相关基因表达(CGE)连接组
神经系统疾病（如神经退行性疾病、精神障碍等）往往表现出显著的临床异质性------同样诊断的患者，有人以记忆减退为首发症状，有人则先出现视觉空间障碍或执行功能下降。然而，传统的神经影像研究通常将患者作为一个整体与健康对照进行比较，这种"群体平均"策略虽然能揭示组间差异，却掩盖了患者之间可能存在的截然不同的病理进程。一个更根本的问题逐渐浮出水面：如果某种脑疾病实际上包含多种生物学亚型，那么这些亚型是否有着不同的分子起源？宏观的皮层厚度改变，能否追溯到微观的基因表达空间模式？
相关基因表达（Correlated Gene Expression，CGE）连接组正是为回答这一问题提出的新分析框架。它以全脑转录组数据为基础，通过计算脑区之间基因表达谱的相似性构建"分子连接组"，进而预测不同疾病亚型的皮层厚度偏差模式并定位病灶中心（epicenter）。换句话说，它将研究视角从"患者脑结构发生了什么变化"转向"这些变化为何在不同患者中表现出不同模式"，试图揭示隐藏在影像表型背后的基因调控逻辑。该框架不依赖特定疾病，可广泛应用于神经退行性疾病、精神分裂症、抑郁症等多种脑疾病的亚型研究。
一、为什么脑疾病亚型研究需要"基因视角"？
传统影像研究主要依赖结构MRI提取皮层厚度、海马体积等指标，通过病例-对照比较发现疾病相关的脑萎缩（或增厚）模式。这类分析的优势在于客观、可量化，但其本质仍是描述性的------它能告诉我们患者哪些脑区发生了结构改变，却难以解释"为什么是这个脑区而不是那个脑区"以及"为什么不同患者改变的区域不同"。
已有研究提示，许多脑疾病的病理传播并非随机，而是沿着特定的解剖连接网络扩散。然而，单纯的结构连接或功能连接只能解释传播的"通路"，却无法解释为什么某些脑区更容易成为病理起始的"震中"。近年来，转录组神经影像学（transcriptomic neuroimaging）的兴起为这一问题提供了新的线索：基因表达的空间异质性可能与脑区对病理的易感性密切相关。如果两个脑区在基因表达谱上高度相似，那么它们在疾病状态下可能表现出协同的形态学改变。
CGE连接组正是基于这一假设提出的。它不再局限于描述脑区之间的结构或功能连接，而是从分子层面构建脑区之间的"转录组相似性"网络，试图回答：基因的空间表达模式如何塑造宏观的神经解剖学异质性？不同疾病亚型的病理起始点是否与特定的转录组特征有关？
二、核心方法：从皮层厚度偏差到CGE连接组
该方法的核心创新在于将两种看似遥远的数据模态------个体水平的皮层厚度和全脑基因表达图谱------通过CGE连接组联系起来。其基本逻辑是：如果两个脑区在基因表达上高度相关，那么它们在疾病状态下的形态学变化也更可能趋于一致。基于此，研究者构建了一个"分子连接组"，用以预测不同疾病亚型的皮层厚度偏差空间分布。
CGE连接组构建：基因表达数据来自Allen Human Brain Atlas（AHBA），包含6名供体大脑的3,702个采样点、超过58,000个探针。原始数据通过abagen工具箱进行标准化预处理，包括强度过滤、RNA-seq相关性过滤、差异稳定性过滤、样本归一化和基因注释。最终将采样位置映射到Desikan-Killiany图谱定义的308个皮层区域，得到9,016个基因的区域表达矩阵。随后，计算所有脑区对之间基因表达向量的Pearson相关系数，构建308×308的CGE连接矩阵（仅保留正相关，r>0）。矩阵中的每个元素ρij代表脑区i和j之间的转录组相似性。
皮层厚度偏差量化：对于每位患者，采用W-Score方法计算其相对于年龄、性别匹配的健康对照群体的皮层厚度标准化偏差。W-Score以个体为单位，避免了群体平均对个体差异的掩盖，能够更灵敏地捕捉每位患者独特的异常模式。
亚型识别：基于患者群体的W-Score图谱，使用密度峰值聚类（Density Peak Clustering，DPC）算法进行亚型划分。DPC不需要预先指定聚类数量，通过计算每个样本的局部密度ρ和相对距离δ，自动识别聚类中心。最终，数据本身的结构将患者分为两个主要亚型（具体数量由数据决定）。
三、模型流程：从影像数据到亚型预测
整个分析流程可概括为三个步骤：
第一步：数据预处理与特征提取。将所有参与者的T1加权MRI图像经FreeSurfer进行表面重建和皮层分割，基于Desikan-Killiany图谱提取308个脑区的平均皮层厚度。同时，从AHBA获取基因表达数据，经abagen预处理后得到区域表达矩阵。
第二步：亚型聚类与CGE预测。计算每位患者的W-Score图谱，通过DPC算法识别亚型。同时，利用全脑CGE连接矩阵，对每个脑区i计算其"CGE预测的皮层厚度偏差"WCGE------即该脑区所有CGE邻居的W-Score的加权平均值，权重为CGE连接强度。随后，检验WCGE与实际观测值W之间的相关性，评估CGE连接组的预测能力。
第三步：Epicenter定位与基因富集分析。对每个脑区，综合其自身W-Score排名和CGE邻居平均W-Score排名，计算epicenter指数，识别每个亚型的潜在病理起始区。最后，提取epicenter区域的高表达基因，通过Metascape进行GO生物学过程富集分析，揭示分子层面的病理通路。
图1.研究框架。从结构MRI提取皮层厚度，结合AHBA基因表达数据构建CGE连接组，通过DPC聚类识别AD亚型，进而预测皮层厚度偏差并定位epicenter。
四、如何解读CGE结果：预测不等于因果，相关不等于驱动
CGE连接组的核心输出是"预测值WCGE与实际观测值W之间的相关性"。当这一相关性显著时，说明脑区之间的转录组相似性确实与它们在疾病中的形态学共变模式有关。然而，在解读这一结果时需要特别注意：
第一，CGE相关性反映的是统计关联，而非直接的因果机制。基因表达相似的两个脑区在疾病中表现出相似的皮层厚度变化，这可能是由于它们共同受到某种上游调控因子的影响，也可能是因为它们共享相似的细胞类型组成或神经递质受体分布。因此，不能说"基因表达直接导致了皮层厚度变化"，更合理的解释是：转录组特征为脑区的病理易感性提供了分子背景。
第二，epicenter的识别基于"传播潜力"的假设，即病理沿着CGE连接组的结构扩散。这一假设虽然与神经退行性疾病"朊蛋白样传播"的理论相契合，但当前研究并未纳入纵向数据来验证传播方向。因此，epicenter应被理解为"与该亚型病理最相关的起始候选区"，而非已证明的传播源头。
第三，某些亚型中可能观察到"皮层增厚"现象，这尤其需要谨慎解读。增厚可能反映胶质增生、炎症浸润或代偿性水肿，而非神经元增生。因此，CGE预测的偏差模式必须结合病理生理学背景进行综合解释，不能简单等同于"结构增强"。
五、应用场景一：揭示疾病亚型的神经解剖学差异
CGE连接组的第一个直接应用是识别和描述不同疾病亚型的脑结构改变模式。在一项以神经系统疾病为对象的研究中，DPC聚类将患者分为两个规模相近的亚型，它们的皮层厚度偏差模式几乎呈互补分布。
图2.两种亚型的皮层厚度偏差(W-Score)空间分布对比。
更重要的是，CGE连接组成功预测了这两种截然不同的偏差模式：亚型1中WCGE与实际W的相关系数，经spin test校正后仍显著。这说明，即使两种亚型的形态学改变方向相反，它们都遵循着同一套"基因表达相似性规则"------转录组相似的脑区倾向于共变。
图3.CGE连接组预测皮层厚度偏差的效果。
六、应用场景二：Epicenter定位与基因富集分析
CGE连接组的第二个重要应用是定位每个亚型的epicenter，并通过基因富集分析探索其分子机制。
Epicenter分布：综合自身W-Score排名和CGE邻居平均排名后，可以确定亚型1与亚型2的epicenter。两种亚型的epicenter空间分布几乎完全不重叠，表明它们可能沿着不同的"基因-解剖"路径传播。
图4.两种AD亚型的Epicenter脑区空间分布。
基因富集分析：提取epicenter区域高表达基因，通过Metascape进行生物学过程富集分析（FDR校正，p<0.05）。
图5.Epicenter区域基因富集的生物学通路网络。
七、临床意义与未来展望
CGE连接组作为一种"分子连接组"工具，其价值在于帮助研究者回答传统结构/功能连接分析难以触及的问题。
例如：不同神经精神疾病亚型是否具有不同的转录组-影像关联模式？CGE连接组可为疾病分型提供分子层面的依据。
脑区之间的基因表达相似性如何影响它们在疾病中的共变程度？这有助于理解病理传播的选择性脆弱性。
特定治疗干预（如抗炎药、神经营养因子）是否通过改变特定脑区的基因表达谱来重塑宏观结构？
健康人群中的皮层厚度协变网络是否与CGE连接组存在对应关系？这可为正常脑老化研究提供基线。
总体而言，CGE连接组不是要取代传统的结构或功能连接，而是提供一种正交的、分子维度的连接度量，与其他连接模态相互补充，共同构建多尺度的脑网络图谱。
结语
CGE连接组的核心价值在于，它将长期分离的两个层面------宏观的神经解剖学表型和微观的基因表达空间模式------通过一个可计算的连接矩阵联系了起来。某疾病研究案例不仅识别出两种具有截然不同皮层厚度改变方向的亚型，还证明转录组相似性可以有效预测这些偏差的空间分布，并据此定位了各自潜在的病理起始区。这一发现充分展示了CGE连接组在解析疾病异质性方面的强大潜力。
从更广泛的视角来看，CGE连接组代表了一种日益重要的研究范式：利用全脑基因表达图谱为神经影像数据提供分子注解。它不再满足于描述"患者哪些脑区发生了改变"，而是追问"为什么改变发生在这些脑区"以及"不同患者为何改变不同"。尽管CGE预测的关联性有待纵向数据和因果实验的进一步验证，但它已为精准分型、靶点发现和个体化预后评估提供了具有生物学依据的新框架。随着多模态整合方法的成熟，CGE连接组有望在多种脑疾病研究中发挥更大的桥梁作用。
参考文献
-
Hansen, J. Y., Shafiei, G., Voigt, K., Liang, E. X., Cox, S. M. L., Leyton, M., ... & Misic, B. (2023). Integrating multimodal and multiscale connectivity blueprints of the human cerebral cortex in health and disease. PLoS Biology, 21(9), e3002314.
-
Romero-Garcia, R., Whitaker, K. J., Váša, F., Seidlitz, J., Shinn, M., Kong, R., ... & Goodyer, I. M. (2018). Structural covariance networks are coupled to expression of genes enriched in supragranular layers of the human cortex. NeuroImage, 171, 256--267.
-
Seeley, W. W. (2017). Mapping neurodegenerative disease onset and progression. Cold Spring Harbor Perspectives in Biology, 9(8), a023622.
-
Li, J., Long, Z., Sheng, W., Du, L., Qiu, J., Chen, H., & Liao, W. (2024). Transcriptomic similarity informs neuromorphic deviations in depression biotypes. Biological Psychiatry, 95(8), 753--763.
扫下方二维码免费获取
相关基因表达(CGE)连接组专题
文献及资料汇总！
👇👇👇
