循环免疫细胞表型在抑郁发作期间区分双相情感障碍与重性抑郁障碍：一种机器学习弹性网络方法

《Journal of Affective Disorders》：Circulating immune cells phenotypes discriminate bipolar disorder from major depressive disorder during a depressive episode: A machine learning elastic-net approach

　　

• 免疫-炎症特征可将双相情感障碍（BD）与重性抑郁障碍（MDD）以高准确度进行分类
• BD主要由T调节细胞升高和记忆细胞降低所预测
• MDD则由产生Th1、Th17及TNF-α的细胞频率降低所预测

引言
30多年来，心境障碍——重性抑郁障碍（MDD）和双相情感障碍（BD）——在全球范围内的患病率一直呈上升趋势（Diseases and Injuries, 2020）。BD和MDD会使预期寿命缩短约14年（Laursen et al., 2016; Nierenberg et al., 2023），而最差的临床结果和预后与早发相关（Dell'Osso et al., 2016; Zisook et al., 2007）。在BD中，抑郁症状和发作比轻躁狂或躁狂发作更常见，且通常在病程早期就出现（Dell'Osso et al., 2016）。事实上，约60%的BD患者最初被诊断为MDD（Hirschfeld et al., 2003）。
与MDD相比，BD起病更早、发作更频繁、体重指数（BMI）更高、认知损害更严重（Fuhr et al., 2014; Perlis et al., 2006），并表现出更广泛的脑体积改变（Cai et al., 2015）和白质异常（Sun et al., 2024）。总体而言，神经影像学研究提示MDD和BD既有共有的脑改变，也有各自的特异改变（Manelis et al., 2021; Wise et al., 2017; Zhang et al., 2025）。
过去十年的文献表明，脑改变可能继发于免疫应答的改变，且MDD和BD在抑郁发作期间表现出不同的模式（Comai et al., 2022; Poletti et al., 2022）。特定的免疫/炎症特征可能导致神经元功能和完整性的改变，进而根据受影响的系统不同而表现为不同的情绪和认知症状（Magioncalda and Martino, 2022）。鉴于MDD和BD具有特异性的临床表现，并且对精神科药物的反应不同（BD对抗抑郁药反应极差，但对锂盐和心境稳定剂反应良好），我们假设在抑郁状态下MDD和BD的免疫介质也会存在分歧性的改变，这种差异可能归因于躁狂发作易感因素和疾病史（即BD仅有躁狂复发，以及抗躁狂治疗）的基因和环境因素的组合。事实上，在抑郁期和情绪稳定期均报道了周围血标志物中共有的和不同的异常。我们此前已显示，细胞因子和趋化因子作为免疫-炎症反应系统（IRS）和代偿性免疫调节系统（CIRS）的核心介质，可以显著区分MDD和BD患者（Poletti et al., 2020），提示不同的免疫-炎症特征可能在区分这两种疾病中起核心作用。相应地，其他关于免疫标志物的研究也证实了这一发现（Brunoni et al., 2020; Wollenhaupt-Aguiar et al., 2019）。在最近的一篇综述中，我们显示BD和MDD在免疫-炎症特征方面共有部分共同改变，但在多项特征上存在差异，包括循环免疫细胞的频率和活化状态（Poletti et al., 2024a）。
与细胞因子和趋化因子类似，有证据表明T辅助细胞（Th，CD4+）、T细胞毒性细胞（CD8+）、NK细胞和Treg细胞频率失衡可能与心境障碍的发生有关。尽管MDD中T细胞和NK细胞的绝对计数增加已被报道，但观察相对百分比时则呈现不同图景，研究提示Th1和Th2频率降低（Foley et al., 2023）。在忧郁型抑郁中，报告了CD4+增加、CD8+效应细胞减少（Maes et al., 1992）以及T细胞活化的迹象（Maes et al., 1993）。此外，在抑郁型MDD中，T辅助和细胞毒性细胞活化增强伴Treg降低与增强的免疫应答相关（Rachayon et al., 2024）。在情绪稳定期BD中，报道了Th17、Treg和中央记忆细胞升高、CD4+ T效应记忆细胞降低（Ioannou et al., 2024），同时活化CD4+和CD8+细胞降低、活化Treg细胞增加，并与疾病分期及Treg、效应功能和淋巴细胞增殖缺陷相关（Maes et al., 2021a, Maes et al., 2021b）。当直接比较两种疾病的免疫细胞群时，髓系谱系未见明显差异，而淋巴细胞存在显著但不一致的差异（Poletti et al., 2024a）。有两项研究比较了抑郁发作期间的MDD和BD；一项显示BD患者的CD8+ T细胞比例更高、CD4+ T细胞、NK细胞水平和CD4+/CD8+比值较低（Li et al., 2024）；而另一项报道BD患者CD8+ T细胞低于MDD，CD4+ T细胞无差异（Wu et al., 2017）。在情绪稳定期，BD患者与MDD患者相比Th1、Th2、Th17和T调节细胞水平显著升高。与对照组相比，BD患者Th17和T调节细胞水平升高，而MDD患者Th17和Th2水平降低（Becking et al., 2018）。
尽管这些发现在理解心境障碍的生物学基础方面具有重要意义，但所观察差异的显著性水平往往受到使用组平均数单变量统计方法限制。相反，机器学习旨在提供可在个体层面应用的预测功能，并估计其在新观测中应用的准确度，使其特别适合转化研究。评估模型对未见数据泛化能力的常用策略是交叉验证。在交叉验证中，模型在数据的子集（即训练集）上迭代拟合，并应用于剩余观测（即测试集）。然而，高维度、多重共线性的数据——例如流式细胞术（FACS）数据——特别容易产生过拟合风险，即学习训练数据背后的函数但不够通用以适应新数据。正则化回归方法在应对这种风险方面特别有用，因为它们在将无关或共线特征的系数向零收缩方面具有内嵌特性，因而在处理高维度和多重共线性方面具有强大能力。基于这些原因，机器学习框架看起来是促进转化途径的最佳选择。
在过去十年中，只有少数研究尝试使用免疫细胞群频率预测诊断，据我们所知只有两项应用了机器学习技术于FACS数据。一项研究显示Th17可以预测BD诊断，但特异性和敏感性较低（Becking et al., 2018）；另一项使用随机森林的研究显示NK细胞、CD3+ T细胞、CD4+/CD8+比值、CD8+ T细胞和CD4+ T细胞能够区分两个诊断组（Li et al., 2024）；最后，一项使用LASSO进行特征选择并建立列线图的研究显示，BD和MDD可以基于CD19+ B细胞计数、CD3+ T细胞计数、CD3?CD16/56+ NK细胞计数和总淋巴细胞数加以区分，其判别能力（C指数）为0.922（Su et al., 2022）。
识别这些疾病的特征性谱可以有助于在抑郁发作期间区分两种疾病（此时MDD和BD的临床表现相同），并可能开发出不仅基于临床症状、还基于血液生物标志物的个性化治疗方案。
本研究的主要目标是建立一个基于FACS数据的机器学习预测模型，以区分BD和MDD。与以往研究相比，我们的预测流程被设计为在训练集和测试集之间避免任何数据泄漏，从而为模型的泛化能力提供稳健的估计。具体而言，数据标准化、协变量校正和预测均在交叉验证方案中进行。此外，与以往研究相比，我们测量了更多免疫细胞群的频率。
我们假设T调节细胞和细胞毒性细胞的频率将有助于诊断的预测，且我们的模型将达到良好准确度。

参与者
样本包括213名非血缘关系的住院患者（124名MDD，89名BD）和40名健康对照（HC）。所有患者均处于抑郁状态，由其全科医生或负责的 psychiatrists 因重性抑郁发作（无精神病性症状）而转诊住院，需要专业住院治疗。所有入组患者均由受训精神科医师接受精神科访谈（SCID-I DSM-5）。同一天上午，我们进行了血液采样。

统计分析
使用STATISTICA软件进行单变量统计分析。检验为双侧检验，alpha水平为0.05表示结果具有统计学意义。在不假设数据正态分布的情况下，诊断组之间细胞群频率差异通过非参数Kruskal Wallis检验进行测试。为控制多重比较，通过错误发现率（False Discovery Rate）程序对p值进行校正（获得q值）（Benjamini and Hochberg, 1995）。

结果
参与者的临床和人口学特征汇总于表1（参见表2）。
MDD和BD患者在性别、疾病严重程度、病程、抗抑郁药剂量方面具有可比性，但在BMI方面存在差异（t = 2.19, p = 0.02）。与HC相比，患者年龄显著更大（F = 3.76, p = 0.02）。

讨论
在此，我们显示在抑郁患者中，BD的诊断由Th1、Th17和产生TNF-α（即CD4+ TNF-α、CD8+TNF-α、NK细胞/TNF-α）的细胞群频率较高所预测；而MDD相对于BD则由活化中央记忆细胞（CM，CD4+CD27+CD45RA?CD69+和CD8+CD27+CD45RA?CD69+）、效应记忆细胞（EM，CD4+CD27?CD45RA?CD69+）以及细胞毒性/杀伤细胞（CD8+CD27?CD45RA?Perf+GrzB+以及NK细胞/Perf+ GrzB+）频率较高所预测。与HC相比，MDD表现出较高的……

CRediT作者贡献声明
Sara Poletti：撰写——审阅与编辑、撰写——初稿、监督、概念化。
Beatrice Bravi：形式分析。
Federico Calesella：形式分析、数据整理。
Veronica Aggio：形式分析、数据整理。
Benedetta Vai：方法论。
Annamaria Finardi：方法论。
Alessandra Mandelli：形式分析。
Cristina Lorenzi：形式分析、数据整理。
Cristina Colombo：资源、资金获取。
Roberto Furlan：资源、资金获取。
Francesco Benedetti：资金来源——欧盟"地平线2020"计划，资助协议编号754740 Moodstratification（FB）。

未引用参考文献
《抑郁症：成人抑郁症的治疗与管理（更新版）》，2010
Mueller et al., 2013

利益冲突声明
作者声明不存在任何已知的竞争性经济利益或个人关系，这些可能影响本论文所报告的工作。

致谢
无。

Sara Poletti | Beatrice Bravi | Federico Calesella | Veronica Aggio | Benedetta Vai | Annamaria Finardi | Alessandra Mandelli | Cristina Lorenzi | Cristina Colombo | Roberto Furlan | Francesco Benedetti