《BMC Psychiatry》：Screening for peripheral blood biomarkers and construction of a diagnostic model for adolescent depression based on metabolomics and machine learning
编辑推荐：
本研究针对青少年抑郁症临床诊断缺乏客观生物标志物的问题，研究人员通过非靶向代谢组学分析与LASSO、随机森林、支持向量机等机器学习算法，筛选出酪氨酸、3-羟基-N,N,N-三甲基-1-丙胺氯化物和十四酰甘氨酸3个核心差异代谢物，并构建了逻辑回归诊断模型。该模型在训练集、交叉验证及独立验证集中均表现出优异性能（AUC高达0.944-0.968），为理解青少年抑郁症的代谢机制及开发客观辅助诊断工具提供了新见解。
在青少年心理健康领域，抑郁症如同一片笼罩的阴云，其发病率持续攀升，对社会和个人构成了严峻挑战。然而，当前临床诊断主要依赖医生与患者访谈、使用汉密尔顿抑郁量表等主观评估工具，缺乏如血液检测般客观、可量化的生物标志物。这种“主观诊断”模式，可能导致误诊、漏诊，或无法及时捕捉疾病的早期生物学信号。正因如此，探寻隐藏在血液等体液中的、能够客观反映疾病状态的分子“指纹”，成为了破解青少年抑郁症诊断困境的关键。代谢组学，这门系统研究生物体内所有小分子代谢物（<1500 Da）的科学，为此提供了强大的工具。它能够全景式地揭示疾病状态下的代谢紊乱网络，为发现潜在的诊断标志物开辟了新途径。
为了应对这一挑战，研究人员开展了一项旨在筛选青少年抑郁症外周血生物标志物并构建诊断模型的研究。他们招募了85名青少年抑郁症患者和46名健康青少年作为对照，采集了他们的外周血浆样本。研究团队采用了非靶向代谢组学分析技术，对样本中的代谢物进行了无偏向性的全面检测。随后，他们运用差异分析筛选出在两组间存在显著差异的代谢物。为了从众多差异物中揪出最核心、最稳定的特征，研究巧妙地引入了三种不同的机器学习算法——LASSO回归、随机森林和支持向量机进行交叉验证与筛选。最终，基于筛选出的核心代谢物，构建了一个逻辑回归诊断模型，并综合利用受试者工作特征曲线下面积、校准曲线、决策曲线分析、5折交叉验证以及一个独立的验证集，对该模型的诊断效能与稳定性进行了全面而严谨的评估。
本研究主要采用了以下关键技术与方法：
- 1.
研究对象与样本：研究纳入了85名青少年抑郁症患者和46名健康对照者，构成研究队列，采集其外周血浆样本。
- 2.
代谢组学分析：对血浆样本进行非靶向代谢组学分析，系统检测小分子代谢物。
- 3.
生物信息学与机器学习：通过差异分析筛选差异代谢物，并联合应用LASSO回归、随机森林和支持向量机三种机器学习算法进行特征筛选，以识别核心生物标志物。
- 4.
模型构建与验证：基于筛选出的核心代谢物构建逻辑回归模型，并使用AUC、校准曲线、决策曲线分析、5折交叉验证及独立验证集系统评估模型的诊断性能。
研究结果
通过系统的分析，本研究得出了一系列重要发现：
- •
差异代谢物的鉴定：研究共鉴定出21种在青少年抑郁症患者与健康对照组之间存在显著含量差异的代谢物。这提示青少年抑郁症伴随着广泛的代谢紊乱。
- •
核心特征代谢物的筛选：通过LASSO回归、随机森林和支持向量机三种机器学习算法的交叉验证与一致性筛选，研究人员成功锁定了3个被所有方法共同选出的核心特征代谢物。它们分别是：酪氨酸、3-羟基-N,N,N-三甲基-1-丙胺氯化物和十四酰甘氨酸。这三种代谢物在两组间的含量差异极为显著。
- •
代谢物与临床表型的关联：进一步分析发现，这3种核心代谢物的水平与临床上常用的汉密尔顿抑郁量表评分具有良好的相关性，表明这些生物标志物能够反映疾病的严重程度，具有临床意义。
- •
诊断模型的构建与验证：基于这3个核心代谢物，研究构建了一个逻辑回归诊断模型。该模型在训练集中就表现出了卓越的诊断性能，其受试者工作特征曲线下面积高达0.944。经过5折交叉验证后，模型的平均AUC仍保持在0.936的高水平。更令人鼓舞的是，在一个独立的验证集中，该模型的AUC进一步提升至0.968，展现出极高的区分能力和良好的稳定性。
研究结论与讨论
本研究通过整合代谢组学与机器学习策略，成功地从青少年抑郁症患者的外周血中筛选出一个由3个核心代谢物（酪氨酸、3-羟基-N,N,N-三甲基-1-丙胺氯化物、十四酰甘氨酸）组成的生物标志物组合。这些代谢物涉及氨基酸代谢、脂质代谢和能量代谢等多条关键通路，为理解青少年抑郁症的代谢机制提供了新的视角。更重要的是，基于这些标志物构建的逻辑回归诊断模型，在多个数据集中均表现出接近完美的判别能力，其AUC值稳定在0.936至0.968之间，显著优于传统的主观量表评估，展现出了作为客观辅助诊断工具的巨大潜力。
这项研究的意义在于，它将前沿的组学技术与人工智能算法相结合，为青少年抑郁症这一复杂精神疾病的客观化诊断探索出了一条富有前景的新路径。研究所发现的代谢标志物组合，不仅可能在未来转化为便捷的血液检测指标，辅助临床医生进行更精准的诊断，也为深入探究抑郁症的病理生理学机制，特别是其代谢维度，提供了重要的线索和靶点。当然，作者在讨论中也审慎地指出，当前的研究成果仍需在更多中心、更大样本的队列中进行外部验证，以进一步确认其普适性和可靠性，这是推动其最终走向临床应用的必经步骤。尽管如此，这项发表于《BMC Psychiatry》的研究无疑为青少年抑郁症的精准医疗迈出了坚实而关键的一步。
