通过无监督深度表示学习技术（针对分数各向异性图），捕捉到了白质微结构的遗传特征

《Nature Communications》：Genetic architecture of white matter microstructure captured by unsupervised deep representation learning of fractional anisotropy maps

　　

摘要

扩散磁共振成像（diffusion MRI）中的分数各向异性（fractional anisotropy, FA）是评估白质（white matter, WM）完整性的常用指标，但传统的基于FA的遗传学研究通常依赖于基于纤维束或图谱定义的平均值，这些平均值可能会掩盖白质在空间上的分布差异，从而限制遗传学研究的发现。在这里，我们提出了一种深度学习框架，称为“无监督的白质深度表示”（unsupervised deep representation of WM, UDR-WM），该框架利用体素级别的FA图谱来生成全脑范围的无监督深度成像表型（unsupervised deep imaging phenotypes, UDIP-FA），而无需任何先验的解剖学假设。与传统FA表型相比，UDIP-FA对衰老的敏感性更高，并且基于单核苷酸多态性（SNP）的遗传率也显著更高。多变量全基因组关联分析（multivariate GWAS）发现了586个位点上的939个关键SNP，这些SNP与3,480个UDIP-FA相关基因相关。这些基因主要富集在胶质细胞中，尤其是星形胶质细胞和少突胶质细胞，并在蛋白质相互作用和共表达网络中形成了与疾病相关的模块，这些模块涉及髓鞘形成和轴突结构。UDIP-FA在遗传学上与多种脑部疾病、认知特征以及多基因风险相关。综上所述，我们的结果表明，UDIP-FA提供了对白质的生物学上有意义的视角，补充了传统的基于感兴趣区域（ROI）的FA测量方法，并为研究白质的遗传结构提供了更精细的手段。