基于机器学习的精神分裂症转录组生物标志物识别与诊断模型构建及验证

《Hereditas》：Machine learning-guided identification and experimental validation of novel transcriptomic biomarkers for schizophrenia

摘要

背景

精神分裂症（SCZ）是一种严重的神经发育性精神疾病，其特征是临床异质性显著，这使得客观诊断变得具有挑战性。本研究旨在利用机器学习方法识别与SCZ相关的特征基因，并评估这些基因的诊断潜力，同时评估模型的稳健性和跨数据集的通用性。

方法

从Gene Expression Omnibus (GEO)数据库中获取了五个与SCZ相关的基因表达数据集。其中四个数据集被整合为一个发现队列，而GSE62191数据集被保留用于独立的外部验证。在ComBat校正之前和之后，使用主成分分析和PERMANOVA方法评估了批次效应。通过差异表达基因（DEGs）的鉴定，随后进行了基因本体论（Gene Ontology）和京都基因与基因组百科全书（Kyoto Encyclopedia of Genes and Genomes）的富集分析。采用随机森林（Random Forest, RF）分析来识别特征基因，并构建了一个基于人工神经网络（Artificial Neural Network, ANN）的分子诊断模型。额外的分析包括控制泄漏的重复交叉验证、特征选择稳定性、排列重要性（permutation importance）分析、留一数据集法验证（leave-one-dataset-out validation）、二进制表达和连续表达表示的比较，以及基于年龄和性别的敏感性分析。进一步通过RT-qPCR技术在20名精神分裂症患者和20名健康对照者的外周血单核细胞中验证了8个代表性基因。

结果

共鉴定出1,893个差异表达基因（DEGs），包括809个上调基因和1,084个下调基因。RF分析确定了20个与SCZ相关的特征基因。功能分析表明这些基因涉及炎症、自噬、氧化应激和代谢失调。校正后，批次效应显著降低（PERMANOVA R2从0.980降至0.033）。原始ANN在训练集、验证集和测试集中的AUC分别为0.975、0.659和0.696，而控制泄漏的重复交叉验证的平均AUC为0.695±0.032。留一数据集法的AUC范围为0.614至0.818，表明存在研究层面的异质性。分子诊断模型在训练集中的AUC为0.782，在外部验证集中的AUC为0.721。连续表达建模显示出相似的交叉验证性能，但外部性能优于二进制表示。RT-qPCR验证了BID、ABCG2、NEUROD6、CRHBP、BAG3、TOLLIP、HSD11B1和ETV5的差异表达，这与转录组学结果一致。

结论

本研究确定了与SCZ相关的候选转录组生物标志物，并建立了一个基于机器学习的诊断框架。然而，控制泄漏和研究层面的验证仅显示出适度和异质性的预测性能，表明所识别的基因组应该被视为探索性的，而不是临床确定的诊断标志物。实验验证支持了所识别生物标志物的生物学和转化相关性，这些标志物需要在更大规模、独立的、多中心队列中进一步确认。

背景

精神分裂症（SCZ）是一种严重的神经发育性精神疾病，其特征是临床异质性显著，这使得客观诊断变得具有挑战性。本研究旨在利用机器学习方法识别与SCZ相关的特征基因，并评估这些基因的诊断潜力，同时评估模型的稳健性和跨数据集的通用性。

方法

从Gene Expression Omnibus (GEO)数据库中获取了五个与SCZ相关的基因表达数据集。其中四个数据集被整合为一个发现队列，而GSE62191数据集被保留用于独立的外部验证。在ComBat校正之前和之后，使用主成分分析和PERMANOVA方法评估了批次效应。通过差异表达基因（DEGs）的鉴定，随后进行了基因本体论（Gene Ontology）和京都基因与基因组百科全书（Kyoto Encyclopedia of Genes and Genomes）的富集分析。采用随机森林（Random Forest, RF）分析来识别特征基因，并构建了一个基于人工神经网络（Artificial Neural Network, ANN）的分子诊断模型。额外的分析包括控制泄漏的重复交叉验证、特征选择稳定性、排列重要性（permutation importance）分析、留一数据集法验证（leave-one-dataset-out validation）、二进制表达和连续表达表示的比较，以及基于年龄和性别的敏感性分析。进一步通过RT-qPCR技术在20名精神分裂症患者和20名健康对照者的外周血单核细胞中验证了8个代表性基因。

结果

共鉴定出1,893个差异表达基因（DEGs），包括809个上调基因和1,084个下调基因。RF分析确定了20个与SCZ相关的特征基因。功能分析表明这些基因涉及炎症、自噬、氧化应激和代谢失调。校正后，批次效应显著降低（PERMANOVA R2从0.980降至0.033）。原始ANN在训练集、验证集和测试集中的AUC分别为0.975、0.659和0.696，而控制泄漏的重复交叉验证的平均AUC为0.695±0.032。留一数据集法的AUC范围为0.614至0.818，表明存在研究层面的异质性。分子诊断模型在训练集中的AUC为0.782，在外部验证集中的AUC为0.721。连续表达建模显示出相似的交叉验证性能，但外部性能优于二进制表示。RT-qPCR验证了BID、ABCG2、NEUROD6、CRHBP、BAG3、TOLLIP、HSD11B1和ETV5的差异表达，这与转录组学结果一致。

结论

本研究确定了与SCZ相关的候选转录组生物标志物，并建立了一个基于机器学习的诊断框架。然而，控制泄漏和研究层面的验证仅显示出适度和异质性的预测性能，表明所识别的基因组应被视为探索性的，而不是临床确定的诊断标志物。实验验证支持了所识别生物标志物的生物学和转化相关性，这些标志物需要在更大规模、独立的、多中心队列中进一步确认。