青少年重性抑郁障碍皮质相似性网络改变的转录特征：基于形态学逆发散（MIND）网络的影像-转录组关联研究

《Psychological Medicine》：Transcriptional signatures associated with cortical similarity network changes in adolescents with major depressive disorder

背景：青少年重性抑郁障碍（major depressive disorder, MDD）与皮质结构异常相关。然而，这些结构变化是否与基因表达谱相关尚不清楚。在此，研究人员使用一种新的形态学逆发散（Morphometric Inverse Divergence, MIND）网络模型，研究青少年MDD患者的皮质相似性网络改变及相关的转录模式。方法：使用174名青少年MDD患者和82名健康对照（healthy controls, HCs）的结构图像，研究人员基于多种形态学特征构建个体MIND网络。研究人员比较组间区域MIND，并开发机器学习模型评估MIND区分患者与HCs的潜力。使用偏最小二乘回归（partial least squares regression, PLS）评估MIND差异与基因表达谱之间的空间关联，随后进行基因富集分析以识别相关生物学通路、细胞类型和发育轨迹。结果：青少年MDD患者的区域MIND异常主要位于眶额皮质，以及感觉运动和视觉网络区域。使用MIND特征，最佳机器学习模型达到高曲线下面积（area under the curve, AUC）0.824，并良好泛化至外部独立数据集（AUC=0.724）。MIND变化与突触信号传导、神经发育、代谢及特定细胞类型相关的基因表达相关。发育轨迹分析提示青少年MDD存在不同的、区域特异性的易感窗口。结论：通过连接MIND网络改变和转录表达谱，本研究为青少年MDD的神经基础和相关分子机制提供了新见解，并强调MIND的诊断潜力。

研究背景与问题：青少年重性抑郁障碍（major depressive disorder, MDD）是常见精神疾病， adolescence是脑结构功能成熟关键期，也是MDD易感窗口。既往多模态磁共振成像（magnetic resonance imaging, MRI）研究显示青少年MDD存在情绪调节和认知加工相关区域异常，如前额叶、前扣带和边缘结构，并出现网络水平异常。由高分辨率T₁加权解剖图像衍生的结构相似性网络可刻画皮质特征组织，但传统形态相似性网络（morphological similarity network, MSN）存在局限。MIND（Morphometric Inverse Divergence）网络基于多变量结构MRI特征分布间差异刻画区域间结构相似性，具有更可靠、更稳健且与皮质基因共表达关联更强等优势。然而，青少年MDD患者皮质形态学网络模式研究仍有限，且宏观影像改变背后的微观分子机制尚不清楚。研究人员因此整合影像与转录组，拟回答青少年MDD的MIND网络改变模式、诊断潜力及相关转录特征。

研究人员开展的研究、结论与意义：研究人员使用174名青少年MDD患者和82名HCs的结构MRI，构建个体MIND网络，比较区域和网络水平差异，建立机器学习分类模型，并将区域MIND病例-对照t图与Allen Human Brain Atlas（AHBA）基因表达谱进行连接组-转录组关联，随后进行功能、细胞和发育富集分析。研究显示区域MIND异常主要位于眶额皮质、感觉运动和视觉网络区域；基于MIND的支持向量机（support vector machine, SVM）模型分类性能较高并可在外部数据集泛化；MIND改变与突触信号、神经发育、代谢及特定细胞类型相关，并提示区域特异性发育易感窗口。该研究为青少年MDD的宏观网络和微观分子机制提供新证据，并提示区域MIND指标可作为诊断补充生物标志物。

关键技术方法（≤250字）：样本队列包括174名青少年MDD患者和82名HCs，患者经DSM-5诊断，HCs从当地社区或学校招募；另使用AHBA中6名健康成人供体左半球基因表达数据（152个区域×15632个基因）。关键技术包括：3.0T结构MRI采集与FreeSurfer 7.0/CAT12预处理；基于DK-308图谱提取灰质体积、皮质厚度、表面积、平均曲率和沟深等特征，构建个体MIND网络；采用t检验特征选择及SVM、随机森林等机器学习模型，行10折交叉验证、SMOTE和SHAP解释，并行外部验证；使用abagen预处理AHBA数据，以偏最小二乘回归、空间置换检验、bootstrapping、GO/KEGG、细胞类型特异性表达分析（cell-type-specific expression analysis, CSEA）和BrainSpan发育表达分析进行连接组-转录组关联。

研究结果：
人口学与临床特征：最终纳入174名青少年MDD患者和82名HCs，两组年龄、性别和教育匹配。MDD组病程为10.78±7.19月，起病年龄为14.97±1.82岁，HAMD评分为23.47±4.56；HCs的HAMD评分为2.52±1.15，组间差异显著。

区域MIND改变：全局MIND值无显著组间差异（p=0.718），全脑分布相似。区域水平上，青少年MDD患者双侧pericalcarine cortex（part1）、左precentral gyrus（part3）、双侧lingual gyrus（part2）、右precentral gyrus（part6）、右pericalcarine cortex（part2）和右lingual gyrus（part6）的MIND显著降低，右lateral orbitofrontal cortex（part4）MIND显著升高。HCs平均MIND强度与病例-对照t值呈正空间相关（r=0.152，p_spin=0.007）。在von Economo atlas网络水平，MDD患者初级运动和初级感觉网络MIND降低，边缘网络MIND升高。左precentral gyrus（r=?0.230，p=0.002，未校正）和右lateral orbitofrontal cortex（r=?0.153，p=0.044，未校正）的MIND与起病年龄负相关；与病程和HAMD评分无显著相关。

基于区域MIND的分类模型性能：经t检验筛选，38个脑区MIND值作为输入特征。特征选择后模型性能更优。SVM模型表现最佳，AUC=0.824，外部独立数据集AUC=0.724。MIND模型优于MSN模型。SHAP分析显示，前10位预测特征主要位于lateral orbitofrontal cortex、middle frontal cortex、superior frontal cortex和anterior cingulate cortex。

与区域MIND改变相关的转录模式：PLS₁解释MIND组间差异的最高变异（17.02%，p<0.05）。PLS₁加权基因表达图呈从前部向后部逐渐增加的分布。PLS₁得分与区域MIND病例-对照t图显著正相关（r=0.334，p_spin<0.001），提示PLS₁加权基因在MDD区域MIND升高区域同时过表达。研究人员识别出651个显著PLS₁+基因和846个显著PLS₁?基因（p<0.01，FDR校正）。PLS₁+代表性基因包括CXorf57、C2CD4C、C1QL3、BAIAP3、NECAB2；PLS₁?代表性基因包括RPGR、ST3GAL6、TIFA、TRPC3、SYNE4。

与区域MIND改变相关的功能通路：GO和KEGG富集显示，PLS₁+基因显著富集于突触信号相关通路和神经发育相关生物过程；PLS₁?基因主要富集于代谢和转运相关通路及生物过程。

与区域MIND改变相关的细胞特征：CSEA显示，PLS₁+基因在神经元和星形胶质细胞显著富集，PLS₁?基因主要在神经元显著富集。重叠分析显示，PLS₁+基因与兴奋性神经元、抑制性神经元和星形胶质细胞显著重叠；PLS₁?基因与兴奋性神经元、抑制性神经元和内皮细胞显著重叠。

与区域MIND改变相关的发育富集：发育基因表达富集分析显示，PLS₁+基因从早/中胎儿期到青春期在皮质、纹状体、海马和杏仁核呈优势表达；PLS₁?基因在婴儿期和成年早期于小脑和丘脑显著富集。

讨论部分总结：本研究整合神经影像与基因表达数据，揭示青少年MDD宏观皮质结构异常及相关微观分子机制。区域MIND异常主要位于眶额皮质、感觉运动和视觉网络区域。典型MIND发育表现为感觉皮质形态分化增加（MIND降低）和旁边缘区形态相似性增加（MIND升高）；青少年MDD可能表现为这些轨迹的夸大或偏离。HCs平均MIND强度与病例-对照t值正相关，提示正常高MIND区域更易受累。左precentral gyrus和右lateral orbitofrontal cortex的MIND与起病年龄弱负相关，且与当前HAMD严重程度无关联，提示MIND改变更偏特质样而非状态依赖。基因富集提示突触信号、神经发育和代谢参与，且星形胶质细胞在突触形成、功能和消除中起关键作用，可能是抗抑郁策略的潜在靶点。发育富集提示青少年MDD易感窗口具有脑区特异性：皮质-边缘环路由突触和神经发育转录程序驱动，较早易感；皮质下区域由代谢过程驱动，较晚易感。机器学习模型显示区域MIND特征具有诊断潜力，SHAP提示前额叶和前扣带贡献较大。局限包括样本量相对较小、分类性能需更大队列验证、AHBA数据仅左半球、成人尸检基因表达可能不能完全反映青少年分子动态。

结论翻译：研究人员使用新型MIND网络模型，识别出情绪和感觉运动相关区域的异常皮质模式。基于MIND网络的机器学习模型在区分青少年MDD与对照方面表现良好。此外，连接组-转录组关联分析显示，与MIND变化相关的基因富集于神经生物学相关通路，并优先表达于不同细胞类型。总之，这些发现从宏观网络和微观分子层面推进了对青少年MDD神经生物学机制的理解，并突出区域MIND指标作为诊断生物标志物的潜力。