呂玉婷，姚旭峰,3*，卜溪溪，徐 松，黃 鋼

(1.上海理工大學醫(yī)療器械與食品學院，上海 200082；2.上海健康醫(yī)學院醫(yī)學影像學院，上海 201318；3.上海市分子影像學重點實驗室，上海健康醫(yī)學院，上海 201318)

阿爾茨海默病(Alzheimer disease, AD)是一種病因未明的進行性神經(jīng)系統(tǒng)退行性疾病，也是最常見的癡呆類型，占全部癡呆的50%～70%，病因尚未明確，且無可有效治愈藥物或改變其病理進程的手段[1]。為診斷及預測AD，有學者[2]基于影像組學方法，將影像學特征與臨床信息等相結(jié)合，并建立模型進行個性化評估；分子生物學研究[3]也證實多個易感基因與AD密切相關。本文從AD相關影像學表型、基因組學特征及影像-基因關聯(lián)各方面對影像基因組學AD研究現(xiàn)狀及進展進行綜述。

1 影像基因組學簡介

影像基因組學對影像學表型與基因組數(shù)據(jù)進行關聯(lián)分析，剖析其間的關聯(lián)性，以影像學表型作為遺傳變異和診斷之間的中間表型來探究AD的發(fā)病機制，兼具可早期預測疾病及多模態(tài)、高通量、非入侵式獲取病變表型特征的雙重優(yōu)勢。將多模態(tài)腦影像學表型與基因數(shù)據(jù)結(jié)合分析，通過影像學表型檢測遺傳變異或評估已確定的遺傳風險對大腦的影響，比單純基因研究更為有效。

2 AD影像基因組學研究現(xiàn)狀

2.1 相關影像學表型的研究現(xiàn)狀 目前AD常用影像學檢查方法有MRI和PET。MRI主要包括結(jié)構MRI(structural MRI, sMRI)、功能MRI(functional MRI, fMRI)和彌散張量成像(diffusion tensor imaging, DTI)。sMRI能直接反映腦區(qū)關鍵部位的形態(tài)學改變，清楚顯示大腦灰白質(zhì)體積萎縮程度；fMRI特指血氧水平依賴(blood oxygenation level dependent, BOLD)-fMRI，通過檢驗腦細胞在血液流動時的磁場變化完成腦部功能成像；DTI通過檢測水分子擴散運動的各向異性來顯示腦白質(zhì)纖維束的走向和完整性，是目前唯一可精確顯示活體腦白質(zhì)纖維束的成像方法。PET則依據(jù)標記物分為18F標記的氟代脫氧葡萄糖(18F-fluorodeoxyglucose,18F-FDG)PET和淀粉樣PET，分別用于評估大腦糖代謝和淀粉樣蛋白變化，顯示早期AD患者腦部代謝。見表1。

國內(nèi)外影像基因組學AD研究所選取的影像學表型特征大多來自MRI。研究[4]表明，海馬體積萎縮是鑒別AD臨床前階段的關鍵影像學表型。海馬區(qū)及內(nèi)嗅皮層等結(jié)構體積明顯變小的遺傳性強，故海馬體積和皮層厚度是較為適用的AD影像學特征參數(shù)，LORENZI等[5]、CACCIAGLIA等[6]及LI等[7]對影像學表型與基因進行關聯(lián)分析時，所選取大腦皮層厚度、灰質(zhì)體積和右側(cè)海馬體積參數(shù)均來自sMRI。由于常規(guī)腦影像學特征難以表征AD全部特點，根據(jù)既往研究結(jié)果，可結(jié)合高維影像組學特征對AD影像學特征與易感基因進行關聯(lián)分析，如SCELSI等[8]對MRI所示雙側(cè)海馬體積和PET所見皮層蛋白樣沉積負荷進行其與基因的關聯(lián)研究，ZHANG等[9]自sMRI和fMRI中提取海馬體積和部分腦功能特性進行相關性分析。隨著腦網(wǎng)絡研究的進展，有學者[10]開始利用DTI構建大腦結(jié)構網(wǎng)絡，并對網(wǎng)絡特征進行腦影像學表型相關研究。

2.2 基因組學方法研究現(xiàn)狀 AD基因研究方法現(xiàn)已從經(jīng)典的基于連接和候選基因的關聯(lián)研究發(fā)展到全基因組關聯(lián)研究(genome-wide association study, GWAS)和下一代測序(next generation sequencing, NGS)。鑒定新易感基因有助于深入理解AD發(fā)病機制。GWAS是目前最常用的AD影像基因組學基因分析方法，以單核苷酸多態(tài)性(single nucleotide polymorphism, SNP)為標記單位，在全基因組水平進行比對分析，挖掘與疾病表型存在強相關性基因的變異位點，可鑒定與AD表型或病理變化具有強相關的特定SNP組合，于基因?qū)用娣从矨D的病理特征。DERRK等[11]以GWAS分析來自50個群組的30 717個個體的皮層體積和顱內(nèi)體積，確定了影響核殼和尾狀核體積的5個新的遺傳變異，并證實3個新位點對海馬體積和顱內(nèi)體積存在影響。NHO等[12]通過整合遺傳學信息與影像學表型，利用全基因組測序?qū)ESN1基因與負載定量生物標記物進行關聯(lián)分析，證明PESN1變異與關鍵腦區(qū)萎縮顯著相關。此外，基因分析方法還包括主成分分析(principal component analysis, PCA)、多因子降維(multifactor dimensionality reduction, MDR)和獨立成分相關算法(independent component correlation algorithm, ICA)[13]，但均未考慮之前的研究結(jié)果，且需對大量數(shù)據(jù)集進行多重校正，造成很多微小風險位點被遺漏?；虮倔w (gene ontology, GO)、京都基因和基因組數(shù)據(jù)庫(Kyoto Encyclopedia of Genes and Genomes, KEGG)富集分析可解決上述問題，故常用于分析具有各異性表達基因的通路。ZENG等[14]分析AD相關基因通路富集分析和蛋白質(zhì)-蛋白質(zhì)相互作用(protein-protein interaction, PPI)，確定了6個潛在影響微小核糖核酸(micro RNA, miRNA)結(jié)合的先導SNP(rs10119、rs1048699、rs148763909、rs610932、rs6857和rs714948)和2個代理SNP(rs12539172和rs2847655)，表明SNP通過影響miRNA的結(jié)合而作用于AD。朱士勝等[15]利用從數(shù)據(jù)庫中得到的差異表達基因(differentially expressed genes, DEG)進行GO富集分析和KEGG通路富集分析,篩選出在AD發(fā)展過程中起重要作用的關鍵基因。考慮到此兩種方法可能存在富集假陽性和一定主觀性，實際分析時可加入加權基因共表達網(wǎng)絡構建(weighted gene co-expression network analysis, WGCNA)[16]，以鑒定共表達的基因模塊，分析基因模塊與樣本特征間的相關性，利于挖掘潛在標記基因，因其可信度高于GO和KEGG富集分析而應用廣泛。

表1 不同成像方式下影像學表型提取及相關變化

2.3 影像-基因關聯(lián)分析方法研究進展 關聯(lián)分析方法是目前用影像基因組學AD研究重點。早期單變量研究需要對候選基因變異和候選腦影像學特征進行科學假設，且必須同時檢驗大量假設，并對結(jié)果加以多重校正，過程十分繁復，故應用較少。STEIN等[17]首先以多變量關聯(lián)分析觀察受試者整個大腦31 622個體素中的448 293個SNP，并以集群節(jié)點來執(zhí)行計算；HIBAR等[18]也在基因水平進行類似分析；二者均應用PCA將多維遺傳數(shù)據(jù)歸一化，得到特征SNP，最后回歸到單變量線性分析。WANG等[19]提出群稀疏多任務回歸模型，對多模態(tài)的影像學表型與候選基因進行關聯(lián)分析，不僅毋須將多變量影像數(shù)據(jù)歸一化，免于存在大量獨立性假設的問題，還具有更強的抗噪聲能力。ZHU等[20]開發(fā)的貝葉斯簡化秩模型利用貝葉斯框架中的函數(shù)來最大化影像學表型與基因數(shù)據(jù)的關聯(lián)，既能降低單變量回歸中獨立性假設的數(shù)量，又具有更高的檢測遺傳變異能力。GE等[21]在此基礎上提出一種基于核機的多維變量集交互效應檢測方法，可同時檢測多個遺傳變異之間的相互影響。STINGO等[22]利用分層混合模型對整個大腦功能連接網(wǎng)絡和全基因進行關聯(lián)分析；HUANG等[23]開發(fā)的快速全基因組關聯(lián)分析(fast genome-wide association study, FGWAS)框架在GWAS基礎上結(jié)合大腦功能特性，顯著提高了對重要基因變異的檢測能力。目前大量多元數(shù)據(jù)關聯(lián)研究均對已有統(tǒng)計學分析模型進行擴展與改進，以簡化結(jié)果的多重驗證和解釋。有學者[24]建立新的快速多任務稀疏正則相關分析，在相關系數(shù)和正則權值模式方面均具有更好的性能，且運行速度快，易于實現(xiàn)。茹峰等[25]提出一種新的基于典型相關分析(canonical correlation analysis, CCA)的高階統(tǒng)計量結(jié)構化稀疏算法，以探索大量基因與腦影像學數(shù)據(jù)之間的關聯(lián)性，便于提取兩類數(shù)據(jù)中高度相關的特征，并保持其相互獨立。

近來AD研究多轉(zhuǎn)向縱向影像基因組學，以觀察大腦結(jié)構動態(tài)變化與基因之間的相關性，但總體而言仍處于起步階段(表2)。SZEFER等[26]分析75 845個SNP與56個大腦區(qū)域結(jié)構MRI變化率的關系，以引導程序增強的稀疏正則相關分析驗證了1 649個SNP對促進AD結(jié)構缺失具有較大可能性，并首次用逆概率加權解釋了ADNI研究中存在的偏置采樣設計和低關聯(lián)信號的高維數(shù)據(jù)。LU等[27]將ZHU等[20]的貝葉斯低秩模型擴展為縱向設置，將時變影像學數(shù)據(jù)直接與遺傳標記聯(lián)系起來進行剖析。WANG 等[28]將機器學習方法擴展到縱向影像基因組學研究中，通過輸入3 123個SNP位點，基于體素分析法(voxel-based morphometry, VBM)和Freesurfer兩種成像標記物自動檢測其間的關系，發(fā)現(xiàn)APOE-rs429358與大腦皮層體積、MS4A4E- rs670139與腦白質(zhì)體積、MS4A6A- rs66798與灰質(zhì)密度之間存在相關性，有望為未來將人工智能融入縱向影像基因組學研究提供參考依據(jù)。

表2 不同影像-基因關聯(lián)分析方法的優(yōu)點

3 小結(jié)與展望

影像基因組學目前已大量用于AD研究，通過對多維腦部特征和特異性風險基因進行多方位有效信息的提取和關聯(lián)分析而實現(xiàn)AD診斷、分型、預測及預防，但用于影像學表型及基因分析方面仍存在限制。未來將聚焦于擴充影像學表型和選取易感基因，改進關聯(lián)分析模型，提高分析的準確性；還可考慮在影像基因組學研究應用深度學習相關算法，通過融合影像學表型與基因而進一步探究其相關性。