综述：癫痫中的高频振荡与睡眠纺锤波：从机制到建模

《Frontiers in Neurology》：High-frequency oscillations and sleep spindles in epilepsy: from mechanisms to modeling

　　

摘要：高频振荡（HFOs）和睡眠纺锤波是非快速眼动（NREM）睡眠中的关键神经节律，对信息处理和癫痫研究具有重要意义。本综述总结了HFOs和纺锤波的神经生理学基础，重点阐述了交叉频率耦合及其在癫痫中的病理性改变。交叉频率耦合反映了丘脑皮质-海马网络内的时空协调，可作为区分生理与病理活动以及定位致痫区的电生理标志物。为弥合临床观察与潜在机制之间的差距，研究人员评估了神经质量模型（NMMs）在阐明这些振荡的产生和异常耦合方面的潜力。最终，多模态电生理学与计算模型的整合为提升癫痫诊断精度和个性化治疗干预提供了一条变革性路径。

**1 引言**：该章节介绍癫痫作为慢性神经系统疾病，约30%为药物难治性癫痫（DRE），需精确定位致痫区。高频振荡（HFOs）和睡眠纺锤波是NREM睡眠的关键节律，其交叉频率耦合（CFC）对信息处理和癫痫病理至关重要。计算模型尤其是神经质量模型（NMMs）为整合多尺度发现提供理论框架，弥合临床观察与机制间的差距。

**2 高频振荡（HFOs）的神经机制**
**2.1 HFOs的定义与起源**：HFOs指频率超过80 Hz的电活动，分为生理性涟波（Ripples，80-200/250 Hz）和病理性快涟波（Fast ripples，200-500 Hz或更高）。生理性涟波由抑制性和兴奋性神经元同步活动驱动，尤其在皮质-海马回路；病理性快涟波表现为神经元群体异步放电，常见于致痫区。HFOs产生依赖特异性结构，海马CA1和CA3区是涟波热点，丘脑-皮质通路调节皮质HFOs节律性。
**2.2 HFOs的功能与病理学意义**：生理性涟波在慢波睡眠（SWS）期间伴随海马-皮质重放，对记忆巩固关键。病理性快涟波是致痫区重要生物标志物，其产生与兴奋-抑制平衡破坏相关，如GABA能中间神经元异常、Cl^-稳态紊乱导致GABA受体去极化。这些变化可通过NMMs参数模拟。

**3 睡眠纺锤波的神经生理学基础**
**3.1 睡眠纺锤波的定义与生成**：睡眠纺锤波为11-16 Hz短暂振荡，持续0.5-2秒，主要出现于NREM 2期，分为慢纺锤波（11-13 Hz，额区）和快纺锤波（13-16 Hz，顶区）。其生成依赖丘脑皮质中继（TCR）神经元与丘脑网状核（TRN）相互作用，TRN中抑制性神经元通过GABA_A受体介导相位抑制激活低阈值T型钙通道（Ca_v3.x），引发反弹爆发放电。
**3.2 丘脑皮质结构影响**：纺锤波空间分布受丘脑皮质回路约束，白质微结构影响其功率和密度。局灶性癫痫患者纺锤波密度显著降低，快纺锤波尤甚，与网络异常相关。这些变化为计算模型提供关键生理参数。

**4 高频振荡（HFOs）与睡眠纺锤波耦合的跨频动态**
**4.1 生理性HFOs-纺锤波耦合**：动物与人体研究显示，生理性涟波常发生于纺锤波波谷（约180°），此时丘脑皮质兴奋性最高，促进海马-皮质信息传递。慢波-纺锤波-HFOs三重耦合模型揭示嵌套时间序列：慢波下降相触发纺锤波，其兴奋峰诱导海马涟波，实现记忆转移与巩固。该过程在SWS期间反复出现。
**4.2 病理条件下的异常耦合**：病理性快涟波和发作间期癫痫样放电（IEDs）显著破坏与纺锤波正常耦合。快涟波优先出现于慢波UP-DOWN转换期，脱离生理性三重耦合。异常耦合表现为相位-振幅耦合（PAC）增强，空间上集中于致痫区。该转变视为内源性协调框架的“机制性劫持”。
**4.3 跨频耦合的临床价值**：快涟波作为致痫区生物标志物，结合纺锤波耦合特征可提高定位精度。异常快涟波-纺锤波耦合的强度和分布可能指导手术切除边界与预后。病理性HFOs与棘波共现具有高度特异性，异常耦合与儿童局灶性癫痫认知下降相关，但因果关系需纵向研究验证。

**5 临床与计算建模应用**
**5.1 计算建模的原理**：经验性iEEG无法直接解析突触动力学，神经质量模型（NMMs）通过将生理耦合转化为可调参数（如抑制性突触增益A、时间常数a）提供现象学测试平台。调节这些参数可模拟病理性相位偏移。
**5.2 跨频耦合的NMM公式**：NMMs基于线性突触滤波器（d²V(t)/dt² + 2a·dV(t)/dt + a²V(t) = A·a·m(t)）和非线性Sigmoid函数（Q(t) = Q_max / [1+exp(-r(V(t)-V_th))]）描述平均场动力学。调节丘脑网状核（TRN）的A_inh或a_inh可系统研究纺锤波-涟波耦合破坏机制。现有模型（如RE-NMM、CFE-TCM）已模拟慢波及纺锤波动态，未来需整合超快突触动力学。
**5.3 多模态整合与未来展望**：NMMs作为分层生成前向模型，结合动态因果建模（DCM）和贝叶斯反演可估计个体化突触参数。个性化建模有望预测手术策略对耦合的影响，指导致痫区定位与功能保留。混合深度学习（DL）框架可加速反问题求解，推动跨频耦合从静态标志物向动态计算靶点转变。

**6 总结**：本综述综合证据表明，从生理睡眠节律向癫痫网络的转变以慢波-纺锤波-HFOs序列病理性去耦为特征。NMMs提供连接细胞病理与宏观EEG的理论框架。未来需纵向多模态设计及混合NMM-DL框架，促进个性化预测建模与闭环神经调控优化。