前驱期阿尔茨海默病中认知网络的更高淀粉样蛋白负担 - 认知障碍

摘要

背景在前驱期阿尔茨海默病(pAD)中，淀粉样β(Aβ)沉积的区域模式已被充分表征，但这一过程如何在功能网络间变化尚不清楚。

目的确定功能网络中的Aβ积累("网络淀粉样蛋白负担"[NAB])如何随年龄、网络类型(认知vs.非认知)和Aβ状态(Aβ+/Aβ-)而变化，以及其与认知的关系。

方法 157名认知未受损的成年人(45–84岁；n=28为Aβ+，经神经放射学解读)接受了脑部MRI、淀粉样蛋白PET(18F-florbetapir)和神经心理学测试。NAB被计算为7个网络内的平均标准摄取值比率，这些网络被归类为认知(额顶网络、默认模式网络、腹侧和背侧注意网络、边缘网络)或非认知(躯体运动、视觉)。线性混合模型测试了NAB如何随年龄、网络类型(总体及各个网络)、Aβ状态及其交互作用而变化，以及NAB与认知之间的关系。

结果 NAB随年龄增长而增加，特别是在额顶网络和默认模式网络中。认知网络的NAB高于非认知网络，且这种差异在Aβ+个体中更为明显。NAB与认知无显著相关性。

结论认知脑网络比非认知网络在衰老和pAD中更容易积累淀粉样蛋白。认知NAB可能有助于pAD的早期检测和作为干预目标。

引言

在阿尔茨海默病(AD)中，淀粉样β(Aβ)沉积遵循明确的空间梯度：它首先出现在高级前部和腹侧联合皮层，随后扩散到初级运动/感觉和皮下区域[1–3]。早期Aβ积累优先发生在代谢活跃、高度连接的多模态脑区[4]，如楔前叶、内侧前额叶皮层和后扣带皮层[5,6]。关键的是，这些区域中的许多是构成支持高级认知的大型功能网络的皮层枢纽[7]。然而，由于先前研究主要关注全局和区域级Aβ，Aβ沉积在功能网络间的变化程度尚不清楚。确定这些网络中的Aβ负担，特别是在无症状的AD前驱期(pAD)[8]，可能建立疾病最早阶段的明确临床-病理相关性。

功能网络可大致分为认知网络(即支持高级认知)和非认知网络(即主要参与躯体感觉功能)。在衰老和AD中，已观察到功能连接性(定义为脑区活动的时间相关性)在认知网络内部和之间出现异常，许多研究聚焦于默认模式网络(DMN)[9–11]。理论上，DMN的高代谢活性和广泛的功能连接性可能使其区域特别容易受到早期Aβ沉积的影响[12]，这导致了网络功能障碍和AD特征性的记忆损伤[13,14]。

然而，这些效应并非仅限于DMN。较高的全局Aβ与重叠多个其他认知网络区域的连接中断相关，包括额顶执行区域、突出网络枢纽(如前扣带)、背侧注意网络的后顶叶区域，以及腹侧注意网络、侧颞叶和枕叶联合皮层[5,7,12–24]。此外，先前研究表明，在pAD中，淀粉样蛋白沉积与属于DMN、额顶和背侧、腹侧注意网络的区域存在空间重叠[25,26]。为量化重叠，这两项研究检查了功能网络图与淀粉样蛋白沉积图(从PET图像的体素或独立成分分析派生)之间的空间相似性。然而，这些研究均未测量个体内部的网络级Aβ负担。这种个体层面的方法可能揭示pAD中的早期网络脆弱性，并可能作为早期检测的标志物和干预目标。

因此，我们开发了网络淀粉样蛋白负担(NAB)来量化和比较大型功能网络中的Aβ负担。我们假设NAB会：(1)与年龄呈正相关；(2)在认知网络中高于非认知网络；(3)在认知网络中与年龄的关联更强；(4)在经神经放射学确定的Aβ+参与者中，认知与非认知网络间的差异大于Aβ-参与者；以及(5)与认知测试表现呈负相关。

方法

参与者

本研究使用了来自正在进行的社区居住、认知未受损成人纵向观察研究的基线数据。参与者通过电话接受资格标准筛选(表1)。除否认自我报告的认知问题外，我们排除了蒙特利尔认知评估(MoCA)调整年龄和教育的z分数≤-1.0的参与者[27,28]。缺乏客观和自我报告的认知障碍与定义pAD研究中认知未受损个体的标准标准一致[8,29]。因偶然MRI发现(n=2)或不完整的神经影像学或神经心理学数据(n=11)而被排除分析。共有157名参与者具有完整的基线数据(表2)。其中，28名参与者(17.8%)根据神经放射学PET解读为Aβ+。

影像获取

影像获取的详细信息已先前报道[30]。简言之，参与者在西门子Biograph mCT Flow PET/CT扫描仪上使用18F-florbetapir(Amyvid™)示踪剂接受Aβ PET/CT成像。每位参与者根据经培训阅读Amyvid™扫描的核医学放射科医师的解读被分类为Aβ+或Aβ-。参与者在研究专用的3T西门子Prisma MRI上接受脑部MRI。本文分析仅使用了结构(加权T1)图像，其参数为：获取时间=5分钟21秒，TR/TE=2300/2.25ms，体素大小=1mm³，视野=256mm。

影像处理和分析

影像分析流程如图1所示。所有影像处理和分析均使用FSL(FMRIB软件库，版本6.0.7.13)[31]进行。在对T1加权图像进行预处理后，我们将每位参与者的PET图像和100区域、7网络Schaefer功能网络图谱[32,33]注册到其T1(原生)空间(见图1，注册)。然后，我们从原生空间图谱创建7个网络感兴趣区域(ROI)，并将网络ROI掩膜仅包括灰质。最后，我们计算NAB作为每个网络内的平均标准摄取值比率(mSUVr)，计算方法为每个网络内平均SUV标准化为小脑的平均SUV(类似于先前计算AD相关皮层区域mSUVr的研究[34])。这为7个网络中的每一个产生了NAB值。然后我们计算：1)认知NAB，取认知网络(即额顶网络[FPN]、默认模式网络[DMN]、腹侧注意网络[VAT]、背侧注意网络[DAT]、边缘网络[LIM])的NAB值的平均值；以及2)非认知NAB，取视觉(VIS)和躯体运动(SOM)网络的NAB值的平均值。

神经心理学测试

参与者接受了美国国家阿尔茨海默病协调中心统一数据集(NACC UDS v3)第3版的神经心理学测试电池[35]。使用已发布的基于回归的规范[35]计算每个测试的年龄、教育和性别调整Z分数：Craft故事即时回忆(释义评分)、Craft故事延迟回忆(释义评分)、Benson图形复制、Benson图形回忆、类别(动物)流畅性、类别(蔬菜)流畅性、多语言命名测试、言语(F和L)流畅性、连线测试A部分、连线测试B部分、数字广度顺背、数字广度倒背。由于本研究关注pAD中的淀粉样蛋白分布，而pAD中全局认知表现通常基本保持完好，我们包括了一个总体认知综合分数来索引整体功能，同时检查记忆和执行功能域的特定综合分数。选择这些域是因为先前研究表明它们是对pAD认知变化最敏感的[36]。我们通过平均所有测试的z分数计算总体认知综合分数，记忆综合分数是Craft故事即时回忆(释义评分)、Craft故事延迟回忆(释义评分)和Benson图形回忆的平均z分数，执行功能综合分数是连线测试B部分和数字广度倒背的平均z分数[37]。

统计分析

所有统计分析均使用SAS® v9.4(SAS Institute, Cary, NC)进行。我们使用线性混合模型(LMMs)测试NAB在年龄、网络(认知vs.非认知和7个网络分别)、Aβ组及其交互作用方面的差异。所有模型均使用限制最大似然(REML)估计，并包括年龄作为连续协变量的固定效应和参与者的随机截距。使用非结构化协方差矩阵对重复测量进行建模，相对于具有复合对称协方差结构的模型，该矩阵显示出更优的模型拟合。

效应大小[38]通过使用常见的人与人之间的标准差(SD=0.0735)标准化模型估计效应来计算，该标准差基于分解总方差为人与人之间和人内成分的LMM估计。每个效应大小的分子基于模型估计的对比。模型包括一个或多个以下分类固定效应："网络类型"有两个水平(认知、非认知)，"7个网络"有七个水平(FPN、DMN、VAT、DAT、LIM、SOM、VIS，其中VIS被设为参考，因为它是解剖上远离早期淀粉样蛋白积累区域的感觉网络)，"Aβ组"有两个水平(Aβ+、Aβ-)。我们拟合了5个不同的模型(每个模型中NAB为因变量)来研究我们的假设。模型1包括年龄和"网络类型"的主效应。

模型2包括年龄、"网络类型"及其交互作用。模型3包括年龄、"7个网络"及其交互作用。模型4包括年龄、Aβ组、"网络类型"及其交互作用。模型5包括年龄、Aβ组、"7个网络"及其交互作用。对于每个LMM，似然比检验比较了完整模型与仅包含截距的零模型的拟合优度。所有模型均比零模型具有显著更好的拟合。对于包含所有7个网络的LMMs，使用Tukey HSD调整的成对比较测试了每个网络之间的差异。我们使用偏Spearman等级相关评估了认知NAB与认知(总体认知、记忆和执行功能综合z分数)之间的关联，控制年龄。

伦理

本研究获得了南卡罗来纳州医学大学机构审查委员会的批准。所有参与者均提供了书面知情同意。

结果

NAB在年龄和网络类型方面的差异

NAB与年龄呈正相关(B=0.003，SE=0.001，p=0.012，d=0.04)，表明年龄每增加一岁，NAB增加0.0026(表S1)。认知网络的NAB高于非认知网络(B=0.055，SE=0.07，p<0.001，d=0.74；表S1，图2)。然而，与年龄的交互作用不显著，表明认知与非认知网络间NAB差异的大小随年龄无显著变化(p=0.203；表S2)。认知网络的NAB与总体认知(rs=-0.071，p=0.381)、记忆(rs=-0.02，p=0.776)或执行功能(rs=-0.02，p=0.791)均无显著相关性。

7个网络间NAB的差异

在控制年龄的情况下，NAB在7个网络间存在显著差异，F(6,155)=3.70，p=0.0018(表S3)。模型估计的样本平均年龄下每个网络的NAB(即年龄调整的最小二乘均值)如图3A所示。网络间的Tukey-Kramer事后比较表明，与SOM相比，所有网络的NAB均显著更高。此外，DMN(Δ=0.01818，padj=0.0171)、FPN(Δ=0.02092，padj=0.0060)和VAT(Δ=0.02381，padj<0.0001)的NAB显著高于DAT。年龄X"7个网络"的交互作用也显著，F(6,155)=3.91，p=0.0012，表明年龄与NAB的关系在七个网络间存在差异。这种效应在FPN和DMN中最明显，表明与参考网络VIS相比，这两个网络随年龄增长的NAB增加更为显著(图3，表S3)。

NAB在Aβ状态和网络间的差异

Aβ+组的NAB总体高于Aβ-组，F(1,154)=56.84，p<0.0001。存在组X网络类型交互作用，即认知网络与非认知网络间NAB较高的效应在Aβ+组中大于Aβ-组(图4A和表S4)。还存在显著的组X"7个网络"交互作用，F(6,df)=29.53，p<0.0001，使得Aβ+与Aβ-组间NAB较高的效应在以下网络中最强(按效应大小递减顺序)：FPN、DMN、DAT、VAT(图4B和表S5)。

讨论

本研究调查了认知未受损成人中功能脑网络中淀粉样蛋白沉积如何随年龄和Aβ状态变化。使用一种新的网络淀粉样蛋白负担(NAB)指标，我们发现NAB与年龄相关，在认知网络中高于非认知网络，并且在选定的认知网络中表现出最强的年龄相关关联。此外，认知与非认知网络间NAB较高的效应在Aβ+个体中大于Aβ-个体，表明pAD中存在更大的网络级脆弱性。然而，在这个认知未受损样本中，认知NAB与认知综合分数无相关性。

本研究通过量化大型功能网络中的淀粉样蛋白负担，扩展了先前工作，揭示了跨网络的淀粉样蛋白积累差异。虽然先前工作评估了淀粉样蛋白沉积与功能网络的空间重叠[6,25,26]，但我们的方法使我们能够直接调查淀粉样蛋白负担如何在网络间变化。我们发现认知网络的NAB总体上显著高于非认知网络。在七个典型网络中，与躯体运动网络相比，所有网络的NAB均升高，DMN、FPN和VAT的效应最强。

此外，DMN和FPN显示出与VIS相比NAB随年龄增长的最大增加。观察到的这些网络中NAB升高与先前研究表明Aβ优先在高度连接、代谢活跃的区域积累相一致，特别是在DMN中[39–41]。这些发现共同支持量化pAD中早期Aβ沉积的网络框架。

关键的是，我们还发现，跨网络的这种Aβ沉积差异模式根据神经放射学定义的Aβ状态而变化。具体而言，认知网络与非认知网络间淀粉样蛋白负担较高的效应在Aβ+组(即pAD患者)中比Aβ-组更明显，且这种组间差异在FPN、DMN以及背侧和腹侧注意网络中最显著。也就是说，除了Aβ+个体中预期的全局淀粉样蛋白升高外，Aβ+与Aβ-个体相比，认知与非认知NAB之间的差异更大。pAD中的这种选择性网络脆弱性表明，认知网络可能作为早期干预和疾病监测的潜在靶点。这些发现支持认知NAB可能是AD病理过程的敏感生物标志物的观点。重要的是，NAB方法扩展了先前的空间重叠方法，提供了个体层面网络级Aβ负担的直接、定量测量。

认知NAB与认知测试表现之间缺乏相关性可能反映了多种因素。可能的是，在pAD阶段，网络级量化的淀粉样蛋白负担对早期、细微的认知缺陷不够敏感。或者，本研究中使用的认知测量(即从NACC神经心理学电池派生的综合分数)可能对pAD阶段存在的细微认知缺陷不够敏感。虽然综合测量比单个测试分数对pAD中的认知缺陷和AD生物标志物更敏感[36,42]，但关于pAD中评估认知的金标准测量尚未达成共识。在本研究中，总体认知综合分数的得分在淀粉样蛋白状态上无差异，并且大致限制在规范平均值以下和以上约1个SD范围内(见表2)，这表明测量的敏感性有限或组间认知无真实差异。可能Aβ+组的个体仍处于疾病早期阶段，淀粉样蛋白负担尚未升高到足以出现可检测的认知症状[43]。未来工作可包括纵向数据以评估NAB随时间的变化，并研究其是否预测使用对前驱阶段敏感的测量来评估细微的认知下降。

本研究有几个局限性，指出了重要的未来方向。首先，样本在社会人口学上相对同质，Aβ+仅占总样本的17%，因此需要在更大、更具代表性的样本中复制我们的发现，以确保对更广泛人群的可推广性。其次，我们的结果可能取决于影响在计算NAB前如何将PET信号分配给网络的分析选择(例如，图谱选择、注册、空间平滑、灰质掩膜等)。未来工作将透明地报告分析方法，以促进这些发现的复制和扩展至关重要。一个关键的未来方向是研究NAB如何与静息状态或认知任务期间测量的功能网络连接性相关。先前研究表明，连接性改变，特别是认知网络中的改变，先于认知障碍[44]，并可以预测随后的认知下降[45]，这表明将网络级淀粉样蛋白测量与连接性分析相结合可以阐明早期疾病机制并改善预测效用。虽然tau积累在前驱阶段最少，但评估tau在AD后期阶段是否也出现类似的网络特异性模式也是有益的。

总之，这些发现揭示了大型认知网络在pAD中早期易受淀粉样蛋白积累的影响。NAB可能为量化Aβ的网络级表达提供一种有前景的方法，有助于未来的早期检测、机制理解和干预目标。

作者贡献

Sara A Nolin(概念化、数据整理、调查、方法论、正式分析、初稿撰写、可视化)；Stephanie Aghamoosa(数据整理、方法论、正式分析、可视化、初稿撰写)；William J. Rieter(调查、审阅与编辑)；Averi Jones(数据整理、方法论、审阅与编辑)；Paul J Nietert(正式分析、审阅与编辑)；Andreana Benitez(资金获取、项目管理、调查、监督、审阅与编辑)。