Covariaciones en materia gris y autismo: el Proyecto Europeo Longitudinal de Autismo de la UE-AIMS


Covariaciones de la materia gris y síntomas centrales del autismo: el Proyecto Europeo Longitudinal de Autismo de la UE-AIMS



POR TING MEI, ALBERTO LLERA, DOROTHEA L. FLORIS, NATALIE J. FORDE, JULIAN TILLMANN, SARAH DURSTON, CAROLIN MOESSNANG, TOBIAS BANASCHEWSKI, ROSEMARY J. HOLT, SIMON BARON-COHEN, ANNIKA RAUSCH, EVA LOTH, FLAVIO DELL'ACQUA, TONY CHARMAN, DECLAN G. M. MURPHY, CHRISTINE ECKER, CHRISTIAN F. BECKMANN, JAN K. BUITELAAR EL GRUPO EU-AIMS LEAP


Fuente: Molecular Autism / 30/10/2020

Fotografía: Pixabay

Molecular Autism volumen 11, Número de artículo: 86 (2020)

Resumen

Antecedentes

Los estudios de morfometría basada en vóxeles (VBM) en el trastorno del espectro autista (autismo) han dado resultados divergentes. Ello podría atribuirse en parte a que las alteraciones estructurales se asocian a la influencia combinada de varias regiones y no a una sola región. Además, estas diferencias de covariación estructural pueden estar relacionadas con medidas continuas del autismo más que con contrastes categóricos de casos y controles. El presente estudio tuvo por objeto identificar las alteraciones de covariación estructural en el autismo y evaluar las correlaciones canónicas entre los patrones de covariación cerebral y los síntomas centrales del autismo.

Métodos

Estudiamos 347 individuos con autismo y 252 individuos con desarrollo típico, de entre 6 y 30 años, que han sido profundamente fenotipados en el Proyecto Longitudinal Europeo de Autismo. Los mapas VBM de todos los participantes se descompusieron en componentes espaciales independientes usando un análisis de componentes independientes. Se utilizó un modelo lineal generalizado (GLM) para examinar las diferencias entre casos y controles. A continuación, se realizó un análisis de correlación canónica (CCA) para explorar por separado los efectos integrados entre todas las fuentes cerebrales de variación de la materia gris y dos conjuntos de síntomas centrales del autismo.

Resultados

Los análisis del GLM mostraron diferencias significativas en el control de casos para dos componentes independientes. El primer componente se asoció principalmente con la disminución de la densidad de la ínsula bilateral, el giro frontal inferior, la corteza orbitofrontal y el aumento de la densidad del núcleo caudado en el grupo de autismo en relación con los individuos de desarrollo típico. El segundo componente estaba relacionado con la disminución de la densidad de la amígdala bilateral, el hipocampo y el giro parahipocampal en el grupo de autismo en relación con los individuos de desarrollo típico. Los resultados del CCA mostraron correlaciones significativas entre los componentes que involucraban la variación del tálamo, el putamen, el giro precentral, los lóbulos frontal, parietal y occipital, y el cerebelo, y comportamientos repetitivos, rígidos y estereotipados y comportamientos sensoriales anormales en los individuos con autismo.

Limitaciones

Sólo el 55,9% de los participantes con autismo habían completado los datos del cuestionario sobre las medidas continuas de los síntomas comunicadas por los padres.

Conclusiones

Las áreas covariadas asociadas con el diagnóstico y/o los síntomas del autismo están dispersas por todo el cerebro e incluyen el sistema límbico, los ganglios basales, el tálamo, el cerebelo, el giro precentral y partes de los lóbulos frontal, parietal y occipital. Algunas de estas áreas potencialmente conservan el comportamiento socio-comunicativo, mientras que otras pueden sustentar el procesamiento y la integración sensorial, y el comportamiento motor.

Antecedentes

El trastorno del espectro autista (en adelante, autismo) es una condición del desarrollo neurológico de aparición temprana caracterizada por deficiencias centrales en la interacción social y la comunicación, junto con intereses y comportamientos restrictivos y anomalías sensoriales [1]. Los estudios de resonancia magnética (MRI) han aumentado nuestra comprensión de los fundamentos neuroanatómicos del autismo y muestran que el autismo está asociado, a nivel grupal, con cambios estructurales del cerebro [2]. Sin embargo, muchos resultados no son sólidos en los diferentes estudios. Por ejemplo, dos estudios que utilizaron el mismo conjunto de datos de acceso abierto a gran escala de Intercambio de Datos de Imágenes Cerebrales de Autismo (ABIDE) [3] llegaron a diferentes conclusiones con respecto al volumen del palidón [4, 5]. Además, en todos los enfoques del cerebro completo que investigan las características corticales (es decir, el grosor y el área de la superficie de la cortical) y subcorticales (es decir, el volumen) han sido incoherentes; dos estudios analíticos de estimación agrupados a gran escala observaron resultados divergentes de los cambios corticales en el autismo [6, 7]. De manera similar, los estudios sobre el autismo que cuantificaban la densidad de materia gris en función del vóxel (GM) también encontraron resultados divergentes de las diferencias de GM entre los individuos con diagnóstico de autismo y los individuos de control; por ejemplo, los meta-análisis informaron de diversos cambios de la morfometría GM en los individuos autistas en promedio, informando de un aumento o disminución de la densidad del giro temporal inferior derecho en el autismo [8, 9]. Incluso teniendo en cuenta la edad, los estudios siguieron observando diferentes alteraciones estructurales del cerebro en niños y adolescentes con autismo [10, 11].

Una característica común de todos estos estudios es su dependencia de las estadísticas de masa univariante. Este enfoque identifica alteraciones en regiones aisladas o vóxeles, pero ignora las posibles relaciones entre ellas. El cerebro es un complejo sistema de redes interconectadas, y la investigación sobre la base neural del autismo ha pasado de centrarse en las anomalías locales a conceptualizar el autismo como un trastorno de alteraciones en la conectividad estructural y funcional del cerebro [12].

Esto implica que las alteraciones cerebrales estructurales en el autismo probablemente reflejan la influencia combinada de varias regiones y no se limitan a una región específica [13, 14]. El presente documento tiene por objeto avanzar en los trabajos anteriores sobre los correlatos neurales estructurales cerebrales del autismo de dos maneras. En primer lugar, nos proponemos apartarnos del enfoque univariado estándar e incorporar una alternativa que se adhiera más estrechamente a la hipótesis del autismo como síndrome de desconexión [13], proporcionando así una mayor sensibilidad a los efectos entre grupos. Para ello, identificamos fuentes interregionales de covariación estructural utilizando el análisis de componentes independientes (ICA) [15], un enfoque no supervisado basado en datos que permite la identificación de regiones cerebrales interconectadas en todo el cerebro.

Anteriormente se ha aplicado con éxito para identificar la covarianza de la morfometría cerebral en pacientes con trastornos psiquiátricos [16,17,18]. En segundo lugar, pasamos de la comparación categórica de casos y controles de autismo a la exploración de las asociaciones entre la estructura cerebral y las dimensiones o perfiles de los síntomas del autismo. Aunque en estudios anteriores se han utilizado enfoques univariantes para explorar la relación entre los sustratos del cerebro y los fenotipos clínicos [6, 19], esas asociaciones son potencialmente la consecuencia de efectos integrados a través de múltiples dimensiones de los síntomas y regiones cerebrales, en lugar de simples asociaciones entre una región cerebral específica y una dimensión sintomática específica. Para estudiar tales asociaciones multidimensionales los métodos multivariados son efectivos [20, 21] y aquí logramos esta integración utilizando el Análisis de Correlación Canónica (CCA) [22].

En resumen, investigamos las alteraciones en las covariantes morfométricas GM en una gran muestra de control de casos de autismo europeo profundamente fenotipada [23, 24] que nos permite mejorar nuestra comprensión de las alteraciones cerebrales estructurales correlacionadas en el autismo. Posteriormente, nos centramos en la covariación entre las características estructurales identificadas y los perfiles de comportamiento de los síntomas entre los individuos con autismo.

Métodos

Participantes

Los participantes fueron seleccionados de la primera oleada del conjunto de datos del Proyecto Europeo Longitudinal de Autismo (LEAP) de la Unión Europea sobre Intervenciones en el Autismo - Estudio multicéntrico para el desarrollo de nuevos medicamentos (EU-AIMS), que es un gran estudio multicéntrico que tiene por objeto identificar y validar los biomarcadores del autismo [24]. En total, participan seis centros: Instituto de Psiquiatría, Psicología y Neurociencia, King's College London, Reino Unido; Centro de Investigación del Autismo, Universidad de Cambridge, Reino Unido; Centro Médico de la Universidad de Radboud, Nijmegen, Países Bajos; Centro Médico de la Universidad de Utrecht, Países Bajos; Instituto Central de Salud Mental, Mannheim, Alemania; y Campus Universitario Bio-Médico, Roma, Italia. Cada participante se sometió a una evaluación clínica, cognitiva y de resonancia magnética. Los diagnósticos de autismo fueron confirmados por los clínicos de acuerdo con el Manual de Diagnóstico y Estadística-IV (DSM-IV), la Clasificación Estadística Internacional de Enfermedades y Problemas Relacionados con la Salud 10ª Revisión (ICD-10), o el DSM-5. El estudio fue aprobado por los comités éticos locales en cada centro participante, y el consentimiento informado escrito fue proporcionado por todos los participantes y/o sus tutores legales (para aquellos < 18 años de edad).

Para más detalles sobre el diseño experimental y las evaluaciones clínicas, ver [23, 24].

En el presente estudio, seleccionamos a los participantes con los datos disponibles de la resonancia magnética estructural. Todas las imágenes fueron inspeccionadas visualmente y los participantes fueron excluidos en casos de lesión cerebral o anormalidades estructurales (por ejemplo, ventrículos agrandados o quistes), movimiento excesivo de la cabeza o fallo de preprocesamiento (n = 29). Excluimos a los participantes del sitio de Roma debido al bajo tamaño de la muestra (n = 1). También excluimos a los participantes sin datos de cociente de inteligencia a escala real (FSIQ) en los análisis estadísticos posteriores (n = 5). Esto dio como resultado una muestra de 599 participantes de 5 sitios, incluidos 347 individuos con autismo y 252 controles de desarrollo típico (TD). La información demográfica y clínica se muestra en el Tabla 1.

Tabla 1. Características de los participantes

(Véase en inglés en el siguiente enlace)

https://molecularautism.biomedcentral.com/articles/10.1186/s13229-020-00389-4/tables/1


Medidas clínicas

Utilizamos la Entrevista de Diagnóstico de Autismo-Revisada (ADIR) [25] y el Programa de Diagnóstico de Observación de Autismo 2 (ADOS) [26] para cuantificar los síntomas de autismo pasados (de 4 a 5 años y anteriores) y actuales de los dominios de interacción social, comunicación y conductas repetitivas restringidas (RRB). Utilizamos las puntuaciones T (ajustadas por edad y sexo) de la Escala de Respuesta Social 2 (SRS) [27] en el grupo de autismo para evaluar la severidad de los rasgos/síntomas autistas y la Escala de Comportamientos Repetitivos-Revisados (RBS) [28] para medir los comportamientos repetitivos y rígidos asociados con el autismo. Además, las anormalidades de procesamiento sensorial del autismo fueron evaluadas con el Perfil Sensorial Corto (SSP) [29]. Para examinar las asociaciones entre las características clínicas del autismo y las medidas del cerebro, creamos dos conjuntos de medidas clínicas: (1) las puntuaciones de la subescala de ADI-R y ADOS, ambos instrumentos fueron calificados por examinadores calificados, y (2) las puntuaciones totales de SRS, RBS, y SSP, incluimos sólo informes calificados por los padres y limitamos los análisis a dentro del grupo de autismo. Además, con respecto al efecto potencial de la comorbilidad con el Trastorno por Déficit de Atención e Hiperactividad (TDAH), incluimos la comorbilidad con el TDAH como una covariable adicional en los análisis. Los síntomas del TDAH se evaluaron con la escala de calificación DSM-5 del TDAH que incluye escalas de síntomas de falta de atención y síntomas de hiperactividad/impulsividad. La escala de calificación del TDAH DSM-5 se basó en las puntuaciones de los informes de los padres o de los autoinformes; las puntuaciones de los autoinformes sólo se utilizaron cuando los informes de los padres no estaban disponibles. En este estudio se utilizó el resultado categórico de la escala de calificación del TDAH. El resumen de cada una de estas medidas clínicas puede encontrarse en la Tabla 1.

Adquisición de datos de resonancia magnética

Todos los participantes fueron escaneados en 3 escáneres de resonancia magnética T (Universidad de Cambridge: Siemens Verio; King's College London: GE Medical Systems Discovery MR 750; Universidad de Mannheim: Siemens TimTrio; Universidad de Radboud: Siemens Skyra; Universidad de Roma: GE Medical Systems Sigma HDxTt; Universidad de Utrecht: Philips Medical Systems Achieva/Ingenia CX). Se obtuvieron imágenes estructurales de alta resolución ponderadas en T1 con cobertura total de la cabeza, con un grosor de 1,2 mm y una resolución en el plano de 1,1 × 1,1 mm. Para todos los demás parámetros de escaneo, por favor vea el archivo adicional 1: Subsección 1.

Estimación de la densidad GM

La morfometría basada en el vóxel (VBM) es un enfoque de todo el cerebro sin sesgos espaciales que extrae estimaciones de la densidad de GM en función del vóxel (la cantidad de GM en un vóxel).

Realizamos los análisis de VBM utilizando la caja de herramientas CAT12 [30] en SPM12 (Wellcome Department of Imaging Neuroscience, Londres, Reino Unido). Las imágenes ponderadas T1 fueron automáticamente segmentadas en GM, materia blanca, y líquido cefalorraquídeo y afín registradas en la plantilla de MNI para mejorar la segmentación. Todos los mapas GM segmentados resultantes se utilizaron entonces para generar una plantilla específica para el estudio y se registraron en el espacio de la MNI a través de un algoritmo de registro difeomórfico no lineal de alta dimensión (DARTEL) [31]. Se incluyó un paso de modulación jacobiana utilizando los campos de flujo para preservar la información de los vóxeles sobre el volumen de tejido local. Las imágenes se suavizaron con un núcleo gaussiano isotrópico de 4 mm de ancho máximo (FWHM).

Se generó un informe completo de control de calidad por el conducto de la SPM del CAT para cada participante que incluía visualizaciones de la segmentación, que se evaluaron visualmente, y medidas cuantitativas de calidad que incluían la correlación media del módulo de homogeneidad de la muestra y calificaciones ponderadas de la calidad general de la imagen que se utilizaron adicionalmente para detectar y excluir las imágenes de calidad insuficiente para su inclusión en el análisis. Se verificaron visualmente las imágenes con una correlación media inferior a tres desviaciones estándar de la media de la muestra. En consecuencia, cinco participantes requirieron una inspección visual después del preprocesamiento, mientras que a ninguno de ellos se le observaron artefactos obvios, por lo que fueron incluidos en los análisis finales.

Descomposición estructural del ICA

Los datos de VBM de todos los participantes se descompusieron simultáneamente en 100 fuentes de variación espacial independientes utilizando MELODIC-ICA [15]. Esa descomposición del ICA proporciona, en cada componente independiente, un mapa cerebral que refleja un patrón de covariación de la densidad de GM entre los participantes, y un vector de carga del participante que refleja la contribución de cada participante a cada componente. Los órdenes de modelos más altos (es decir, el número de componentes) tienden a extraer mapas más escasos desde el punto de vista espacial, y por lo tanto la variación de los vectores de carga de los participantes se explicaría por subconjuntos más pequeños de participantes. Por consiguiente, se eligieron 100 componentes para captar la mayor cantidad de variación posible, sin dejar de estar potenciados estadísticamente. Sin embargo, la elección del orden del modelo es heurística, por lo que examinamos la dependencia del orden del modelo utilizando diferentes dimensionalidades; más precisamente, además de la factorización de 100 dimensiones, también consideramos un enfoque de estimación automática de las dimensiones, tal como se aplica en MELODIC-ICA, y una factorización de 50 componentes independientes de las dimensiones.

Resultados

Estadísticas de masas y variables

El análisis estándar de masa univariante GLM de los datos VBM que comparan los casos y los controles no mostró diferencias de grupo significativas para los volúmenes GM de vóxeles después de la corrección de la comparación múltiple. Proporcionamos los resultados estadísticos no corregidos (p < 0,05) en el archivo adicional 1: Subsección 5.

Efecto de grupo en la descomposición del ICA

La descomposición de los datos estructurales de la ACI proporcionó un conjunto de 100 fuentes espaciales independientes, cada una de las cuales está conectada a un vector que representa el grado de contribución de cada participante a los componentes correspondientes. Para mayor claridad, nos referimos a estos vectores como las cargas de los participantes. Los análisis del GLM posteriores a las cargas de los participantes mostraron diferencias de control de casos en nueve componentes independientes (IC) (p < 0,05, es decir, IC10, IC13, IC14, IC15, IC23, IC28, IC31, IC48 y IC 99, véase el archivo adicional 1: subsección 6). De estos, dos componentes, IC10 (β=-0.147, p = 8.850 × 10-5, tamaño del efecto [Cohen's d] d = - 0.358) e IC14 (β=-0.132, p = 5.450 × 10-4, d = - 0.321), sobrevivieron a la corrección por comparación múltiple (FDR corregido, p < 8.072 × 10-4). Estos resultados no fueron impulsados por la edad, el sexo o el lugar de la exploración.

En la Fig. 1, presentamos imágenes de resumen que reflejan las áreas cerebrales involucradas en las variaciones estructurales que ocurren en estos dos componentes. La fila superior de la Fig. 1 muestra que IC10 se relaciona principalmente con la variación estructural en la ínsula bilateral, el giro frontal inferior (IFG), la corteza orbitofrontal (OFC) y los núcleos caudales. Entre estas regiones del cerebro, el caudado bilateral presenta alteraciones en la dirección opuesta a las otras. Dado el coeficiente beta negativo obtenido del análisis del GLM entre las cargas de los participantes en el IC10 y las etiquetas de los grupos de diagnóstico, los individuos con autismo demuestran un aumento de las densidades de GM en el caudado bilateral y una disminución de las densidades en la ínsula bilateral, el IFG y el OFC. La fila inferior de la Fig. 1 muestra que el IC14 implica principalmente variaciones en la amígdala bilateral, el hipocampo y el giro parahipocampal (PHG). De manera similar, según el signo de los valores beta obtenidos a través del GLM, el grupo de autismo muestra una disminución de las densidades en las áreas involucradas en el IC14.

Fig. 1


Los componentes mostraron importantes diferencias de control de casos. Los mapas de los componentes tenían un umbral de 3<||Z|<5. IC10, componente número 10; IC14, componente número 14

La solidez de los resultados del ICA a la elección del orden del modelo se evaluó considerando, además de la factorización original de 100 dimensiones, un procedimiento de estimación automática de la dimensionalidad que dio lugar a una factorización de 91 dimensiones y a una factorización de 50 dimensiones. Observamos que los principales componentes comunicados (IC10 y IC14) son altamente reproducibles independientemente de la elección del orden del modelo. Para más detalles, véase el archivo adicional 1: Subsección 7.

Para validar que los resultados de la ICA no estuvieran sesgados por los participantes de bajo coeficiente intelectual, se realizó una validación adicional teniendo en cuenta el FSIQ para excluir a los participantes de la Lista D de la factorización de la ICA. Esto demostró que un CI único, correspondiente al CI10 original, sobrevivió a la corrección FDR (véase el archivo adicional 1: Subsección 3). Además, el efecto de la comorbilidad con el TDAH en las variaciones estructurales del cerebro se determinó utilizando los datos de 500 participantes (para información demográfica detallada, véase el Archivo adicional 1: Subsección 3). Este análisis demostró que el IC14 seguía estando significativamente asociado con el grupo de autismo (FDR corregido, p = 9.669 × 10-4). Sin embargo, IC10 ya no se asoció con el autismo (p = 0.004).

Además, los análisis GLM post hoc de las relaciones entre los IC cerebrales y las calificaciones de los síntomas no proporcionaron ninguna asociación significativa (Archivo adicional 1: Subsección 8).

Relacionar los patrones de variación espacial de la materia gris con los perfiles de los síntomas

Como paso final, aplicamos la CCA para examinar las asociaciones entre los 100 componentes y los dos conjuntos de medidas clínicas entre los casos de autismo solamente. La CCA1 (que vincula las puntuaciones de la subescala ADI y ADOS con las medidas del cerebro), involucró a 325 participantes con autismo y mostró una relación significativa de Bonferroni corregida (p = 0,05/5 = 0,010) (Fig. 2a,c, r = 0,701, permutación p = 0,008). En este modo principal de CCA, IC16, IC61, IC89 y IC14 fueron los que más contribuyeron a la correlación con los síntomas del autismo, y la subescala ADOS RRB fue la que más contribuyó a la asociación con las medidas cerebrales (Fig. 3a, b). Entre los cuatro componentes, IC16 implicó principalmente variaciones de densidad en el tálamo bilateral y el putamen (peso canónico: 0,447), IC61 en el occipital lateral derecho y el lóbulo parietal superior izquierdo (peso canónico: - 0,366), y IC89 en el giro precentral derecho (peso canónico: - 0,333). Para más detalles, véase el archivo adicional 1: Subsección 9. Obsérvese que el IC14 se encuentra entre los componentes previamente reportados que muestran efectos de grupo de casos y controles lineales significativos. Las regiones implicadas en el IC14 se mencionaron anteriormente (peso canónico: - 0,312). Dado que las puntuaciones más altas del ADI y ADOS reflejan síntomas más severos de autismo, los valores positivos del IC16 sugieren que una mayor carga en este componente está relacionada con síntomas más severos en el autismo, y los valores negativos del IC61, IC89 y IC14 significan que cargas más bajas en estos tres IC están asociadas con síntomas más severos. En la Fig. 2a, los participantes fueron codificados por color de acuerdo a sus puntajes de ADOS-RRB para ilustrar cómo el puntaje de ADOS-RRB impulsa la correlación canónica.

Fig. 2


La primera fila muestra el diagrama de dispersión del principal modo de CCA de las covariaciones estructurales del cerebro frente a los perfiles de síntomas para CCA1 y CCA2 respectivamente. Un punto por participante en cada gráfico está codificado con colores de gradiente de acuerdo con las puntuaciones de ADOS RRB (a) y SSP (b), respectivamente. La segunda fila muestra los histogramas de la distribución nula de los valores de correlación obtenidos del modo principal de CCA en las permutaciones de 10.000 participantes al azar en la muestra de autismo con las puntuaciones de ADI y ADOS (c), y con las puntuaciones de SRS, RBS y SSP (d). El verdadero valor r está marcado con una cruz roja. ADI, Entrevista de Diagnóstico de Autismo-Revisada; ADOS, Programa de Observación de Diagnóstico de Autismo 2; SRS, Escala de Respuesta Social 2ª Edición; RBS, Escala de Comportamientos Repetitivos-Revisada; SSP, Perfil Sensorial Corto; RRB, comportamientos restringidos y repetitivos

Fig. 3


La fila superior muestra los coeficientes canónicos corregidos (pesos) del modo principal de CCA para los análisis de CCA1 (ADI&ADOS), y la fila inferior para los análisis de CCA2 (SRS&RBS&SSP). a, c muestra el grado en que cada componente del cerebro contribuyó al modo principal de CCA en cada análisis. Los dos componentes con efectos de grupo significativos se muestran en rojo. b, d muestran el grado en que cada perfil de síntomas contribuye a cada análisis. CCA, análisis de correlación canónica; ADI, Entrevista de Diagnóstico de Autismo-Revisada; ADOS, Programa de Observación de Diagnóstico de Autismo 2; SRS, Escala de Respuesta Social 2ª Edición; RBS, Escala de Comportamiento Repetitivo-Revisada; SSP, Perfil Sensorial Corto

En el CCA2 vinculamos las puntuaciones del SRS, RBS y SSP con las medidas cerebrales de 194 individuos con autismo, que es el 55,9% de todos los participantes con autismo (número inferior debido a la falta de datos del cuestionario). Encontramos una relación significativa corregida por Bonferroni (p = 0,05/3 = 0,017) (Fig. 2b, r = 0,840, permutación p = 0,002, Fig. 2d). En este modo principal de CCA, IC82, IC99 e IC100 fueron los mayores contribuyentes a la correlación con los perfiles de comportamiento, y la puntuación SSP cargó más en la asociación con las medidas del cerebro en el grupo de autismo (Fig. 3c, d). El IC82 implicó principalmente variaciones en el cerebelo bilateral (peso canónico: 0,414), el IC99 en el lóbulo occipital y parietal lateral izquierdo y en el giro precentral bilateral (peso canónico: 0,277), y el IC100 en el giro frontal inferior izquierdo y en el lóbulo frontal medio derecho (peso canónico: 0,262). Para más detalles, véase el archivo adicional 1: Subsección 9. De manera similar, las cargas más bajas en estos tres CI estaban relacionadas con síntomas más severos. En la Fig. 2b, cada participante fue codificado por color de acuerdo a su puntuación SSP, y muestra cómo la puntuación SSP impulsa la correlación. En este caso, tanto el IC10 como el IC14 se clasificaron fuera de los 20 primeros de los 100 componentes, lo que sugiere que estos dos componentes con una diferencia significativa de casos y controles no tienen una fuerte contribución a la correlación del CCA2. Sin embargo, para completar, la interpretación directa (referida a los coeficientes no corregidos) de los pesos del CCA2 sitúa al IC14 como el tercer contribuyente más fuerte a esta correlación canónica (Archivo adicional 1: Subsección 10).

Los análisis de robustez de la CCA indicaron que los principales modos de la CCA de ambos análisis de la CCA se estimaron de manera fiable en un entorno de dejar un tema fuera (Archivo adicional 1: Subsección 4). En CCA1, los pesos del modo principal de CCA de cada análisis de dejar-un-sujeto fuera se correlacionaron en promedio por encima de 0,94 con los pesos del modo principal original de CCA en las cargas cerebrales y por encima de 0,95 en los fenotipos de comportamiento cuando la muestra era mayor de 122 participantes. En CCA2, los pesos del modo CCA principal se relacionaron en promedio por encima de 0,92 en las cargas cerebrales y por encima de 0,96 en los perfiles de comportamiento cuando la muestra fue mayor de 111 participantes. Ambos análisis de CCA no son reproducibles para tamaños de muestra menores de (aproximadamente) 100 participantes.