图2B)。在无意识状态下,β和γ频段的Tem-Hipp连接也有少量增加。
                                                        相反,在无意识状态下,α频段(即Par-Occ、Par-Tha、Par-CG和Par-Occ)、β频段(即Fro-Occ、Par-Occ和Tem-Par)和γ频段(即Fro-Tem和Fro-Hipp)的连接显著减弱(图2C-2E)。综上所述,丙泊酚诱导的全身麻醉与δ和θ频段网络连接的异常增加有关,同时伴随着α、β和γ频段网络相位耦合的显著丧失。
                                                        为了进一步定量评估这些功能网络,我们计算了两个网络特性:聚类系数和特征路径长度。然后,比较清醒状态和无意识状态的网络特性,以探索大脑效率的差异。如图3所示,与清醒状态相比,无意识状态在δ频段表现出特征路径长度减小(t = -5.20,p < 0.001,Cohen‘s d = -0.93,95% CI = [-1.63 -0.48])和聚类系数增加(t = 4.11,p < 0.001,Cohen‘s d = 0.74,95% CI = [0.36 1.28])。与清醒状态相比,无意识状态在α、β和γ频段表现出更大的特征路径长度(α:t = 4.33,p < 0.001,Cohen’s d = 0.78,95% CI = [0.47 1.18];β:t = 1.80,p = 0.08,Cohen‘s d = 0.32,95% CI = [-0.02 0.78];γ:t = 2.27,p = 0.03,Cohen’s d = 0.41,95% CI = [0.04 1.07])和更小的聚类系数(α:t = -5.41,p < 0.001,Cohen‘s d = -0.97,95% CI = [-1.40 -0.67];β:t = -4.28,p < 0.001,Cohen‘s d = -0.77,95% CI = [-1.35 -0.38];γ:t = -4.70,p < 0.001,Cohen’s d = -0.85,95% CI = [-1.70 -0.41])。相比之下,在θ频段,无意识状态与清醒状态之间的网络特性未观察到显著差异。

                                                        2.区分无意识状态与清醒状态的脑电图连接特征


                                                        鉴于两种状态之间存在广泛的连接差异,我们研究了功能连接是否能够区分清醒状态和无意识状态。具体来说,从加权网络中得出了45个区域间和区域内连接特征。区域间连接定义为不同区域内所有感兴趣区域之间的平均连接,而区域内连接代表单个区域内多个感兴趣区域的平均连接。
                                                        采用F分数特征选择方法选择前25%最有希望的特征,然后利用这些特征构建支持向量机分类模型。为确保分类的可靠性,采用留一交叉验证策略来定量衡量性能和准确性,并报告灵敏度和特异度。如图4A所示,δ频段分类区分清醒状态与无意识状态的准确率达到82.26%,α频段分类准确率达到87.10%。因此,这两个频段都能准确区分清醒和无意识状态。相比之下,当使用连接作为判别特征时,θ、β和γ频段的准确率分别为72.58%、77.42%和75.81%,均低于δ和α频段。α模型在所有频段中表现出最佳的分类性能,分类准确率最高,高于其他模型。此外,与其他频段相比,α模型还表现出最高的受试者工作特征曲线下面积(AUC: 0.924,图4B)。置换检验证实,所有分类准确率均显著高于随机水平,表明报告的性能是稳健的,并非由随机标签导致。置换检验结果如图S2所示。
                                                        为了确定不同连接对意识状态识别的贡献,我们评估并可视化了α频段分类模型的权重,如图4C所示。基于特征权重,顶叶相关的α连接在识别意识方面具有较高的贡献权重,例如Par-Occ、Par-Tha、Par-CG、Par-Cls和Par-Tem连接,这些连接在从清醒状态向丙泊酚诱导全身麻醉过渡期间也存在显著差异。这些结果强调了顶叶-皮层下、顶叶-枕叶和顶叶-颞叶α连接是辨别意识状态的关键特征,并在维持意识中起着关键作用。

                                                        3.意识丧失过程中功能连接的动态变化


                                                        然后,我们评估了从清醒状态向无意识状态过渡期间相位锁定连接的时间依赖性变化,特别关注α频段内的顶叶相关连接。这些连接被确定为麻醉诱导期间贡献最显著的特征,是时变分析的核心。此外,我们检查了在意识状态分类中影响较小的连接的动态变化,旨在强调重要网络连接在调节意识状态转换中的关键作用。每位患者的时变连接是根据未进行任何阈值二值化的加权时变矩阵估计的。
                                                        分析表明,从觉醒到无意识的过程中,信息整合的时间过程存在相当大的个体差异。为了便于统计分析和可视化,我们重点关注意识丧失前后20秒窗口内的连接动态。如图5A(右)所示,在整个期间,所有患者中重要性较低的连接的时间过程几乎没有波动。相比之下,最关键的联系——特别是那些与顶叶网络相关的联系——在意识丧失前后立即显示出急剧下降(图5A,左)。图5B呈现了经FDR校正的配对样本t检验结果,结果显示,与意识丧失前状态相比,意识丧失后α频段的顶叶相关连接显著减弱。然而,在影响较小的网络连接中未观察到显著差异。这些发现强调了α频段的顶叶-皮层下和顶叶-枕叶连接在反映与意识丧失相关的动态转变中的关键作用。

                                                        4.低剂量丙泊酚麻醉验证


                                                        为了验证α频段功能连接在表征意识水平波动中的关键作用,我们对低剂量丙泊酚麻醉期间患者的脑电图数据进行了相同的分析。图6A显示,与清醒状态相比,镇静状态下α频段的功能连接网络显著降低,其中Fro-Occ连接下降最为明显。在网络特性方面,配对样本t检验显示,与清醒状态相比,镇静状态具有更大的特征路径长度和更小的聚类系数(图6B)。这些结果进一步证明,意识水平的下降伴随着α频段功能连接的减弱。
                                                        尽管如此,我们发现清醒状态与镇静状态之间的网络差异小于清醒状态与无意识状态之间的差异。这种差异的减小导致模型区分两种状态的能力显著下降,特征的预测能力显著减弱(图6C和6D)。值得注意的是,在清醒-无意识模型中识别无意识关键的顶叶相关α连接,在镇静-无意识模型中不再显示出显著效果(图6E)。此外,在镇静期间,顶叶相关的α连接仅表现出微小波动,没有突然变化(图6F)。这些观察结果表明,顶叶相关α频段连接最显著的变化发生在向无意识过渡期间,而不是在轻度镇静期间,支持了它们与意识丧失的紧密关联。

                                                        更多结果和补充图表:doi:10.1016/j.xcrm.2025.102581


                                                        图片
                                                        长按二维码关注我们,用最短的时间和最高的效率学习更多数据分析方法!
                                                        图片

                                                        扫描上方二维码或登录平台官网后添加CNSknowall客服微信咨询!官网地址:

                                                        https://cnsknowall.com

                                                        CNSknowall:24年最新问世的遥遥领先的科研数据(0代码生信+统计学)分析平台,同时含有机制图模块+汉化版Pubmed融合Deepseek高效筛选目标文献+SCI文献例句/语料检索模块+OPenAI官方GPT接口,>500款CNS级别图表皆可一秒内一键出图,登录即秒变数据分析大神,体验前所未有的便捷数据分析之旅,开启科研天骄之路!

                                                        可向下滑动批阅!

                                                        图片图片


                                                        图片


                                                        图片

                                                        图片

                                                        图片

                                                        图片

                                                        图片

                                                        图片

                                                        图片

                                                        图片



                                                        【声明】内容源于网络
                                                        0
                                                        0
                                                        CNS生信新靶点挖掘
                                                        每日汇总固定几本期刊上月最新见刊的生信类研究SCI!
                                                        内容 306
                                                        粉丝 0
                                                        CNS生信新靶点挖掘 每日汇总固定几本期刊上月最新见刊的生信类研究SCI!
                                                        总阅读121
                                                        粉丝0
                                                        内容306