5月8日，中科院上海生命科学研究院神经科学研究所王征研究组在《IEEE Transactions on Medical Imaging》杂志在线发表了题为《Discriminative Structured Feature Engineering for Macroscale Brain Connectomes》的科研论文。这项工作通过利用宏观脑功能联接图谱中隐含的结构化信息，为研究脑影像学生物标记提供了一种新的方法。

　　近几年来，机器学习在人工智能、互联网等领域取得了突破性进展，也越来越多地应用于解决生物医学问题。机器学习分类算法不仅可以辨别正常人和病人大脑网络内在的、带有判别信息的生物标记，也可以分析临床精神类药物和安慰剂对大脑活动干预的差别性生物标记。目前研究判别性生物标记的方法仍主要采用传统的机器学习算法（如支持向量机SVM和逻辑回归logistic regression等），而这类通用型算法往往忽视特定问题中所隐含的结构化信息，导致数据分类判别的灵敏性和特异性都不够理想。

　　在这项工作中，王征研究组利用近年来对于宏观脑联接图谱的图论研究成果，即疾病或药物所影响脑功能连接往往相对集中在某些与之相关的特定脑区（如实验室近期工作Lv et al., Biol Psychiatry, 2015），提出了一种最小化结构正则损失函数的方式，使得算法在求解过程中更加自动倾向于定位出具有特定结构的判别信息，同时过滤与生物噪音等相关的孤立特征。研究团队首先在计算机生成的模拟数据集上测试算法，得到的结果明显优于单变量统计检验、逻辑回归以及随机算法stability selection。然后基于猕猴磁共振脑功能联接图谱数据，辨别快速抗抑郁药物氯胺酮和安慰剂对大脑功能网络调控的特征，帮助深入理解氯胺酮的抗抑郁机理。研究团队还应用此算法分析临床重度强迫症病人和正常对照人群的脑功能联接图谱，挖掘与强迫症病理相关的判别性神经环路特征，这将有助于推动磁共振影像学结果用于精神类疾病的临床诊断。

　　此项工作由博士后浦剑和阿里巴巴公司西雅图数据科学与技术中心王骏博士，在上海交通大学附属瑞金医院功能神经外科孙伯明主任，日本大阪大学信息和神经网络中心刘国相博士和实验室其他成员共同协助下，由王征研究员指导完成。此课题在中国科学院上海生命科学大型仪器区域中心3T脑功能成像平台完成相关实验数据收集工作。

　　图（a）显示本方法与其他三类代表方法的性能对比

　　图（b）显示重度强迫症病患与正常人脑功能联接图谱的内在判别特征

　　图（c）显示氯胺酮和生理盐水对猕猴脑功能联接图谱的调控差别特征