用于免疫代谢性抑郁的多模态神经-人口统计学特征

《Biological Psychiatry: Cognitive Neuroscience and Neuroimaging》：A Multimodal Neuro-Demographic Signature for Immuno-Metabolic Depression

本研究针对抑郁症的免疫代谢亚型（IMD），结合结构及功能MRI多模态数据，通过主成分分析和机器学习区分IMD与非IMD组，发现右杏仁核体积及海马、中扣带回的功能活动是关键预测因素，并验证了IMD亚型的特异性。

　　

聂兆文|马思蒙|邓志鹏|王伟|周恩琪|康立军|姚丽华|龚倩|布丽红|牛志丽|刘中春

武汉大学人民医院精神病学系，中国武汉430060

摘要

背景

最近发现的一种免疫代谢性抑郁（IMD）亚型属于重度抑郁症（MDD），其特征是低度炎症和代谢紊乱，但其背后的神经生物学机制仍不清楚。

方法

我们整合了145名MDD患者和68名健康对照组（HC）的多模态神经影像学数据（结构/功能MRI）和人口统计学信息。通过主成分分析，根据C反应蛋白、BMI、甘油三酯和高密度脂蛋白胆固醇水平定义了一个综合IMD评分，然后利用机器学习方法对高IMD评分组（IMD组，n=37）和低IMD评分组（非IMD组，n=37）进行二分类。结构MRI（皮层厚度和灰质体积）、静息态功能MRI（ReHo/fALFF）以及人口统计学协变量被用作预测因子。

结果

多模态模型在区分IMD组和非IMD组方面表现良好（平均交叉验证AUC = 0.826 ± 0.098）。此外，该模型在MDD内部亚型分类方面的效果更为显著，相较于区分MDD与HC（非IMD组与HC的平均交叉验证AUC分别为0.647 ± 0.151和0.741 ± 0.111），表明其具有亚型特异性。关键预测因子包括右侧杏仁核体积以及海马体和中央扣带回皮层的功能活动（ReHo/fALFF）。临床结果显示，IMD组的快感缺失症状明显更严重（p = 0.04），而躯体症状评分较低（p < 0.05）。

结论

我们的分析表明，IMD具有独特的多模态神经-人口统计学特征，涉及皮质-边缘系统回路。这一特征在揭示MDD异质性方面具有高度特异性，并且与快感缺失症状相关，支持基于生物学特征的患者分层可能性。

引言

重度抑郁症（MDD）是一种高度异质性的疾病，缺乏可靠的生物亚型划分阻碍了精准医学的发展。免疫代谢性抑郁（IMD）作为一种临床相关的亚型，估计影响了20-30%的MDD患者。IMD的特征包括低度全身炎症（如C反应蛋白升高）、代谢紊乱（如血脂异常）以及一系列与能量相关的症状（如快感缺失和疲劳）。这种特征与治疗抵抗性和较差的预后相关，因此迫切需要能够特异性识别这些患者的生物标志物。 神经影像学研究已经开始揭示MDD中与周围炎症和代谢异常相关的神经机制，涉及杏仁核、海马体、扣带回皮层、颞叶和前额叶皮层等皮质-边缘区域。结构MRI发现表明，免疫代谢标志物与这些区域的体积减少和皮质改变有关。然而，免疫代谢紊乱的功能后果仍相对较少被探索，关于静息态功能指标（包括区域均匀性ReHo和低频波动ALFF/fALFF）的证据也有限且分散。此外，现有研究主要依赖于单模态成像方法。这种对单模态方法的依赖限制了我们捕捉与免疫代谢紊乱相关的复杂脑部异常的能力，也阻碍了可靠生物标志物的识别。 为了解决这些问题，本研究采用机器学习方法寻找IMD的多模态神经-人口统计学特征。我们整合了预先选定的与免疫代谢调节相关的皮质-边缘区域的结构和静息态功能指标（ReHo、fALFF），具体包括杏仁核、海马体、扣带回皮层和颞叶。我们假设：（1）具有高IMD特征的患者表现出独特的多模态神经特征，将其与非IMD患者区分开来；（2）这种特征与特定的临床症状（如快感缺失）相关；（3）所识别的特征是MDD内部异质性的特异性表现，而非疾病与对照组之间的普遍差异。

研究设计与参与者

本研究利用了武汉大学人民医院开展的“抑郁症早期预警与综合干预”（ESCID）项目的数据。MDD患者来自医院的精神科门诊和住院病房，健康对照组（HC）则通过广告在当地社区招募。所有参与者的纳入标准为：（1）年龄在18至50岁之间；（2）至少完成初中教育。

免疫代谢标志物的主成分分析

由四个标准化生物标志物（CRP、TG、HDL-C倒数和BMI）得出的IMD_PC1解释了MDD患者组内43.5%的变异。较高的IMD_PC1评分代表更严重的IMD特征，表现为全身炎症升高、脂质代谢异常和体重增加。变量载荷和详细的PCA结果分别见补充图S1和补充表S1。

人口统计学和临床特征

共有213名参与者被纳入研究（145名MDD患者）。

讨论

本研究探讨了MDD内部提出的免疫代谢性抑郁亚型的潜在神经生物学相关性。通过结合多种预选神经影像学特征和人口统计学协变量的机器学习方法，我们观察到IMD组和非IMD组之间存在一定程度的分离（平均交叉验证AUC = 0.826 ± 0.098）。值得注意的是，这种多模态特征在区分MDD亚型与健康对照组方面效果较差，表明其具有MDD内部异质性的特异性。

利益冲突声明：

所有作者均无生物医学财务利益或潜在的利益冲突。

伦理批准声明：

武汉大学人民医院伦理委员会批准了本研究方案（WDRY2020-K191）。

患者知情同意声明：

所有参与者均被告知研究目的并同意参与。

致谢

本研究得到了中国国家重点研发计划（项目编号2024YFC3308400）和国家自然科学基金（项目编号U21A20364、82401785）的资助。