Nature mental health：青少年抑郁症功能连接和网络异常的大规模分析
摘要：重度抑郁症（MDD）是全球青少年心理健康残疾的主要原因，但仍未得到充分理解。先前的神经影像学研究表明，青少年 MDD 患者大脑回路的连接性存在改变，但研究结果并不一致。这可能与样本量有限以及样本和方法的异质性有关。为了描绘青少年 MDD 的可靠神经生物学标志物，我们对 7 个独立队列的 810 名青少年进行了数据驱动的全脑连接组大规模分析，采用横断面和病例对照设计。与健康对照个体（n = 370）相比，青少年 MDD（n = 440）与紧密连接的大脑区域（中枢）的连接性显著改变有关，这些区域主要位于默认模式网络和背侧及腹侧注意网络。至关重要的是，这些网络内的功能连接与抑郁症状严重程度显著相关，表明功能连接改变具有临床相关性。此外，机器学习分析表明，仅通过功能连接，在使用留一法交叉验证的未见过的数据中，就可以预测个体的诊断状态（AUC = 73.1%）和临床严重程度。总之，我们的工作是朝着稳健描述青少年抑郁症神经生物学基础迈出的重要第一步。我们证明了青少年抑郁症中大脑连接的临床相关性，并强调了功能中枢区域，特别是位于默认模式网络以及背侧和腹侧注意网络中的区域，在青少年 MDD 中的关键作用。
1. 引言
重度抑郁症在 10 - 24 岁的年轻人中终身患病率为 11.1 - 14.6%，是全球范围内导致年轻人心理健康残疾的主要原因。早期发病与在学术和职业领域的广泛功能损害以及较差的临床结果相关。尽管患病率高且预后差，但青少年 MDD 的神经生物学基础仍未得到充分表征。
功能神经影像学可以描绘精神、认知和神经系统疾病的神经基础，并有可能为治疗提供靶点。然而，青少年 MDD 的研究结果并不一致。最近一项针对青少年 MDD 的基于任务的功能磁共振成像（fMRI）研究的荟萃分析报告称，在综合了注意力、情绪、奖励处理和执行功能任务后，没有发现显著的大脑激活 / 失活簇。同样，最近一项关于静息态 fMRI 连接性的荟萃分析也没有观察到青少年 MDD 中过去基于种子的功能连接性发现的显著空间收敛。过去的大多数实证研究都受到样本量小的限制，而研究之间的差异进一步加剧了这一问题。这包括队列特征的异质性以及采集、预处理和分析方法的方法学因素，从而导致对青少年 MDD 神经生物学机制的认识不明确。更普遍地说，独立神经影像学研究之间的不一致性和缺乏可推广性，引发了对神经影像学发现的神经生物学、临床和转化价值的担忧。
解决这些局限性的一种方法是进行大规模分析。这包括整理和分析多个独立的队列数据集，提高统计功效，并增加研究结果的位点无关可推广性。通过利用基于领域专家共识的标准化和公开可用的 MRI 预处理流程，可以进一步提高可重复性和可推广性。这种方法还避免了荟萃分析中固有的MRI 预处理和分析流程异质性的混淆影响。至关重要的是，统计功效的提高允许进行全脑的无偏见数据驱动分析，避免了围绕神经生物学功能障碍特定来源的先入之见的潜在延续，而这在较小数据集的基于种子的分析中是必要的起点。单中心研究可能使用同一队列的子集来训练和评估预测模型，但通常不清楚这些模型是否会推广到外部数据集。相比之下，多中心研究能够建立位点无关的可重复和可推广的功能连接特征，这些特征对于临床转化至关重要。
在这里，我们收集了一个大型的多中心静息态 fMRI 数据集，这些数据来自患有 MDD 的青少年和来自四个国家的六个中心的健康对照个体（n = 810 名青少年参与者）。所有 fMRI 数据都完成了标准化的成像预处理、质量控制和协调，并且为每个个体绘制了功能性大脑网络（连接组）。使用这些标准化的连接组，我们旨在稳健地（1）使用无偏见的全脑统计推断来表征青少年 MDD 中的功能连接和分布式大脑网络的破坏；（2）识别与抑郁症状严重程度始终相关的连接；（3）应用机器学习预测模型来解析对个体间和位点间变异性最稳健的连接生物标志物。
2. 结果
我们进行了迄今为止样本量最大的青少年 MDD 静息态功能连接的大规模分析。总共确定了 27 个数据集，6 个组同意提供所需的神经影像学数据。除了无应答之外，未参与的原因包括部门和伦理方面对数据共享的限制。
最终经过质量控制的样本包括 440 名患有 MDD 的青少年和370 名年龄在 12 至 25 岁之间的健康对照个体。我们的研究设计包括四个核心组成部分：（1）标准化的 fMRI 预处理、质量控制、协调和全脑功能网络的映射；（2）基于全脑的推断，以识别青少年 MDD 患者与健康对照个体之间连接强度不同的功能连接，以及与抑郁症状严重程度测量相关的连接；（3）推断识别与症状严重程度相关的典型功能网络，其网络内和网络间连接与症状严重程度相关；（4）使用留一法交叉验证对个体诊断状态和症状严重程度进行预测建模（图 1）。
图1 （a）：青少年 MDD 功能连接的大规模分析设计概述。（b）：功能连接层面的组间和症状严重程度相关连接性差异的大规模分析。（c）：典型网络层面的组间和症状严重程度相关连接性差异的大规模分析。（d）：基于留一法交叉验证的诊断状态和症状严重程度的支持向量机预测模型。FC：功能连接；ROI：感兴趣区域。
图2 控制年龄和性别后，青少年 MDD 与健康对照个体的功能连接变化
2.1 青少年 MDD 的功能连接变化
利用一种无偏见的全脑方法，称为基于网络的统计（NBS），并控制年龄和性别，我们发现青少年 MDD（n = 440）与健康对照组（n = 370）相比，存在明显的高连接和低连接模式（分别为 P = 0.012 和 0.005）。根据与每个区域相关的显著连接总数，增加的连接性位于顶下小叶和顶上小叶区域、前岛叶以及体感、听觉和视觉区域和内侧丘脑（图 2a）。差异的幅度代表中等效应大小，科恩 d 值为 - 0.45（图 2c）。为了更深入了解贡献的功能网络，每对显著连接的区域被分配到它们各自的典型网络（补充部分 1.1）。这表明，与健康对照组相比，MDD 中背侧注意网络（DAN）与其他几个网络，包括显著 / 腹侧注意网络（VAN）、躯体运动网络（SMN）和中央执行网络（CEN）之间的连接性增加明显。此外，还观察到 VAN 内的高连接性（图 2b）。总体而言，与健康对照组相比，MDD 中与注意系统相关的高连接性存在主要破坏。
MDD 组还表现出与许多核心默认模式网络（DMN）区域的连接性显著降低，包括内侧前额叶皮层（mPFC）、额前扣带皮层（ACC）/ 扣带下回（SGC）、后扣带皮层（PCC）和额上回。眶额皮层以及顶上小叶、颞极和体感区域以及岛叶和丘脑也表现出低连接性（图 2d）。总体效应大小为中等（图 2f）。当将低连接区域在空间上分配到它们各自的典型网络时，DMN 与 DAN 和 VAN 的连接性降低（图 2e）。还观察到边缘内和边缘 - VAN 的低连接性（图 2e）。总之，MDD 特有的低连接性跨越了一个分布广泛的区域网络，主要涉及默认模式以及注意和边缘网络。
此外，性别与诊断的交互作用显著。女性 MDD 患者中，视觉、楔前叶、体感、前运动和背侧 mPFC 以及前丘脑的连接性低于男性 MDD 患者。相反，男性 MDD 参与者显示出与女性相比，右侧视觉、体感、后顶叶和扣带回皮层的连接性降低更明显。年龄与诊断的交互作用未检测到显著效应。
症状严重程度较高也与涉及 mPFC、前扣带皮层、角回、辅助运动区以及上顶叶和下顶叶区域以及壳核的连接性降低相关（图 3c、e）。在网络层面，DMN同样表现出与多个网络的广泛低连接性，这些网络跨越 DAN、VAN和 CEN（图 3d）。这些发现表明，在我们早期对青少年 MDD 功能连接异常的分析中观察到的 DMN 和注意网络为中心的低连接性，也与症状严重程度相关。
根据是否有既往抗抑郁治疗史对临床组进行分层，涉及丘脑和纹状体。在有药物干预史的患者中，这些皮层下结构与主要是 SMN 和 DAN 的连接性增加，与DMN 和 CEN 的连接性降低。
图3 控制年龄和性别后，抑郁症状严重程度相关的功能连接和网络变化
2.2 抑郁严重程度的连接和网络变化
接下来，我们研究了 348 名 MDD 患者的功能连接是否与抑郁症状严重程度相关，这些患者的蒙哥马利 - 阿斯伯格抑郁评定量表（MADRS）评分采用原始或转换后的分数。我们使用儿童抑郁评定量表 - 修订版（CDRS - R）或汉密尔顿抑郁评定量表 17 项（HAMD17）的心理测量学确定的转换量表。考虑到 MADRS 在不同位点的显著差异（表 2），在进一步分析之前，从 MADRS 分数中回归出位点效应（方法）。控制年龄和性别后，NBS 显示，涉及顶内沟、顶上小叶、扣带回后部和运动区域以及岛叶的较高功能连接性与较高的抑郁严重程度显著相关，如通过总 MADRS 评分测量（P = 4.14×10⁻²⁶，r = 0.53；图 3a、e）。在网络层面，这些连接主要位于注意和视觉系统，包括背侧和腹侧注意和视觉网络（图 3b）。皮层下结构，包括壳核和下丘脑，也受到影响。总之，这些发现表明，青少年MDD 中症状严重程度较高主要与注意和感觉网络的高连接性相关。
我们接下来试图定量识别对抑郁严重程度贡献最一致的网络。具体来说，我们计算了七组典型网络中每对网络之间的网络间和网络内连接强度，对每个网络的所有组成连接进行平均。该分析仅限于皮层区域。在控制了所有网络对之间的年龄和性别，并使用位点回归的 MADRS 分数后，抑郁严重程度越高，DMN 与 DAN（r=-0.15，P = 0.007）、VAN（r=-0.16，P = 0.003）和 CEN（r=-0.11，P = 0.034）之间的连接性越低，以及边缘和背侧注意网络之间的连接性（图 3f）。相反，DMN 内（r = 0.12，P = 0.022）和 DAN - VAN（r = 0.12，P = 0.032）连接性的增强与更严重的抑郁症状呈正相关（图 3f）。总之，这些结果提供了强有力的证据，表明默认模式和注意网络的参与是青少年 MDD 症状严重程度的更广泛功能网络特征。
2.3 中枢性的影响
前面涉及的几个区域被认为是大脑中枢，如 mPFC、ACC、PCC、前扣带皮层、外侧顶叶、视觉和岛叶区域。中枢连接性功能障碍与以早期发病为特征的疾病有关，包括自闭症谱系障碍、注意缺陷多动障碍和精神分裂症。因此，我们进一步研究了这一观察结果，并评估了每个节点的中枢性，由该区域与所有其他区域的总连接强度决定。这表明，中枢性水平越高与组间差异的幅度越大以及症状严重程度的相关性越高，为中枢区域对青少年 MDD 的贡献提供了额外的见解。
2.4 全局信号回归和头部运动的影响
补充分析表明，纳入额外的头部运动协变量、采用更严格的头部运动排除标准以及不进行全局信号回归，并没有改变 NBS 在组间和相关性分析中的总体发现模式。
2.5 在未见过的数据中预测抑郁状态和严重程度
使用留一法交叉验证，我们建立了基于功能连接模式预测个体诊断状态和症状严重程度的模型。对训练数据进行主成分分析（PCA），以降低功能连接矩阵的维度并减轻过拟合的风险。支持向量机在得到的主成分得分上进行训练。测试数据投影到主成分上，得到的得分用于推导预测（方法）。PCA 分别针对每个训练折叠进行。
在保留的位点上验证模型性能，我们表明，患有 MDD 的青少年（n = 440）可以与健康对照个体（n = 370）区分开来，平均准确率为 73%（所有保留测试集的受试者工作特征（ROC）曲线下面积（AUC）为73.1%；图 4a）。个体测试集（未见过的位点）的预测准确率范围为 50.9% 至 73.3%。我们发现，基于年龄和性别（总体 AUC = 53.5%）或仅基于年龄（总体 AUC = 53.7%）训练的诊断预测模型没有超过随机水平的性能。这表明诊断状态在特定年龄组或性别中没有不成比例的表现。
整合功能连接强度的模型可以显著预测症状严重程度（r = 0.14，P = 0.008，n = 348；图 4b），尽管在各个位点内的预测较弱且无统计学意义，这很可能是由于样本量减少所致。
为了描述对我们的预测模型最重要的功能连接，将主成分特征权重投影到功能连接矩阵的空间中，然后应用豪夫变换对投影的特征权重进行变换，以使其可解释。总体而言，诊断状态和症状严重程度的预测被发现主要由 DAN 区域的正连接驱动，其中顶叶皮层的一致性最高（图 4c、d）。相比之下，DMN 区域在与mPFC（包括额前 ACC/SGC）的负连接中突出显示，PCC的相关性最一致（图 4c、d）。平均网络层面的特征权重也表明，DMN 和 DAN 分别是分类和回归中负相关和正相关中最显著的网络。总体而言，我们的机器学习分析突出了与我们之前的 NBS 分析基本相同的区域和网络连接，支持了核心 DAN（顶叶皮层）和 DMN 区域（mPFC、SGC 和 PCC）的核心重要性。
总之，我们的发现表明，青少年 MDD 与默认模式和注意网络核心组件的功能连接性显著变化相关。这些区域往往具有较高的中枢性，并在独立的机器学习分析中显示出显著的预测准确性。
图4 诊断状态（抑郁或健康对照个体）和抑郁严重程度的预测模型
3. 讨论
这项工作代表了迄今为止青少年 MDD 静息态功能连接变化的最大规模大规模分析。我们的发现表明，在默认模式和背侧及腹侧注意网络中存在显著的连接性改变。这些网络中的中枢区域功能连接障碍，延续了早期关于中枢参与早期精神病理学发展的研究。我们还建立了机器学习模型，能够以显著的准确性预测诊断状态和抑郁严重程度，主要涉及相同的区域和网络集。总之，分析之间的一致性强调了与内省和注意处理相关的网络在青少年 MDD 中的关键参与。
3.1 青少年 MDD 中的分布式网络参与
控制年龄和性别后，我们的分析一致涉及 DMN 的核心节点，特别是额前 ACC/SGC、mPFC、PCC 和前扣带皮层。此外，青少年 MDD 中往往出现背侧和腹侧注意网络的各个组成部分的连接性改变。这些区域包括岛叶、纹状体和顶内沟 / 顶叶皮层。我们的发现扩展了先前在青少年 MDD 中关于静息态 fMRI 的研究，这些研究由于样本量和统计功效的限制，往往局限于特定的区域或感兴趣的连接。有趣的是，我们的观察结果与过去的研究一致，这些研究通常将年龄和性别作为协变量，也表明功能拓扑改变主要位于默认模式和注意网络。因此，这些网络改变可能代表了青少年 MDD 的通用生物标志物，超越了年龄和性别。
观察到的功能障碍区域和网络也与成人 MDD 在静息态和基于任务的功能改变方面的系统综述和荟萃分析结果一致。一个例外是CEN，在我们的分析中它没有成为核心组件。CEN 连接性的改变在成人 MDD 中广泛涉及，在晚发性 MDD 研究中比早发性 / 混合性发作 MDD 更明显。我们的研究结果中 CEN 未涉及的情况可能反映了与青春期和成年早期额叶系统延长成熟相关的更高神经发育变异性。然而，荟萃分析中观察到的在使用更多抗抑郁药物的研究中额叶参与度更高的情况，也需要考虑治疗效应的潜在混淆影响，特别是因为当前样本主要是未使用药物的。此外，这种差异可能源于先前成人MDD 研究中对空间靶向假设的研究（例如，使用感兴趣区域方法）。尽管如此，明显的重叠仍然存在，青少年和成人 MDD 都存在默认模式和注意系统连接性的破坏。这表明可能存在一种破坏的轨迹，可能始于青少年时期，并在疾病过程中相对局限于一组共同的过程和大脑系统。
显著的性别与诊断交互作用涉及视觉、体感、运动和丘脑区域的特定区域。年龄与诊断的交互作用不显著。鉴于之前没有关于青少年 MDD 中性别效应的大规模全脑连接组研究，我们在这里观察到的具体性别与诊断交互作用效应应谨慎解释。尽管基于过去全面检查全脑性别之间静息态fMRI 连接性差异的工作证据，涉及的区域，特别是枕叶和丘脑连接性，在全脑机器学习中一直是区分健康年轻成年人性别的最具判别性的区域。虽然这些研究是在健康年轻成年人中进行的，但与我们的发现的一致性表明，这些区域在未来针对青少年 MDD 的研究中可能值得进一步研究。
当根据是否有抗抑郁药物治疗史对临床样本进行广泛分层时，改变最明显的是皮层下区域（丘脑和纹状体）与 DMN 和 SMN 之间。尽管没有积极的实验条件，并且用于该分析的样本量减少，但我们观察到有药物治疗史的患者中皮层下 - DMN 连接性降低，这可能让人想起成人 MDD 中抗抑郁或无创脑刺激治疗后 DMN 高连接性的缓解报道。
有趣的是，丘脑也被认为是抗抑郁治疗结果的关键皮层下结构之一。然而，由于剂量、持续时间和先前抗抑郁试验次数等重要混淆因素不可用，因此在分析中未考虑这些因素，因此该样本中可能存在相当大的变异性。因此，这些观察结果需要谨慎解释。未来配备全面治疗信息的研究将更能够促进更细致的描绘。
3.2 中枢连接性变化和脆弱性
我们发现，与青少年 MDD 相关的连接性变化集中在拓扑中心的大脑节点（中枢区域）。令人惊讶的是，我们发现的几乎所有区域都以前被认为是丰富俱乐部节点（密集连接的中枢区域，促进全球通信和整合处理），包括 mPFC、ACC、PCC、前扣带皮层、外侧顶叶和岛叶区域。与我们的发现一致，mPFC、额前 ACC 和岛叶的体积异常已被证明在预测儿童和青少年社区及高危样本中 MDD 的发病方面具有最高的一致性，强调了它们在早期 MDD 发展中的关键作用。
中枢区域是高度连接的区域，通常被认为是大脑网络中的核心区域，有助于介导不同大脑系统内部和之间的信息全球整合。它们在发育的早期阶段出现，并在成年期经历持续的功能细化，随着青春期从局部到全球整合处理的转变。功能中枢在年轻人中已被证明具有高度可重复性和一致性。与非中枢区域相比，功能中枢参与神经发育过程的独特转录组模式，支持不同神经元连接的发展。由于它们的密集连接和拓扑中心位置，中枢是功能障碍的 “脆弱热点”。跨模态区域成熟的关键和延长窗口已知与对环境影响的高度敏感性相关。青春期中枢发育的偏离可能会产生持久的影响。这可能表现为大脑回路的病理组织和大脑功能的异常，可能导致这里观察到的分布式功能连接改变。
总之，青春期与长期的剧烈可塑性变化和重要的社会心理转变相吻合，代表了功能中枢系统解体以及网络动态改变的增加脆弱性的独特窗口。这可能导致无数自下而上和自上而下的认知、感觉和情感过程的失调以及情绪障碍的早期出现，包括青少年 MDD。
3.3 背侧注意网络在症状表现中的核心作用
在所有中枢区域中，DMN 的中枢在所有分析中表现出最高的一致性。纵向和横断面研究表明，DMN 及其中枢内的连接性通常从童年到青春期和成年期加强。中枢连接性的加强被认为是大脑发育过程中功能整合优化的基础。有趣的是，DMN 的局部中枢（例如 mPFC）在青少年时期已被证明选择性地表现出强烈的结构 - 功能耦合（白质和功能连接之间的高度对应），与其他跨模态区域通常观察到的耦合减少形成对比。这可能反映了 DMN 在支持 DMN 内紧密连接的中枢区域之间的网络协调通信中的独特作用。
值得注意的是，我们的发现表明 DMN 连接性与青少年抑郁症严重程度之间存在多种关联，这表明 DMN 连接障碍是一个核心因素。更高的抑郁严重程度与 DMN 与其他网络，特别是 DAN、VAN和 CEN 之间的功能连接性的更强反相关相关，此外还有 DMN网络内的高连接性。DMN 异常已被广泛认为与青少年和成人MDD 中的内省改变和过度沉思有关。DMN 与注意和执行网络的反相关作用特别令人感兴趣。对反相关连接的一种解释是网络之间的抑制关系。这里观察到的 “一对多” 网络关系与过去关于 DMN对注意和执行网络的抑制影响的发现非常吻合，这些影响与过度的内部焦点、认知脆弱性和 MDD 对治疗的反应相关。总之，我们观察到的 DMN 异常可能反映了对内省和注意系统之间正常通信的干扰。具体来说，由于 DMN 的主导作用，青少年 MDD 中自上而下的注意和执行控制在对自下而上的感觉信息和内部心理表征的竞争选择中可能特别受到损害。这种 DMN 输入的过度加权可能反过来导致适应不良的沉思和负面偏见的自我表征和评估。
这得到了在一大群青春期前儿童中 DMN 异常与内化心理病理维度的更广泛关联的支持，无论是否有终身精神障碍诊断。
至关重要的是，在没有 MDD 家族史的儿童中，已经报道了 DMN 区域和 CEN 之间的功能连接性降低以及 DMN 连接性增强，DMN - CEN 改变与随访时 MDD 的后期发展相关。在成人队列中，从研究抗抑郁治疗机制的证据来看，DMN 的功能连接异常是在药理、侵入性和无创脑刺激治疗中临床改善最一致涉及的因素。总之，MDD发病前高危儿童中 DMN 的异常以及抗抑郁和无创脑刺激治疗后DMN 连接性的显著正常化，有力地支持了 DMN 在 MDD 中核心参与的作用。
3.4 对神经调节治疗的影响
最后，我们机器学习分析中最突出的特征与我们在实证的组间和症状严重程度相关性分析中涉及的特征一致。这些特征可能有助于确定青少年 MDD 中基于神经生物学的治疗性脑刺激靶点。例如，经颅磁刺激（TMS）有潜力利用青少年大脑相对较高的可塑性。迄今为止，为成人抑郁症开发的 TMS 靶点已在青少年 MDD 中作为治疗的最佳猜测方法实施。这包括从成人 MDD 中得出的基于头皮的靶向启发式方法，这些方法似乎不适用于青少年较小的头皮尺寸。有趣的是，最近的研究表明，靶向连接到 SGC 的背外侧 PFC 位点的TMS 可能在成人抑郁症中特别相关或有效。在本工作中，我们在所有分析中观察到的 SGC 的强烈参与表明，在年轻患者中测试靶向连接到 SGC 的 TMS 可能也是有必要的。我们的工作还涉及一系列中枢区域，这些区域可以作为替代的疾病修饰神经调节治疗靶点，这与最近的一项建模研究一致，该研究涉及的区域大致相同，这些区域促进了由兴奋或抑制性扰动引起的 MDD 和健康之间的大脑状态转变。鉴于越来越多的人认识到基于网络的 TMS 诱导的神经调节，这些中枢区域的中心性可以被利用，并有可能作为 “治疗热点”，能够纠正支持青少年MDD 的分布式网络异常。
4. 优势、局限性和未来方向
这项工作旨在阐明青少年 MDD 在个体和群体层面以及功能连接和典型网络尺度上的稳健功能结构。本研究中多个独立队列数据集的整理提供了显著增加统计功效以及更准确和稳定的预测建模的优势，特别是考虑到过去 MDD 机器学习研究中使用的小样本量。
然而，有几个因素可能影响了症状严重程度预测模型的统计功效和准确性。首先，为了最大化临床样本，我们使用了已建立的 MADRS 转换量表。这些量表需要假设，并且可能通过在症状严重程度估计中引入潜在差异而限制了我们的发现。更重要的是，纳入随机对照试验和社区队列进一步增加了临床异质性，这由 MADRS 的显著位点差异证明。虽然样本异质性有助于识别在青少年 MDD 中可推广和稳健的可靠神经生物学特征，但像 ComBat 这样的协调方法的假设是，感兴趣的协变量在不同位点之间没有显著变化。由于这个假设没有得到满足，我们对所有与症状严重程度相关的分析回归了位点效应。未来工作中进一步扩大样本量可能是减少位点相关方差影响的一个潜在解决方案。
相关地，当前的研究可以以几种方式扩展和跟进其结果。例如，本研究方法没有考虑动态社会心理或环境对神经发育的影响，纳入这些措施可以为未来的工作中更全面的预测模型增加价值。如前所述，未来需要努力研究与治疗相关的功能连接性变化，以更好地理解作用机制。利用降维技术，可以识别与不同临床和 / 或人口特征集群（表型亚型）相关的对治疗的差异反应，如在成人 MDD 中所示。在青少年 MDD 中，已发现不同的症状集群对抗抑郁治疗有不同的反应。然而，潜在的功能连接特征仍未被探索。这种研究还将有助于揭示功能连接特征作为预后指标在指导治疗选择中的临床效用。与此相关，我们的种族和民族多样化队列为分析功能连接特征的潜在差异提供了机会。然而，由于需要通过协调去除扫描仪依赖的效应，可能已经大幅去除了与种族相关的方差，因为某些位点主要包含白人（位点 1 和 4）或亚洲人（位点 5）样本。对涉及特定种族群体的大型数据集进行单独分析，例如在中国建立的 REST - meta - MDD 联盟，可能有助于描绘 MDD 相关功能连接特征的种族差异。虽然我们的发现可以在神经发育易感性和 MDD 脆弱性的框架内解释，但另一种可能性是这些功能连接变化可能在症状出现后通过活动依赖的过程出现，并且可能默认模式和注意子系统在这方面最敏感。需要进一步的纵向工作来描述症状和功能连接改变表现之间的复杂相互作用。例如，可以考虑检查大脑成熟度与年龄之间的相互作用以及 MDD 与健康对照组之间连接模式的差异。最后，当前的工作是朝着建立青少年 MDD 的稳健功能结构迈出的重要第一步；通过未来类似的大规模全脑分析来复制当前的发现将是至关重要的。
5. 结论
据我们所知，这项工作代表了迄今为止青少年 MDD 中最大的汇总多中心静息态 fMRI 分析，涉及大脑连接和网络改变。我们的数据驱动的全脑连接组功能连接和机器学习分析一致表明，DMN、DAN 和 VAN 参与其中。这些连接特征还能够显著预测 MDD 诊断状态和症状严重程度。至关重要的是，青少年 MDD 中广泛的网络参与定位在已知的网络中枢区域。青春期与全球网络配置的关键时期和重要的社会心理转变相吻合，可能意味着对中枢成熟改变的敏感性增加。这反过来又可能增加内部和外部注意以及内省表征失调的风险，并最终导致重度抑郁症的易感性增加。重要的是，这些中枢区域的拓扑特性可能代表了非侵入性神经调节干预的机会，可以改进潜在的刺激靶点，利用青少年大脑的高度神经可塑性。
6. 方法
6.1 参与者
结构和静息态 fMRI 数据来自先前发表的研究中 7 个现有的队列，在 6 个国际站点进行扫描，总共包含 1075 名年轻参与者（年龄 12 - 25 岁）。计划进行大规模分析的队列是通过数据库搜索调查青少年 MDD 静息态功能连接的期刊文章确定的（无论是否包括健康对照群体），搜索截止到 2022 年 2 月。在 2022 年 5 月至 8 月期间，与适当研究的通讯作者取得联系，并邀请他们为大规模分析贡献数据。合并样本包括 488 名确诊为 MDD 的年轻个体和587 名健康对照个体。大脑成像在澳大利亚、中国、英国和美国的 6 个站点进行。经过质量控制，最终样本包括 440 名患有 MDD 的青少年和370 名健康对照个体，年龄在 12 至 25 岁之间。
诊断评估在不同队列中有所不同，包括基于《精神障碍诊断与统计手册》第四版的 K - SADS - PL 或 SCID 诊断标准。
6.2 抑郁症状严重程度评估和分数转换
使用每个量表的心理测量验证研究中提供的转换量表，将 CDRS - R 和 HAMD - 17 分数转换为 MADRS 分数。CDRS - R 分数的转换产生了一个分数区间，而 HAMD - 17 的转换产生了一个连续分数。为了确保个体之间的可比性，将转换后的MADRS 分数区间和连续分数以及原始原始分数进行排序，为每个 MDD 个体产生一个 MADRS 波段分数。这保持了在不同评定量表中对抑郁症状严重程度评估的一致性，使用MADRS 波段分数作为通用指标。MADRS 波段分数可用于7 个临床队列中的 6 个，来自 5 个扫描站点（位点 4 除外）。这些波段分数用于所有后续的症状严重程度分析。
6.3 伦理批准
本研究获得了墨尔本大学人类研究伦理委员会的豁免批准（202224565 - 31548 - 4）。此外，每个站点都从各自的伦理委员会获得了共享匿名数据的批准。
6.4 神经影像学数据
贡献站点提供了所有参与者的大脑结构 MRI（T1 图像）和未处理的静息态fMRI 图像。需要未处理的图像以实现所有站点的标准化数据预处理。结构图像用于促进图像注册和归一化到FMRIB 软件库（FSL）的蒙特利尔神经研究所（MNI）ICBM 152 非线性第六代不对称平均大脑立体定向注册模型（MNI152NLin6Asym）。静息态 fMRI 图像用于绘制功能性大脑网络（连接组）。MRI 采集参数在站点之间有所不同。绘制的连接组进行协调以解决站点差异。
6.5 静息态 fMRI 数据的标准化预处理和质量控制
预处理使用 fMRIPrep 版本 23.0.1 进行，该版本基于 Nipype 1.8.5。预处理步骤在补充部分 4 中有详细说明。所有预处理扫描的输出报告都进行了单独检查，并且通过研究者之间的共识确定了由于伪影（例如，牙套）、病理 / 偶然发现、预处理不成功和 / 或预处理质量差（例如，解剖和功能注册差、视野差）而排除的扫描。为了确保当前的发现不太可能受到头部运动潜在混淆影响的偏见，平均帧间位移（FD）>2mm 或标准化DVARS（体素上的均方根方差的导数）>1.5 和 / 或 FD>0.5mm 的体积超过 20%（异常体积）的个体被排除。平均 FD、标准化 DVARS 和 RMSD（均方根偏差，是对估计的相对（逐帧）总体头部运动的量化）值以及异常体积的百分比也作为补充 NBS 分析中的额外协变量（补充部分 3），并在最终的 MDD 和对照组之间进行比较，以考虑头部运动的潜在不成比例影响。对于进一步去除头部运动伪影，进行了额外的补充分析，采用更严格的排除标准，即平均 FD>1.5mm 和 20% 的异常体积。
前四个体积被丢弃以确保稳态。从处理后的 fMRI 时间序列中回归出 24 个头部运动参数及其导数，以及来自白质、脑脊液和全局信号的信号，所得残差用于连接组映射。还包括离散余弦变换基函数的回归器用于高通滤波。由于研究的人群可能容易受到运动伪影的影响，使用全局信号回归来进一步减轻头部运动。还进行了不应用全局信号回归的补充分析。
6.6 功能连接组映射
使用 Schaefer - Yeo 7 网络功能图谱将皮层划分为 400 个体积功能分区，并使用墨尔本皮层下图谱将皮层下划分为 54 个功能核，总共产生 454 个区域。根据之前的建议选择 400 个皮层分区。每个皮层区域被分配到七个典型的静息态功能网络之一：DMN、VAN、SMN、边缘网络、视觉网络、DAN和 CEN（也称为额顶叶网络）。对于每个参与者，将预处理后的静息态 fMRI 时间序列在组成每个区域的所有体素上进行空间平均，为每个区域产生一个平均时间序列。计算来自皮层和皮层下图谱的所有区域对之间的皮尔逊相关系数，以提供功能连接性的度量，为每个个体产生一个 454×454 的对称连接矩阵。ComBat 利用多元线性混合效应回归和经验贝叶斯来校正批次效应（从不同批次 / 站点收集的数据之间的系统差异）。我们应用这种方法来协调功能连接矩阵，同时保留感兴趣的方差（年龄、性别和诊断）。选择 ComBat 是因为先前的大规模分析研究表明它在显著去除多中心静息态 fMRI 中不同功能连接指标的位点特异性伪影方面非常有效。
6.7 统计推断
使用 NBS 来测试功能连接性的组间差异。NBS 确保在所有测试的功能连接集上控制家族式错误率。因此，它被广泛用于精神病理学研究，包括全脑大规模分析工作，利用其解决连接组全分析中固有的多重比较问题的能力。具体来说，使用功能矩阵，NBS 在统计上定位了 MDD 组与健康对照组相比连接性增加或减少的连接子网。所有 NBS 组间分析都对年龄和性别进行了调整。NBS 还用于识别连接，其在 MDD 个体之间的连接强度变化与症状严重程度的变化相关，使用 MADRS 进行测量。对于这一子集的个体，重复进行协调以保留由年龄和性别以及 MADRS 分数解释的方差。考虑到 MADRS 在站点之间的显著差异以及 ComBat 的默认假设，即感兴趣的协变量与站点没有强相关性，我们在 ComBat 协调之前，通过从 MADRS 分数中回归出位点效应来直接控制位点效应。NBS 用于分别测试功能连接性与 MADRS 之间的正相关和负相关。包含显著连接总数最多的区域被认为是突出区域。
使用 t>3.5 的边缘形成阈值。在 P<0.05 时进行家族式错误校正被认为是统计显著的，并且生成了 5000 次排列来估计 NBS 的零分布。为了确保在协调和随后的大脑 - 行为关联中位点对 MADRS 没有影响，使用排列检验将得到的相关性 NBS 发现与随机水平进行比较。这涉及在每个位点内的个体之间随机排列位点回归的MADRS 分数，以生成一个零数据集，其中功能连接性与 MADRS 之间的任何潜在关联都被消除。生成了多个这样的零数据集（N = 1500），并对每个零数据集重复相同的 ComBat 协调和 NBS 相关性分析流程。这表明，在 1500 个零分布样本中，大约 5% 的样本产生了与抑郁症状严重程度相关的显著子网，分别用于正相关和负相关（P<0.05），确认了对假阳性率的满意控制。
还进行了补充 NBS 分析，以探索功能连接性变化的独特模式是否与不同的人口统计学和 / 或临床特征相关。首先，我们重复了组间 NBS 分析，同时纳入了年龄与诊断和性别与诊断的交互项，以描绘潜在的年龄和性别交互效应。还进行了另一项组间比较，通过比较有（n = 68）和没有（n = 190）抗抑郁干预史的患者之间的功能连接性，来评估药物治疗史的影响，其中年龄和性别作为协变量。所有补充 NBS 分析都应用了相同的统计阈值。
由于用于推导青少年 MDD 功能连接标志物的统计测试没有对数据分布做出任何假设，因此没有正式测试正态性和方差齐性的假设。
6.8 诊断状态和抑郁严重程度的预测建模
使用支持向量机（SVMs）根据功能连接特征来预测个体诊断状态和 MADRS 分数。首先应用 ComBat 来协调功能连接矩阵，并保留分类（诊断、年龄和性别；n = 810）和回归（MADRS、年龄和性别；n = 348 名患有 MDD 的青少年）样本的相关感兴趣变量。为了减轻 MADRS 的显著位点差异对协调和回归建模的潜在影响，我们在 ComBat 协调之前从 MADRS 中回归出位点效应。协调后，数据首先使用留一法交叉验证划分为训练集和测试集（图 1）。划分方式是使用 N - 1 个位点进行模型训练，而其余位点保留作为测试集。功能连接数据以矩阵 X 的形式总结，其维度为 M×102,831 矩阵，其中 M 是组成训练集的个体数量，102,831 是独特功能连接的数量。
SVM 分类和回归分别使用 MATLAB 中的 fitclinear 和 fitrlinear 函数实现。模型使用随机梯度下降进行拟合，并使用默认的正则化项强度 λ = 1/M 进行岭正则化。通过优化这个超参数可以潜在地提高模型性能，但在当前研究中没有考虑这一点。在测试集上评估准确性如下。令 X_test 表示测试集的等效矩阵。我们首先将 X_test 投影到主成分空间中，使得 X_test = X_test C_t，然后将拟合的模型应用于 X_test，以得出对组成测试集的个体的预测。由于模型拟合算法（随机梯度下降）的随机性，整个模型拟合和评估过程重复 100 次，并且除非另有说明，否则在 100 次迭代中对模型性能进行平均。
为了帮助解释特征权重，使用豪夫变换对其进行变换。还检查了七个网络对预测性能的相对贡献。
为了探索人口统计学变量对分类性能的单独贡献，我们训练了一个 SVM 分类器，根据年龄和性别以及仅年龄来分类诊断状态。这建立了一个基准 / 参考预测准确性。
最后，使用排列检验来估计 P 值以排除任何参数假设。这涉及在应用 ComBat 和 SVM 回归分析之前，在每个位点内的个体之间随机排列位点回归的 MADRS 分数。这个过程重复 1500 次以生成一个经验零分布。我们发现，在 1500 次试验中，观察到的 r 值大于从排列中获得的值的次数为 1483 次（P = 0.011），确认了观察到的相关性强度显著强于随机预期。
参考文献：A mega-analysis of functional connectivity and network abnormalities in youth depression.