《Communications Medicine》：Connectomic signatures advance the understandings of transdiagnostic heterogeneity in psychosis
编辑推荐：
当前共识驱动的诊断系统难以充分捕捉精神障碍的显著异质性（heterogeneity）和高共病率（comorbidity），因而需要基于脑的跨诊断（transdiagnostic）框架以推进机制理解和临床转化。连接组范围关联研究（connectome-wide
当前共识驱动的诊断系统难以充分捕捉精神障碍的显著异质性（heterogeneity）和高共病率（comorbidity），因而需要基于脑的跨诊断（transdiagnostic）框架以推进机制理解和临床转化。连接组范围关联研究（connectome-wide association studies, CWAS）已一致地识别出跨诊断边界广泛存在的大尺度失连接（dysconnectivity），但规范建模（normative modeling）和元分析（meta-analytic）证据强调，连接组偏差（connectomic deviations）在空间拓扑（spatial topography）和幅度上存在显著个体间变异（inter-individual variability）。在本观点（Perspective）文章中，研究人员通过将连接组重叠（connectomic overlap）和计算生物分型（computational biotyping）整合为一个自上而下、四层级的层级架构（four-tiered hierarchical architecture），弥合跨障碍共性（cross-disorder commonalities）与个体化病理（individualized pathology）之间的分歧。该框架从宏观尺度跨诊断拓扑支架（macro-scale transdiagnostic topological scaffolds），经中观尺度表型三角互证（meso-scale phenotypic triangulation），推进至数据驱动的生物型（data-driven biotypes）和微观尺度临床转化（micro-scale clinical translations），描绘共享网络约束（shared network constraints）与异质性病理分化（heterogeneous pathological diversification）之间的双向相互作用（bidirectional interplay）。基于该架构，研究人员概述利用多队列数据协调（multi-cohort data harmonization）和健康锚定的规范生物分型（healthy-anchored normative biotyping）来提炼稳健的跨障碍环路（cross-disorder circuits）和可重复的神经生物型（reproducible neurobiotypes）的策略。最后，研究人员提出一条转化路线图（translational roadmap），以推动连接组分层（connectomic stratification）走向精准精神病学（precision psychiatry）中的前瞻性、治疗相关临床验证（prospective, treatment-relevant clinical validation）。
论文解读
一、研究背景与问题
当前临床神经科学研究主要依赖共识驱动的诊断标准，如《精神障碍诊断与统计手册》第五版（Diagnostic and Statistical Manual of Mental Disorders, Fifth Edition, DSM-5）和国际疾病分类第十版（International Classification of Diseases, Tenth Revision, ICD-10）。这些标准主要依赖患者自我报告和临床医生对行为的评估，而非神经病理异常的识别。过去十年，越来越多研究提示，现有共识诊断标准不足以捕捉精神障碍的多样性和高共病率，可能导致对精神病理理解不完整以及治疗临床效能欠佳。为克服传统病例-对照诊断模型的限制，许多研究依据研究领域标准（Research Domain Criteria, RDoC）建立维度框架，跨诊断（transdiagnostic）概念由此成为精神病学的重要方向。脑连接模式偏差在所有主要精神障碍中均可见，大尺度连接组（connectome，全脑区域间连接的总和）组织和区域间协调破坏是多种心理功能异常的核心。连接组范围关联研究（CWAS）系统检验全脑连接与临床或行为表型的关系。然而，规范建模和大型元分析显示，精神病个体脑结构和功能偏差存在显著异质性，即使在同一诊断类别内亦然；跨障碍影像研究和理论模型又提示精神风险存在共享连接组基质。调和强个体差异与稳健跨诊断重叠，对推进精神病机制理解至关重要。在此背景下，研究人员综合当前证据，重新概念化连接组重叠与生物分型在精神病跨诊断异质性研究中的关系。
二、研究开展与核心结论
该文为观点文章，未开展新的样本采集或实验。研究人员将连接组重叠和个体化生物分型整合为一个机制递进的自上而下“倒金字塔”层级框架，系统组织从宏观尺度拓扑共性到微观尺度个体残差的发现，并阐述异质性病理变化如何受大尺度网络架构约束，以及多水平连接组特征如何共同贡献于精神病表型景观。基于该整合视角，研究人员提出数据整合策略、健康锚定的计算生物分型方法，并勾画精准精神病学中临床可操作连接组分层的转化路线图。核心结论是：连接组重叠与生物分型并非互斥，而是内在联系且双向作用；重叠可作为定义一般易感性和稳健泛化签名的“共同支架”，生物分型则将支架周围的残差方差划分为可能反映不同病理生理路径的亚组；整合两者有助于以环路术语重新概念化精神病疾病分类，并推动从描述性组间差异走向临床可操作分层。
三、主要关键技术方法（不超过250字）
该文为观点综述，未开展新样本实验。其方法学综合包括：连接组范围关联研究（CWAS）和连接组预测建模（connectome-based predictive modeling, CPM）检验全脑连接-表型关系；多元距离连接组网络（multivariate distance-based connectome network, MDCN）等深度学习建模非线性失连接；规范建模与分层贝叶斯量化个体相对年龄、站点校正健康参考的偏差；对比主成分分析（contrastive principal component analysis, cPCA）分离疾病特异信号；无监督聚类（层次/k-means、多共聚类、Walktrap、谱聚类、核聚类、非负矩阵分解、深度堆叠自编码器、EAG-RS）和通过判别分析解析异质性（Heterogeneity through Discriminative Analysis, HYDRA）进行健康锚定生物分型；多队列协调及脑影像数据结构（Brain Imaging Data Structure, BIDS）/OpenNeuro共享。样本队列来源包括B-SNIP、PHENOM、跨诊断连接组项目（Transdiagnostic Connectome Project, TCP）、可重复脑图表（Reproducible Brain Charts, RBC）。
四、主要研究结果
（一）跨诊断连接组学的四层倒金字塔框架。通过整合当前证据，研究人员提出两个互补维度：从宏观到微观的连接组病理现象学层级，以及对应每一层的方法学工具箱。框架从Tier 1宏观尺度跨诊断连接组病理空间，经Tier 2中观尺度诊断类别与行为表型三角互证、Tier 3数据驱动计算生物分型亚组，到Tier 4微观尺度生物型引导临床转化，描绘从共享病理特征到个体化临床表型的梯度。
（二）宏观尺度跨诊断病理支架。通过de Lange等跨八种精神病和神经疾病的多中心研究，发现富俱乐部连接（rich-club connections，长程、高容量、支持全局通信和网络整合的通路）跨多种障碍表现出显著脆弱性。通过MDCN等深度框架池化大规模静息态功能磁共振数据，发现功能网络扰动存在显著区域重叠，尤其在左侧视觉、左侧显著性/腹侧注意和双侧默认模式网络，为自闭症谱系障碍（autism spectrum disorder, ASD）与注意缺陷/多动障碍（attention-deficit/hyperactivity disorder, ADHD）等临床不同表型间共享基质提供非线性神经生物学验证。结论是，跨诊断易感性部分由连接组架构支配，核心枢纽和整合系统是共同失效点；但“单轴”神经改变模型不能解释临床表型多样性，共享连接组支架提供可泛化治疗靶点基础，疾病特异区域定义表型边界并帮助识别障碍内亚型。
（三）中观尺度跨诊断与行为的表型三角互证。传统诊断仍作为连接生物学与行为的参考框架。通过Tong等在大跨诊断队列中使用CPM，发现全脑功能连接可可靠预测个体认知能力（全量表智商，Full-Scale Intelligence Quotient, FSIQ），跨ASD、重性抑郁障碍（major depressive disorder, MDD）、ADHD和焦虑障碍传统边界，并在独立复制队列中泛化。通过Goldstein-Piekarski等发现，抑郁和焦虑的共享网络环路功能障碍介导二者共同的跨诊断症状维度。结论是，该层目标应从简单验证共享或独特环路转向对具体症状维度和认知行为表型的精细映射，并建立病理环路、传统诊断和行为症状之间的“表型三角互证”。
（四）计算生物分型：数据驱动的神经生物学亚组。通过层次聚类和k-means聚类，研究在重性抑郁和精神分裂-双相谱系中识别亚组；多共聚类分离抑郁的神经生理亚型；Walktrap等启发式社区检测恢复有向和无向连接路径，揭示具有不同临床特征的生物型；谱聚类、核聚类和非负矩阵分解区分首发未用药精神分裂症、ASD和ADHD生物型；深度堆叠自编码器结合集成聚类在广泛精神病-情感谱系中发现两个生物型，其额-后功能平衡不同；EAG-RS自监督学习框架识别三个具有不同症状特征的ASD生物型。结论是，方法学向更精细的高维生物分型发展，但算法复杂性增加时，需确保生物型对应有意义的临床区分，而非数据集或分析选择特异的假象。
（五）生物型引导的转化。倒金字塔底层是每位患者独特的连接组波动，无法被中层生物型完全捕捉。规范建模研究显示，精神病患者作为队列常表现出超过健康基线的极端偏差，但其精确空间模式、时间动力学和幅度在个体间高度异质，即使同一临床类别内亦然。连接组学引导干预目前主要处于探索和初步验证阶段，涉及辅助诊断、治疗反应预测、靶点定位以及神经精神和意识障碍的神经外科规划，但多数研究为观察性设计或非盲预试验，缺乏大样本、多中心、双盲随机对照试验（randomized controlled trials, RCTs）支持。结论是，研究人员提出双阶段范式：中尺度定性指导（计算生物型提示干预机制）与微观尺度定位细化（个体残差连接组图谱提示精确空间靶点）。通过统一多中心数据聚合扩大样本、前瞻预测设计和操作验证试验，并以健康参考框架锚定、解决表型三角，可将患者间噪声转化为精准治疗的可操作靶点。
（六）意义与未来方向。每种疾病和每位个体可被概念化为位于跨诊断共享模式与障碍特异或个体特异连接组破坏模式之间的位置。重叠表征共享网络约束，塑造改变偏好出现的部位；生物分型解释个体如何通过不同偏差配置偏离共享约束。机制上，重叠可视为定义一般易感性和稳健泛化签名的“共同支架”，生物分型将支架周围残差方差划分为可能反映相似症状综合征不同病理生理路径的亚组。二者关系双向：重叠先验可稳定生物分型、减少由采样、预处理或站点效应驱动的虚假聚类；可重复生物型可澄清表观重叠是否真正普遍，或由特定亚组主导。
（七）数据整合与协调。通过跨诊断队列如B-SNIP和PHENOM，已具备一定基础，但常规数据采集仍需谨慎；问题包括开放共享的临床数据集稀缺，以及缺乏同时提供广泛诊断覆盖、可重复多模态磁共振和协调深度表型分型的资源。新建数据收集应在统一框架中采用标准化“HCP-like”采集方案，如TCP；TCP使用协调方案和工作流最大化测量精度和跨站点可比性，支持跨诊断维度症状谱刻画，并发现精神病患者脑网络动力学跨认知状态扁平化，可稳健描绘内化、外化、认知和社会/奖赏症状维度，优于二分类病例-对照状态和主要诊断分组。对于旧多队列数据，需严格协调，如RBC在统一可重复预处理和一致表型定义下聚合现有数据集，快速实现大样本、广泛诊断覆盖和稳健人群代表性。TCP和RBC均在OpenNeuro等开放平台以BIDS格式发布数据。
（八）以健康锚定界定病理空间。患者队列临床异质性和确认偏倚使仅在临床样本内定义病理空间绝对边界困难且易错。整合大规模健康对照数据集可建立规范锚。鉴于连接组特征具有年龄依赖和发育调制，研究人员建议未来病理重叠和生物分型研究更明确地将健康脑作为“锚”。规范建模和分层贝叶斯可量化个体相对年龄和站点校正规范参考模型的偏差，构建个体“疾病偏差图”。对比学习如cPCA可利用临床与健康人群连接组差异，识别最大化疾病独特方差的低维投影，抑制年龄、性别和批次效应等共享背景噪声。对生物分型，应聚类“偏差谱”而非原始患者连接组。HYDRA以健康对照分布为封闭锚，用多个超平面识别以不同模式偏离锚的患者亚组，将分型直接联系到独特病理偏差模式，而非高维特征空间中的任意相似性。
（九）超越内部指标：生物型的前瞻性外部验证。积累证据显示，连接组签名可用于跨诊断精神病谱的预后和预测分层。Sarpal等建立基于静息态功能磁共振的纹状体连接指数，在首发精神分裂症和独立慢性精神病队列中预测抗精神病药反应，曲线下面积（area under the curve, AUC）=0.78，并与住院时间相关。Cao等识别首发精神病个体化抗精神病药反应的全脑连接组生物标志物，并在发现和独立验证样本中复现。Zhang等在内化精神病理中验证跨诊断泛化，显示全脑功能连接预测六类抑郁和焦虑诊断的多维症状改善，并跨认知行为治疗、药物治疗和支持性治疗泛化。但临床转化仍处早期，多数为回顾性或单站点研究，大规模多中心前瞻验证仍是常规临床实施的关键障碍。Winter and Hahn指出系统性方法学缺陷：多数生物分型研究，包括大多数深度学习连接组亚型工作，未严格评估统计显著性、稳定性和样本外泛化，常仅从内部聚类性能推断有效性。因此，评估应从内部聚类指标转向前瞻性、结果相关外部验证。不同分析流程可产生不同“生物型”解，决定性标准是临床效用：衍生亚型能否前瞻预测临床结果或差异治疗反应，超越传统诊断标签和基线症状严重度。两种验证设计包括：病理轨迹预测，如Li等从弥散张量成像（diffusion tensor imaging, DTI）白质结构连接预测肌萎缩侧索硬化（amyotrophic lateral sclerosis, ALS）基线进展率表型，Maheux等从多模态基线数据包括海马体积预测阿尔茨海默病1.5–4.5年认知轨迹；疗效预测，如抑郁中连接组定义亚型预测重复经颅磁刺激（repetitive transcranial magnetic stimulation, rTMS）反应，近期大型研究跨多抑郁和焦虑队列证实个体化环路指标可预测药物治疗和行为治疗的差异获益。
五、讨论部分总结与结论翻译
讨论部分强调，连接组重叠与生物分型具有内在联系和双向关系：重叠是共享网络约束，生物分型解释个体如何偏离这些约束；整合二者可为精神病疾病分类提供环路框架，并推动临床可操作分层。研究人员提出三个相互关联的优先事项：数据整合与协调、以健康锚定界定病理空间、超越内部指标进行前瞻性外部验证。数据层面，需标准化协调采集如TCP或多队列复盘协调如RBC，并通过BIDS/OpenNeuro共享；病理空间层面，需借助健康锚、规范建模、cPCA和HYDRA等；验证层面，需从内部聚类指标转向前瞻性、临床相关外部验证，包括症状轨迹预测和疗效预测。研究结论翻译如下：对于跨诊断精神病研究，类似的验证工作应优先采用前瞻性设计、协调的干预方案和预注册终点。目标在于证明连接组衍生的亚组能够跨站点泛化，并有意义地对预后和治疗反应进行分层。通过这种方式，连接组生物分型可从看似合理的亚结构发现推进为临床可检验框架，跨诊断连接组重叠不仅可被操作为共享风险基质，也可作为指导稳健、治疗相关分层的约束集合。
