本文为中科院刘教授和蒋教授领衔的国内外多家机构参与的多中心大样本多模态多组学研究，于年3月在线发表于NATUREMEDICINE(IF:36.13)上。作者开发了一种新的生物标记物FSA来进行精分分类、治疗反应预测和分型，研究表明基于FSA的分离器可以很好区分SZ和HC（站点间交叉验证准确率超80%，鉴于SZ异质性相对其他疾病大，本研究结果为留一站点交叉验证，这个结果非常漂亮了），FSA与抗精神药物治疗反应显著相关，此外作者进一步验证了FSA是否可泛化到其他精神疾病及非汉族人群。作者进一步应用PET/SPECT等分子影像数据和转录组数据做纹状体脑异常激活与纹状体多巴胺能空间分布和风险基因表达的关联，探讨SZFSA潜在病理及遗传基础。
Abstract
越来越多的证据表明，精神分裂症纹状体的功能和连接被破坏。我们开发了一种新的假设驱动的神经影像生物学标记物，用于基于功能性纹状体异常（FSA）的精神分裂症的识别、预后和亚型分型。FSA评分提供了纹状体功能障碍的个性化指标，范围从正常到高度病理。利用七个独立扫描仪扫描的功能磁共振图像（n?=1,）站点间交叉验证，FSA可以将精神分裂症患者与健康对照者区别开来，其准确率超过80％（敏感度为79.3％；特异度为81.5％）。在两个纵向队列中，基线FSA评分的个体间差异与抗精神病药物治疗反应显著相关。FSA揭示了神经精神疾病的纹状体功能障碍的严重程度，其中精神分裂症的功能障碍最严重，双相情感障碍的症状较轻，抑郁症、强迫症和注意缺陷多动症与健康个体间没有区别。纹状体功能亢进的位点概括了精神分裂症的多巴胺能功能的空间分布和多基因风险表达谱。总之，我们开发了一种新的生物标志物来标记纹状体功能障碍，并建立了其在预测神经精神疾病中的抗精神病药物治疗反应、临床分层和阐明神经精神疾病的纹状体功能障碍。
Introduction
精神分裂症是一种毁灭性的精神疾病，是全世界疾病负担的主要原因之一。精神分裂症和相关精神病新疗法的开发进展甚微。对于这种停滞的一种可能的解释是，现存的精神分裂症综合征定义太宽泛，无法提供生物学信息的治疗靶点。因此，迫切需要可量化和可个性化的生物学标记物，以划定更好的靶标，改善预后并促进对经典诊断类别精神分裂症病理生理学的更深入理解。然而，尽管进行了数十年的研究，可靠的生物学标记物仍未出现。
纹状体被认为在精神分裂症的病理生理学中起主要作用。大多数精神分裂症患者都接受抗精神病药物治疗，所有这些药物基本上都依赖于纹状体中多巴胺D2受体的阻滞。纹状体环路的个体间差异被认为是精神分裂症功能障碍，且与治疗反应相关。考虑到上述情况，我们的目标是基于FSA的概念开发一种新的生物标志物，产生个体化的纹状体功能障碍评分，其覆盖范围从正常到功能障碍。我们假设FSA会展示精神分裂症的可靠病理特征，并与抗精神病药物反应的个体间差异相关。为了检验这些假设，我们应用机器学习和静息态功能磁共振成像（fMRI）模式，根据纹状体的连接和局部功能特征推断出个体化的FSA分数（Fig.1a）。我们绘制了七个独立队列的FSA评分，其中包括名患有精神分裂症的个体和个匹配的对照，并通过使用站点间交叉验证来验证FSA测量。由于精神分裂症与突触前纹状体多巴胺能失调有关，并且证据表明，精神分裂症多基因风险调制纹状体功能，我们再综合多种模式，以解开精神分裂症FSA可能的遗传基础。
在这项工作中，我们提出了新的FSA生物标志物，并表明（1）FSA可以可靠地将通过不同的MR扫描仪扫描的精神分裂症患者与健康对照者区分开（Fig.1b,c）；（2）FSA在精神分裂症内可靠地显示出显著的异质性，对双相情感障碍具有中等敏感性，但对其他几种神经精神疾病不敏感；（3）FSA强有力地预测了经过不同MR扫描仪扫描患者对抗精神病药物的短期反应（Fig.1d）；（4）精神分裂症的纹状体过度激活的异常模式在空间上与纹状体多巴胺能系统和精神分裂症风险基因的表达有关（Fig.1e）。FSA生物标志物为预后评估、临床分层和了解精神分裂症的发病机理提供了一条途径。
Fig.1图1：FSA生物标志物的开发，测试和验证方案。为了建立临床上有用的静息态功能磁共振成像生物标志物，我们解决了几个主要挑战：（1）获得可靠的个体化测量；（2）实现独立人群和站点之间的可重复性和可泛化性；（3）实现生物学的解释性和机制的合理性。a，纹状体特征：根据我们的假设，包括了三种不同的在体纹状体成像标记，以系统地表征纹状体功能。b，组水平统计：对通过多个MR扫描仪获取的数据进行了统计分析，并证明了可重复的FSA模式。c，诊断的个体化预测：机器学习模型发现了FSA的可泛化的预测模式，并用它们来预测独立人群中未观察到的诊断状态。使用相同的分类模型，根据模型对患者分类的信心，为每个患者绘制FSA评分。d，个体化的预后预测：个体化的FSA评分预测独立人群中短期抗精神病药物反应的多样性。e，神经生物学和遗传学见解：使用分子成像和转录组数据的补充分析，研究了纹状体自发性脑活动升高的空间模式，揭示了纹状体多巴胺能与精神分裂症风险基因的表达谱之间存在显著的空间联系。GWAS，全基因组关联研究。Methods
Participants包括来自国内6家医院的1例被试（精分例，健康对照）完成临床资料采集及MRI扫描；同时包括来自2家医院仅接受第二代抗精神病治疗患者的纵向数据（37+58），详见原文及补充材料。MRIdataacquisition
数据采集采用GE/Siemens3T设备，采集EPI-rsfMRI（TR=2s，扫描时间处一中心为6min外，其他为8min）和3D-T1WI（1×1×1mm3）。医院含有两个站点。详见原文和补充材料。PreprocessingoffMRI
通过筛选伪影、头部运动（平移3mm或转动度数3°）、配准和标准化质量、以及排除左利手和混合利手被试以及匹配年龄和性别，确保了数据质量。经过筛选，最终有1个人被纳入我们的分析，其中包括精神分裂症患者例和健康对照例。预处理为标准化预处理流程，应用BRANT软件完成（作者团队自己开发的软件模块），详见原文。比较特殊的地方是作者特意强调了为何回归全脑信号。尽管静息态fMRI中的全局信号回归仍然存在争议，但我们执行此步骤是因为（1）fALFF的计算是基于快速傅立叶变换的，它需要保留时间结构（whichrequirespreservationofthetemporalstructure），从而使基于去除高头动时间点数据的方法无效，需要使用其他方法来减少头部运动和生理噪声的影响，例如全局信号回归；（2）尽管全脑信号可能包含有意义的神经元信息，并且先前已显示在精神分裂症中存在异常，我们提出的生物标志物是区域特异性的，因此将全局信号回归掉可能会强调纹状体特有的信号。Striatalsubregions
人类连接组图谱（humanBrainnetomeAtlas）（编者注：作者团队开发的脑图谱，目前已广泛应用）用于定义纹状体的空间范围并描绘其亚区。该图谱每个半球包含六个纹状体亚区：腹侧尾状核、苍白球、伏隔核、腹内侧壳核、背侧尾状核和背外侧壳核。人类连接组图谱中纹状体的边界与FMRIB软件库中包含的Oxford-GSK-Imanova连接纹状体图谱相同。没有根据以前的病例-对照分析选择这些纹状体亚区；相反，在执行分类时，我们合并了所有子亚区，以完全覆盖纹状体的空间范围。Measuresofstriatalfunctionfromresting-statefMRI
预处理后，使用BRANT工具箱计算每个个体的体素水平的fALFF和ReHo。简而言之，fALFF计算为在0.01–0.08Hz频带内每个体素时间序列中功率的均方根；使用Kendall和谐系数计算了ReHo以来测量每个体素的时间序列与其邻居的相似性。我们首先对fALFF和ReHo图像进行标准化，然后将图像重新采样至1.5mm3的分辨率，以实现准确的空间对应，因为艾伦人脑图谱（AllenHumanBrainAtlas）提供了MNI坐标的高分辨率（0.1mm3）。用3mm3的内核进行平滑，然后执行后续体素水平统计分析。
然后计算每个人的纹状体内和纹状体外FC值。纹状体内和纹状体外FC测量分别表征纹状体在其细分区内和与其他区域的连接程度。纹状体内FC表征了纹状体细分区之间的连通性，从而避免了将纹状体视为单个统一结构。我们计算了构成纹状体的所有体素对之间在fMRI时间序列中的Pearson相关性。这产生了FC矩阵，其中每行/列对应于纹状体的体素。该矩阵的上三角用于随后的分析。纹状体外FC的计算是所有纹状体的静息态fMRI活性平均值与所有其他皮质和皮质下灰质体素的活性之间的Pearson相关性。这产生了纹状体的全脑FC图。为了在保留解剖结构细节和减小维度之间取得平衡，我们调整了纹状体内和纹状体FC的体素分辨率。具体来说，纹状外FC（3,个特征）的分辨率我们使用6mm3分辨率，纹状内FC（2,个特征）的分辨率为8mm3。为了进行分类，我们将两个纹状体FC特征与纹状体素水平的fALFF相结合，共获得12,个特征。CalculationoftheFSAscore
对于每个患有精神分裂症的个体，我们确定了一个独立的FSA评分，该评分测量了个体纹状体功能与对照组的偏差。与健康对照组的差异指数与分类模型一致，其提供了属于一个类别的置信度，该方法是其他试图预测诊断状态的研究的典型方法。SVM分类用于执行诊断状态的个体预测（精神分裂症或健康对照组的个体），因为（1）SVM是基于神经影像学分类中使用最广泛的分类器之一，（2）SVM模型可以在距分离超平面的距离方面提供分类的置信度（与决策树等模型不同），这符合我们针对纹状体功能障碍的异质性的目标。值得注意的是，我们忽略了特征选择步骤以减少潜在的模型偏倚和复杂性，并且使用机器学习库scikit-learn在SVM模型中应用了提及的所有12个特征。我们选择了径向基函数（RBF）核，因为我们的特征空间是高维的，并且很可能是非线性的。我们在训练集中的样本上独立地对每个特征进行标准化，去除均值并按比例缩放到单位方差，然后存储均值和标准差，以便以后可以将其应用于测试集中（编者注：Z标准化）。我们使用站点间交叉验证策略来评估SVM分类器的性能。因此，我们使用来自七个扫描仪中六个的数据训练了SVM模型，并根据余下扫描仪上的数据测试了模型的性能。为避免污染测试集，仅使用训练集确定SVM超参数（最佳成本参数C，容忍度γ）。具体而言，我们使用了网格搜索功能来生成候选超参数，其范围是gamma和C的默认值的e-5到e5倍。然后，通过使用来自六个训练扫描仪的数据，我们执行了一个内置的站点间交叉验证，以基于所有模型中的最佳准确性（使用不同的γ和C值）来选择超参数（编者注：嵌套留一站点交叉验证）。Fig.3b显示了超参数选择和交叉验证的示意图。根据最佳超参数分类后，将每个患有精神分裂症的个体到分离的超平面的距离定义为个体的FSA评分。我们的分析流程可确保训练和测试数据完全相互分离，医院的不同扫描仪获取。Effectsofantipsychoticmedication
为了研究抗精神病药物对FSA评分的影响，我们将样本中的精神分裂症患者根据其目前的抗精神病药物治疗方案和过去的药物治疗史分为几个代表性的亚组（SupplementaryTable3）。更具体地说，我们描述了精神分裂症患者的三个亚组：（1）初次发作未使用抗精神病药物的个体，他们在招募前从未接受过治疗，并且在静息态fMRI扫描时未服用抗精神病药物；（2）首次发作募集前未接受过治疗的患者，在静息态fMRI扫描时正在服用抗精神病药并且接受抗精神病药的暴露时间不超过两周；（3）慢性个体，至少两年的抗精神病药物治疗。如SupplementaryTable3所示，尽管在三个精神分裂症亚组中，年龄、疾病持续时间和用药状况存在显著差异，但我们发现FSA评分没有显著差异。这表明，在短期和长期抗精神病药物暴露之间，以FSA评分为指标的纹状体功能障碍的模式相对稳定。我们还检查了一部分未接受过抗精神病治疗的患者（n?=41；其中78.05％的患者FSA评分为负；详细信息请参见SupplementaryTable3）。在自然临床情况下扫描初次未使用抗精神病药物的患者面临巨大挑战，这解释了未用抗精神病药物亚组的样本量相对较小。根据这些结果，FSA相对独立于抗精神病药物，因此有可能在不同疾病阶段广泛应用。此外，为了检查我们提出的生物标志物在扫描时是否受到药物状态的影响，我们比较了扫描时用药和未用药的精神分裂症组的FSA评分（P?=0.74，见SupplementaryTable5），医院的所有可用医学记录。Effectsofintra-scanheadmotion
在筛选出数据质量较差的个体之后，我们首先比较了精神分裂症和健康对照组之间的平均逐帧位移（FD），发现除了七个独立站点中的一个之外，精神分裂症和健康对照组之间的平均FD没有显著差异（ExtendedDataFig.2）。这提供了初步证据，表明我们的生物标志物的诊断性不能完全归因于头部运动。此外，我们仅使用与运动相关的变量来训练SVM模型，该变量包括：平均FD、FD随时间变化、超过FD阈值0.3mm的时间点数量，平均初始DVAR（时间序列导数为D，体素间均方根方差为VAR）（DV）和初始DV随时间变化。该SVM模型未实现超出偶然（chance）的分类性能。特别是，我们使用此SVM（仅使用头部运动测量进行训练）所达到跨扫描仪分类准确率为50.7％。这表明头动本身不能解释我们的发现。因为头动可能是与抗精神病药物副作用（例如，不自主运动）相关的混杂因素，所以我们验证了头部运动是否与治疗反应相关。具体来说，我们在PKU6或ZMD医院数据（编者注：两个中心的纵向数据）中测试了平均FD与症状改善百分比之间的关系（ExtendedDataFig.2b）。此外，当使用偏相关控制平均FD的影响时，我们检验了FSA的个体间差异是否仍然与症状严重程度的改善百分比显著相关（ExtendedDataFig.2c）。这些额外的分析表明，头动不会影响我们与抗精神病药物反应有关的发现。最后，我们进行了额外分析，以研究我们提出的生物标志物是否与头部运动有关。如ExtendedDataFig.2e–h所示，表明FSA评分和基于单个纹状体特征（fALFF，纹状体内FC或纹状体外FC）的FSA评分与平均FD无关。在精神分裂症和健康对照组中均没有这种相关性。
ExtendedDataFig.2扫描内头部运动对FSA的混淆a，精神分裂症（红色）和健康对照（蓝色）组的平均框架位移（FD）箱形图。如星号所示，在PKU6医院的精神分裂症组中FSA的平均FD显著较高（P.05，非配对双尾t检验）。在其他队列中，精神分裂症组与健康对照组之间的FD无显著差异（图中显示P值；非配对的双尾t检验）。箱线图的样本大小和定义与Fig.2b中的一致。b，散点图显示PANSS症状严重程度的百分比变化与平均FD之间没有显著相关性（PKU6医院：P=.57，n=37；ZMD医院：P=.72，n=58）。c，散点图显示了PANSS症状严重程度的百分比变化与FSA评分之间的偏相关性，控制了平均FD的影响（PKU6医院：P=.，n=37;ZMD医院：P=.，n=58）。d，FSA评分与FD平均值之间的关系。e-g，基于fALFF、纹状体内FC和纹状体外FC的FSA评分与平均值FD之间的关系。皮尔逊相关性用于评估b-g中的显著性。SpecificityofFSA