脑磁图振荡功能连接识别临床相关的抑郁表型

《Nature Mental Health》：Magnetoencephalography oscillation-based functional connectivity identifies clinically relevant depression phenotypes

　　

摘要：抑郁症（MDD）在临床表现和机制上的异质性，可能是许多患者对当前治疗反应有限的原因之一。识别具有生物学意义的表型将是迈向个性化治疗方法的重要一步。基于脑活动的表型分析为实现这一目标提供了有希望的途径。特别是，脑振荡——支持信息处理的节律性神经活动模式——已被认为与抑郁症有关，但此前尚未被用于定义该疾病的生物学表型。然而，尚无研究使用脑振荡来识别抑郁症的生物学表型。在此，我们报告了MDD振荡表型的数据驱动识别。我们开展了一项横断面研究，收集了263名MDD患者和75名健康对照者的静息态脑磁图（MEG）、结构磁共振成像和临床症状数据。我们使用两种耦合模式测量方法评估了基于源重建MEG数据的振荡功能连接，并计算了它们的低维脑–症状关联以获得潜在成分。通过对这些成分使用聚类方法，我们识别出五种抑郁表型，这些表型具有不同的频谱和空间模式，并呈现出临床上独特的症状特征。这些发现表明，基于MEG的振荡连接捕捉了MDD中临床相关的异质性，并为未来的验证和治疗分层研究提供了候选机制性表型。

论文解读：基于脑磁图振荡功能连接的抑郁症临床相关表型识别研究

一、研究背景与目的

重度抑郁症（MDD）是一种高度异质性的精神疾病，涵盖广泛的症状谱系，并常与其他精神及神经疾病共病。这种临床异质性不仅与自杀风险的差异相关，也导致当前治疗方案的疗效难以在个体水平进行准确预测。因此，迫切需要深入理解MDD不同症状特征背后的神经与生物学机制，并识别能够支持个性化治疗方案的生物标志物。近年来，神经影像学研究逐渐将MDD视为一种大规模脑网络疾病，特别是通过功能连接（FC）异常来表征。静息态功能磁共振成像（fMRI）研究已一致地将MDD与边缘系统、额叶-纹状体网络、默认模式网络（DMN）的功能连接组织与动态变化联系起来。多变量方法将脑–症状关联分析与聚类方法相结合，已被证明是捕捉精神疾病异质性的临床有效途径。然而，fMRI信号反映的是血氧水平依赖（BOLD）信号在数秒时间尺度上的缓慢神经波动，无法解析毫秒级的快速神经过程。脑磁图（MEG）作为神经活动的直接测量手段，能够以毫秒级精度捕捉神经群体活动，结合源重建还可获得精确的解剖定位。脑振荡由兴奋性锥体神经元与GABA能抑制性中间神经元的相互作用产生，是神经计算的基础，并可通过创造时间相关的兴奋性窗口提供毫秒级时间同步机制。已有证据表明，MDD的关键细胞水平病理生理因素之一是GABA能抑制功能受损及兴奋/抑制（E/I）失衡。尽管脑电（EEG）和MEG方法非常适合捕捉可能直接反映潜在神经机制和抑制功能障碍的基于振荡的网络动力学，但此前尚无研究使用振荡功能连接模式，通过在患者中根据共享的连接特征进行聚类来识别生物学上不同的抑郁表型。本研究旨在填补这一知识空白，利用MEG振荡功能连接识别MDD的生物学表型。

二、研究方法概述

研究人员开展了一项横断面研究，从芬兰医疗系统招募了263名MDD患者和75名健康对照者（HCs）。采集了每位参与者的静息态MEG数据（15分钟）、结构MRI数据，并使用10项自我报告问卷收集了临床症状数据。MEG数据经个体结构MRI源重建后，按Schaefer图谱划分为200个皮层脑区，并使用Morlet小波在2至60 Hz范围内32个中心频率进行滤波。研究人员采用两种耦合模式测量振荡功能连接：使用加权相位滞后指数（wPLI）评估区间相位同步（PS），使用正交化相关系数（oCC）评估振幅相关（AC）。随后，应用偏最小二乘相关（PLSC）方法分别计算AC和PS的脑–症状多变量关联，并将获得的显著潜在成分串联用于Leiden聚类分析，以数据驱动方式识别抑郁表型。研究人员还通过1000次随机子样本重复分析验证了表型的稳定性，并使用决策树分类器进行交叉验证评估个体分类准确性。

三、主要研究结果

症状异质性：临床队列包括263名MDD患者（年龄18-60岁，平均34.3岁），其中62%为女性、33%为男性、5%为“其他”。PHQ-9评分显示，15%、31%、36%和18%的患者分别患有轻度、中度、中重度和重度抑郁。除PHQ-9外，还使用其他九种问卷评估了焦虑、反刍、功能障碍、经验性回避、创伤后应激障碍（PTSD）、物质使用、正性效价系统和幸福感等症状维度。所有症状评分均表现出高度异质性。32.7%的患者仅有抑郁症诊断，其余患者伴有一种或多种共病诊断，最常见的是焦虑症（21.3%）和注意缺陷多动障碍（6.8%）。

振荡功能连接特征：全脑水平上，两种耦合模式的图强度（GS）均在alpha频段（8-13 Hz）达到峰值，AC的峰值范围（5-30 Hz）比PS（6-15 Hz）更宽。MDD与HC组在GS上无显著差异。在脑区水平，MDD组在delta频段（2-4 Hz）表现出较弱的AC节点强度（NS），而PS的NS在theta频段（4-5 Hz）和alpha-低频beta频段（10-15 Hz）较弱但在delta频段（2-4 Hz）较强。两种耦合模式的相关性仅为中度，表明它们提供互补信息。

脑–症状关联分析：PLSC分析为AC和PS各产生了一个显著潜在成分。AC衍生的潜在成分与反刍（RRS）、快感缺失（PVSS）、PTSD（PCL）、物质滥用（ASSIST）和幸福感（WHO）相关，其频谱贡献主要集中在theta频段（4-8 Hz）和beta频段（25-28 Hz），theta贡献主要定位于后部区域。PS衍生的潜在成分则主要捕捉了PHQ-9和QIDS所测量的抑郁严重程度，其关键贡献出现在alpha频段（11-16 Hz）和beta频段（22-26 Hz），alpha频段成分由前部区域贡献。性别分层分析显示，女性队列中beta频段（20-30 Hz）PS与抑郁严重程度和焦虑显著相关，而男性队列中theta-alpha频段（4-9 Hz）和beta频段（24-30 Hz）AC与抑郁严重程度相关，提示存在性别特异的脑–症状关联机制。

表型识别与特征化：利用两个显著潜在成分进行Leiden聚类，确定了五个抑郁表型。通过1000次随机子样本重复分析验证了表型的稳健性，决策树分类器的平均分类准确率超过96%。五个表型在AC和PS上均表现出与HC组不同的独特频谱特征：簇1表现出中度alpha-beta频段高连接性；簇2和簇3表现出广泛的频率特异性低连接性；簇4在AC中呈delta-theta频段低连接性但在PS中呈beta-gamma频段高连接性；簇5表现出全频谱高连接性。在空间模式上，alpha频段AC的表型变异性在颞叶和外侧前额叶皮层最大，beta频段AC在额叶区域变异最大。症状特征分析显示，簇1（中度高连接表型）在多个症状域表现出较高负担；簇5（最强高连接表型）表现出较高的物质使用和较低的PTSD症状；簇2（低连接表型）总体症状负担较低；簇3（广泛低连接表型）具有较高的PTSD和BEAQ评分；簇4（AC低连接与PS高连接表型）与较高的PHQ-9、ASSIST和WHO评分相关。共病诊断、药物状态和记录位点对聚类结果的影响极小。

四、讨论与结论

本研究证明了基于MEG的振荡功能连接能够定义具有不同神经和临床特征的生物学抑郁表型。研究发现的五种表型中，两种表现出频率特异性高连接性，两种表现出低连接性，一种与HC模式相似。值得注意的是，高连接表型的alpha峰频率较低，而低连接表型的alpha峰频率较高，这与个体alpha峰频率（iAF）作为认知功能和心理健康神经生理标志物的已知作用一致。研究还观察到了脑–症状关系中的性别差异，提示男性和女性参与者中可能存在部分不同的振荡机制。这些发现表明，MDD中存在不同的病理生理机制，这可能解释以往研究中关于alpha连接性增加和减少的矛盾发现。作为振荡是细胞神经生理学与行为之间的关键中介，这些表型可能反映了抑郁中潜在的细胞和分子缺陷。尽管MEG不太可能成为所有MDD患者的一线诊断工具，但其近期临床价值可能在于专科环境中，当常规临床评估不足时，电路水平的生理读数可为治疗分层或神经调控靶向提供信息。这些表型作为候选机制性分层标志物，为个性化精神病学应用铺平了道路，但仍需独立数据集进行进一步验证和完善。