首页   ·   旧站栏目   ·   科研   ·   科研平台1   ·   生物医学大数据中心

依托世界上最大的脑数据库,研究多模态、多尺度和多中心数据算法理论及应用,利用脑数据库的跨学科特性,开展神经科学、心理学、医学、数学与计算机科学等多学科前沿交叉研究,在脑疾病、癌症、心血管疾病等方面推动精准医学和个性化医疗转化研究,特别是应用与发展机器学习和统计学习等类脑智能方法,寻找脑疾病在基因、影像和认知功能等方面的有效诊断指标,提升脑重大疾病临床诊断以及药物疗效评估的准确性和效率;以数据为驱动,结合医学和生物理论,探索脑疾病致病机制;通过无创观测手段,开展定量化人脑研究,揭示创造力、幸福感等人脑的宏观行为指标的生物基础。

团队PI人员

冯建峰 |

主要研究方向


方向一:构建多尺度脑数据库

利用美国HCP、英国Biobank等大型国际数据库,和我们自主采集的精神疾病和健康队列的数据,组建世界上独特的人脑大数据库。

方向二:脑疾病病理机制研究

采用跨学科交叉方法,研究重大脑疾病如抑郁症、精神分裂症、自闭症和物质滥用的病根,为临床治疗探索病理基础。

方向三:定量化人脑

通过各种无创的观测手段,利用和扩充已有的多尺度大数据库,构建和预测人脑的各种宏观指标如创造性、幸福感和毅力等,利用相关研究成果促进类脑智能技术的研发。

研究进展


首次构建大脑功能网络动态图谱,揭示大脑网络动态变化机制

冯建峰教授团队首次构建了大脑功能网络动态图谱,揭示了脑功能网络动态变化的机制。发现脑功能网络可变性反应了神经可塑性,并与智商、创造力高度相关。

大脑功能网络的可变性与学习记忆等高级认知功能密切相关。但目前脑功能网络可变性的机制仍不清楚。冯建峰教授团队提出了一种在脑区全局连接的尺度上刻画脑功能网络可变性的指标,发现与学习、记忆紧密关联的脑区如海马、颞下回,嗅皮层、尾状核等脑区均表现出高“可变性”。这些区域同其他部分的连接模式变动更加频繁,构成了大脑可学习性的基础。“而人脑中与智力相关性小的区域,包括视觉、听觉和感觉运动区,皆表现出了低‘可变性’”,见下图。脑网络的‘可变性’受局部神经活动调制,这意味着可利用经颅刺激等手段调节局部神经活动来控制大脑的‘可变性’,进而帮助疾病治疗。对大脑网络动态性机制的揭示,也为未来开发具有学习,成长以及自适应能力的人工智能提供了理论支撑。

目前,人工智能系统并不具备“可变性”和“适应性”。而这两种人类独特的智能特性,已被该研究证实对于人类大脑的学习能力至关重要的。大脑网络动态图谱的绘制,未来可被应用于构造更先进的人工神经网络,使计算机具备学习、成长和自适应的能力。这一研究成果还在脑重大疾病的诊疗上带来重大发现,在精神分裂症患者、自闭症患者以及多动症患者的大脑默认网络中,都可以观察到“可变性”的状态变异。这也意味着,大多数精神疾病的根源来自于大脑可变性或可塑性方面的改变,这一认识可使科学家们能够更有效的治疗甚至是预防精神疾病的发生。

该论文被选为当期编辑推荐以及封面论文。美国2014年麦克阿瑟天才奖得主,Danielle Bassett教授专门在同期为此研究撰写了题为“The flexible brain”的评论,该评论认为“这项工作是我们在理解大脑网络动态变化道路上的一块重要基石(an important stepping-stone)。

Reference:《Neural, electrophysiological and anatomical basis of brain-network variability and its characteristic changes in mental disordersJie Zhang*, Wei Cheng, Zhaowen Liu, Kai Zhang, Xu Lei, Ye Yao, Ben Becker, Yicen Liu, Keith Kendrick, Guangming Lu, and Jianfeng Feng*, Neural, electrophysiological and anatomical basis of brain-network variability and its characteristic changes in mental disorders, Brain (2016) 139 2307-2321, doi: doi: 10.1093/brain/aww143.

文章链接:http://dx.doi.org/10.1093/brain/aww143

提出用于分析fMRI数据的全脑关联分析(BWAS)方法,探寻自闭症异常神经回路

冯建峰教授团队联合华威大学、牛津大学、同济大学的研究人员,提出了一种全新的脑功能影像数据的分析方法,称为之全脑关联分析(Brain-Wide Association Analysis,BWAS)。这种方法首次把脑功能连接分析提高到全脑体素水平,建立超高维度的全脑功能连接图谱,并利用脑影像大数据成功找到与自闭闭显著关联的脑区及脑区之间连接。

传统的脑功能连接分析由于样本量的限制,统计效能较低,无法实现全脑体素水平的功能连接分析。冯建峰教授团队提出的BWAS方法利用大数据,不基于任何先验的假设对全脑任意两个体素间的功能连接进行分析,可直接从1,134,570,430功能连接中找到显著关联的功能连接。通过对近1000个自闭症及正常对照组息态功能核磁共振数据进行分析,团队成功找到20个与自闭症最相联的脑区。其中包含了多个与自闭症相关的神经环路。比如颞叶视觉皮层与腹内侧前额皮层的功能连接显著减弱。颞叶视觉皮层,主要参与社交行为中的人脸表情识别;腹内侧前额皮层与情感、社交密切相关。人脸表情以及区分自我和环境是人脑theory of mind的两个重要组成成份。这些脑区之间功能连接的减弱可能导致自闭症症状的主要原因之一

与传统的功能连接分析方法,如种子点法,独立成分分析法,不同之处在于,BWAS是基于体素水平的功能连接分析,全脑任意两个体素的功能连接都会在正常人与病人之间进行比较,这是一种纯数据驱动的方法,不需要任何先验的假设。且该方法为功能连接分析提供了一种标准的模式,这种标准化的范式使其他研究小组相关结果精确比较对照以及荟萃分析成为可能。随着脑影像数据的不断积累,这种分析方法势必会得到越来越广泛的应用。并且能够非常容易推广到其他认知相关的疾病中,比如强迫症、多动症和精神分裂症等,帮助探究这些重大精神疾病相关的脑区,为开发治疗药物、指定治疗方案提供理论基础。

Reference:《Autism: Reduced Connectivity between Cortical Areas Involved in Face Expression, Theory of MindCheng W, Rolls ET, Gu HG, Jie Zhang, Jianfeng Feng*. Autism: Reduced Connectivity between Cortical Areas Involved in Face Expression, Theory of Mind, and the Sense of Self, Brain (2015) 138 1382–1393, doi: 10.1093/brain/awv051

文章链接:  https://doi.org/10.1093/brain/awv051

研究揭示抑郁病人不同的憎恨机制

目前抑郁症已成为仅次于艾滋病的第二大经济负担,对抑郁症患者的关注和干预显得日益重要。冯建冯教授团对,通过分析正常人与病人全脑功能网络的差异,发现抑郁症可能与“憎恨”脑网络的消失有关,并可能由此导致抑郁症患者难以控制对自己或他人的负面情绪,这一发现或许能够为抑郁症患者的治疗提供新的靶点。

大脑中的“憎恨”网络由额上回、杏仁核、壳核等区域组成。当人们看到自己厌恶或者有强烈感情的人或事物时,这些脑区即会被激活。冯建峰教授团队通过功能核磁影像数据建立健康人全脑功能连接网络,并将其与15位首发抑郁症患者和24位难治性抑郁症患者的脑功能网络进行比较,找到了抑郁症患者相比正常人大脑功能连接网络发一些比较显著的变化,包括“憎恨”网络的消失,以及涉及危机反应、情感、注意力、记忆力等功能网络的变化。该工作可为抑郁症的早期诊断和治疗提供有益的帮助。

这一发现也有其社会意义:社会中的个体恰当、适度地宣泄其负面“憎恨”的情绪,有助于其心理及精神的调节;或者说,“爱憎分明”的人群患抑郁症的概率可能会低于不易产生“憎恨”情绪的人群。

Reference:《Depression Uncouples Brain Hate Circuit Tao H, Guo S, Ge T, et al. Depression uncouples brain hate circuit[J]. Molecular Psychiatry, 2013, 18(1): 101-111.  DOI:10.1038/mp.2011.127

文章链接: http://www.nature.com/mp/journal/v18/n1/full/mp2011127a.html

精准定位抑郁症脑功能异常区域

利用团队自主开发的全脑关联分析(BWAS)方法, 冯建峰教授团队同自英国华威大学、牛津大学、西南大学等研究人员共同采集了目前世界上最大的抑郁症静息态脑影像数据队列,并首次精确定位抑郁症患者功能异常区域,极有可能为目前抑郁症的治疗带来革命性的突破。

利用全脑关联分析方法(BWAS)对421个抑郁症病例及488个正常对照组的静息态功能磁共振数据进行分析,发现抑郁症能够影响部分非奖赏功能相关的脑区——外侧眶额皮层,并且这些区域与自我功能相关的脑区连接增强。这一发现将有助于帮助我们理解为什么抑郁症病人会经常有失落和沮丧的情绪以及强烈的个人挫败感。同时,抑郁症患者与奖赏相关的功能脑区——内侧眶额皮层,与负责记忆的脑区连接减弱。这一连接的减弱有可能影响患者对愉悦记忆的储存与提取。该研究的研究成果有助于帮助更深入地了解抑郁症的病理机制,为当前抑郁症临床治疗技术如精神药物疗法以及认知行为疗法等带来新的变革, 为未来经颅刺激等疗法提供新的可靠靶点。

该研究成果被《科学世界报道》(science World Report)、《全球新闻》(global News)、 《今日心理学》(Psychology Today)等海外几十家媒体予以焦点报道。美国科学促进会(AAAS)主办的权威网站EureKAIert以“揭示抑郁症大脑致病根源,为新的治疗手段提供思路”为题,对这一研究进行了报道。《今日心理学》认为,“该研究是一项突破性进展,为抑郁症治疗找到了病根”

说,“爱憎分明”的人群患抑郁症的概率可能会低于不易产生“憎恨”情绪的人群。

Reference:《Medial reward and lateral non-reward orbitofrontal cortex circuits change in opposite directions in depression Cheng W, Rolls E T, Qiu J, et al. Medial reward and lateral non-reward orbitofrontal cortex circuits change in opposite directions in depression[J]. Brain, 2016, 139(12): 3296-3309. DOI: 10.1093/brain/aww255

文章链接: https://doi.org/10.1093/brain/aww255

发现精神分裂症患者大脑可能的自愈机制

冯建峰教授团队通过对精神病患者MRI 影像数据分析,发现受精神分裂症影响的大脑或会进行重组并且抵御疾病发展,该研究或可帮助科学家们理解精神分裂症发生的机制,同时为开发新型疗法治疗相关疾病提供帮助。

冯建峰教授团队收集了98名精神分裂症患者及83名健康对照组的MRI 影像数据。利用协方差分析方法,发现精神分裂症患者大脑的特殊部位的组织发生了少量增加,同时其它区域的灰质含量却减少了。精神分裂症患者的大脑会慢慢变得“正常”,这一研究结果或与此前建立的关于精神分裂症的理论相违背,此前科学家们认为精神分裂症在发病初期会永久性地损伤大脑组织,而且这些损伤不会被逆转。而该研究结果表明,尽管精神分裂症会带来严重的组织损伤,但精神分裂症患者的大脑却会不断尝试着自我组装,而且尽可能地去恢复或抑制损伤的进展。

目前我们并不清楚引发精神分裂症的具体作用机制,很多药物和疗法都可以降低患者的疾病效应,从而帮助患者正常的生活,然而基于当前的最新研究结果,我们就可以对精神分裂症发病的分子机制进行更加深入的研究。未来,研究院团队将进一步探索重组织脑区的变化机制。

Reference:《Dynamic cerebral reorganization in the pathophysiology of schizophrenia: a MRI-derived cortical thickness study Guo S, Palaniyappan L, Liddle P F, et al. Dynamic cerebral reorganization in the pathophysiology of schizophrenia: a MRI-derived cortical thickness study[J]. Psychological Medicine, 2016, 46(10): 2201-2214. DOI: 10.1017/S0033291716000994

文章链接: https://doi.org/10.1017/s0033291716000994

发现母乳喂养的母亲群体中分泌的“信任”荷尔蒙

冯建峰教授团队揭露了哺乳进程中母亲体内一种与信赖、友谊亲近相干的非常重要的荷尔蒙排泄与大脑神经细胞状况之间的亲近瓜葛。

母亲在哺乳进程中,其体内必要排泄大量的荷尔蒙才能促使乳腺排泄乳汁,以到达哺养孩子的目标。然而,长久以来,科学家不停没法解释如许大量的荷尔蒙到底是从何而来、由何种机制进行调控的。该工作对这一问题给与了回答。冯建峰教授领导的研究团队发现,为了响应婴儿的哺乳请求,母亲的大脑神经末梢开始释放催产素。但令人惊讶的催产素也可以由树突释放,其作用通常是接收信号而不是发送信号。利用数学模型,研究人员指出,这些由树突释放的催产素可以增强神经元之间的协作能力,为生产更多的催产素打下基础。

这是一个“处理紧急事件”的一个例子,正如密切合作的活动没有单一的领导者,就如鸟群和昆虫群体一样。这些脉冲的产生是因为,哺乳过程中,催产素相关的神经元同步爆发。但这种爆发的产生机制一直是一个科学难题。这种模式还可帮助我们研究和解释其它许多类似的大脑活动,寻找大脑中重要活动的可能解释。

Reference:《Dynamic cerebral reorganization in the pathophysiology of schizophrenia: a MRI-derived cortical thickness study Rossoni E, Feng J, Tirozzi B, et al. Emergent Synchronous Bursting of Oxytocin Neuronal Network. PLOS Computational Biology, 2008, 4(7). DOI:  10.1371/journal.pcbi.1000123

文章链接: https://doi.org/10.1371/journal.pcbi.1000123

发表成果(2015-2016)


  1.  

    1. CY Tao, Jianfeng Feng (2017). Canonical kernel dimension reduction. Computational Statistics and Data Analysis. 107: 131-148.

    2. Wei Cheng, Edmund T. Rolls, Jiang Qiu, Wei Liu, Yanqing Tang, Chu-Chung Huang, XinFa Wang, Jie Zhang, Wei Lin, Lirong Zheng, JunCai Pu, Shih-Jen Tsai, Albert C Yang, Ching-Po Lin, Fei Wang, Peng Xie, Jianfeng Feng (2016). Medial reward and lateral non-reward orbitofrontal cortex circuits change in opposite directions in depression. Brain doi:10.1093/brain/aww255.

    3. Jie Zhang, Wei Cheng, Zhaowen Liu, Xu Lei, Ye Yao, Ben Becker, Yicen Liu, KeithKendrick, Guangming Lu, Jianfeng Feng (2016). Neural, electrophysiological and anatomical basis of brain-network variability and its characteristic changes in mental disorders. Brain. doi:10.1093/brain/aww143

    4. Shuixia Guo, Lena Palaniyappan, Peter F. Liddle, Jianfeng Feng (2016). Dynamic Cerebral Reorganisation in the Pathophysiology of Schizophrenia: A MRI derived Cortical Thickness Study Psychological Medicine. 46 :2201–2214.

    5. Q Wang, Jianfeng Feng (2016). The CHRM3 gene is implicated in abnormal thalamo-orbital frontal cortex functional connectivity in first-episode treatment-naive patients with schizophrenia. Psychological Medicine. 46 :1523–1534.

    6. Weidan Pu, Qiang Luo, Jianfeng Feng (2016). Failed cooperative, but not competitive, inter-action between large-scale brain networks impairs working memory in schizophrenia. Psychological Medicine doi:10.1017/S0033291715002755

    7. CY Tao, Jianfeng Feng (2016). Nonlinear Association Criterion, Nonlinear Granger Causality and Related Issues with applications to Neuroimage Studies. J. Neurosci Methods. 262 : 110–132.

    8. Huiru Cui, Jie Zhang, Jianfeng Feng (2016). Differential alterations of resting-state functional connectivity in generalized anxiety disorder and panic disorder. Human Brain Mapping. 37 :1459–1473.

    9. KC Kadosh, Jianfeng Feng (2016). Using real-time fMRI to influence differential effective connectivity in the adolescent emotion regulation network. NeuroImage . 125 :616–626.

    10. Jia TY, Jianfeng Feng (2016). The neural basis of reward anticipation and its genetic determinants. PNAS. 113(14) : 3879-3884.

    11. Shamsideen A Ojelade, Jianfeng Feng (2015). Rsu1 Regulates Ethanol Consumption in Drosophila and Humans. PNAS. 112(30) : E4085–E4093.

    12. Yao Y, Jianfeng Feng (2015). Variability of structurally constrained and unconstrained functional connectivity in schizophrenia Human Brain Mapping. 36(11) : 4529–4538.

    13. Jiewei Liu, Bing Su, Yin Mo, Tian Ge, Yi Wang, Xiong-jian Luo, Jianfeng Feng, Ming Li,, Bing Su(2015). Allelic Variation at 5-HTTLPR is Associated with Brain Morphology in a Chinese Population. Psychiatry Research. 226 : 399–402.

    14. Xinjun Gan, Bing Xua, Xiaoxi Ji, Wenlian Lu, David Waxmana, Jianfeng Feng (2015). A Statistical Approach for Detecting Common Features. J. Neurosci Methods. 247 :1–12.

    15. Cheng W, Jianfeng Feng (2015). Voxel-based, brain-wide association study of aberrant functional connectivity in schizophrenia implicates thalamocortical circuitry Nature Partner Journal Schizophrenia doi:10.1038/npjschz.2015.16.

    16. Cheng W, Rolls ET, Gu HG, Zhang J, Jianfeng Feng (2015). Autism: Reduced Connectivity between Cortical Areas Involved in Face Expression, Theory of Mind, and the Sense of Self . Brain . 138 :1382-1393.

    17. Shuixia Guo, Sarina Iwabuchi, Vijender Balain, Jianfeng Feng, Peter Liddle, and Lena Palaniyappan (2015). Cortical folding and the potential for prognostic neuroimaging in schizophrenia. B J Psychiatry . 207 (5) 458-459.