摘要：

目的：越来越多的证据表明，精神分裂症（SZ）、双相情感障碍（BD）和抑郁症（MDD）等主要精神障碍（MPD）具有共同的病因学和病理生理学特征。研究精神病情感谱的神经生物学可以极大地促进精神病诊断的生物学确定，这对于开发更有效的治疗方法至关重要。

方法：在这项研究中，发展了集成聚类来识别MPD跨诊断样本中的亚型。使用全脑低频波动幅度（ALFF）提取低维特征，对总共944名参与者进行聚类：581名精神病患者（193名SZ患者、171名BD患者和217名MDD患者）和363名健康对照者（HC）。

结果：与HC相比，我们发现两种亚型在额叶和后脑区的功能不平衡模式上存在差异：（1）原型MPD（占MPD的60%）增加了额叶ALF，减少了后脑ALF，多个脑区的皮质厚度和白质完整性降低，这与多基因风险评分增加和脑组织风险基因表达增加有关；（2） 非典型MPD（占MPD的40%）的额叶ALF降低，后叶ALF增加，但有效性指标没有相关改变。服用药物的原型MPD的症状严重程度低于未服用药物的原型MPD；而服用药物和未服用非典型MPDs在症状评分上没有差异。

结论：我们的研究结果表明，ALFF测量的额后功能失衡是区分MPDs亚型的一种新的跨诊断生物标志物，可能对精确医学有意义。

前言：

在精神病学中，确定的生物标记物仍然是难以捉摸的，而医学的其他领域已经积累了大量用于诊断和治疗的生物标记物。尽管《精神疾病诊断与统计手册》（DSM）已经彻底改变了这个领域，并将其推进到目前的状态。但研究主要利用的是在没有任何生物测定的情况下，基于临床现象学来区分神经精神疾病的分类法。长期以来，主要精神障碍（MPD）被认为是不同的诊断类别，由精神分裂症（SZ）、双相情感障碍（BD）和主要抑郁症（MDD）组成的主要精神障碍，在遗传学、分子学、组织学和神经影像学研究等方面的证据趋同的情况下，具有实质性的核心特征[1-6] 。因此，精神病性和情感性疾病之间的连续性似乎比以前认为的要大。因此，了解MPDS的核心变化对于绘制导致精神病理学的主要神经通路以及导致诊断内部和诊断之间不同临床现象的交叉点至关重要。

有几项研究采用了替代方法来识别超越传统诊断界限的基于大脑的生物标记物[7,8]。最近，Clementzet等人利用双相精神分裂症中间表型联盟网络[7]产生的跨诊断数据，对认知和电生理指标进行了k均值聚类分析。他们确定了三种“生物型”，它们在很大程度上与DSM-IV诊断正交，并且在外部验证指标（如大脑结构和功能）方面显著不同[9,10]。他们的方法被吹捧为朝着更基于神经生物学的精神病理解迈出的重要一步[11]。随后，Drysdale等人的开创性工作利用哈密顿抑郁量表（HAMD）的典型相关分析确定了四种退化生物型，以表征连通性特征[8]。他们的工作提出了另一种在临床异质性诊断中细化分类的策略，以及识别可能对经颅磁刺激更敏感的个体。

神经影像学为神经精神疾病提供了大量潜在的生物标志物。脑功能异常已被证明在评估疼痛[12]方面很有用，并显示出在治疗神经精神疾病方面的巨大应用前景。静息状态功能磁共振成像已经建立，并已被广泛用于通过测量血氧水平依赖（BOLD）信号中的自发低频波动（LFF）来无创探索大脑的内在功能结构[13,14]。虽然其潜在机制尚不清楚，但LFF似乎起源于神经血管活动[15]，并与谷氨酸能/γ-氨基丁酸能突触电流和胶质细胞活动有关[16,17]。此外，BOLD信号波动的幅度与局部脑血流量成正比，这是脑代谢活动的标志[18]。低频波动幅度（ALFF；通常在0.01–0.08 Hz范围内）似乎是局部自发神经元活动的有效指标[19]。ALFF的区域变异性反映了给定体素中的海绵状新生物波动，与相邻体素、区域体素或网络连接无关。此外，ALFF表现出中等至实质性的重测信度[20]，确保其作为区域功能测量的有效性有较高的上限，以检测个体差异[21]。之前的研究，包括一项多中心研究和我们之前的工作，已经表明，与健康对照组（HC）相比，MPD的ALFF发生了显著变化，最显著的是额叶、皮质下和颞叶区域，以及视觉区域（楔前区和楔前区）；然而，有报道称存在不一致[6,22,23]。

在这项研究中，我们提出了一种新的聚类方法，利用深度学习来识别MPDs跨诊断样本中精神情感障碍谱的亚型。我们使用一个深度堆叠的自动编码器来提取ALFF的低维特征，然后用一个集合聚类的方法来识别基于ALFF的子类型，这些子类型在MPD中彼此间的差异最大。然后，我们使用皮质厚度、白质完整性（通过分数各向异性（FA））、多基因风险评分（PRS）和风险基因表达组织图谱测量来验证结果亚型。我们还研究了药物状态对症状严重程度的影响，以确定每个亚型内可能的药理作用。

材料与方法：

受试者和测量：

这项研究共包括944名参与者，包括581名MPDs患者（193名SZ患者、171名BD患者、217名MDD患者）和363名HC患者，他们被招募并扫描到具有相同纳入和排除标准的单一位点。MPD参与者来自沈阳市精神卫生中心和中国医科大学第一附属医院精神科的住院和门诊。HC参与者从当地社区由广告招募。使用HAMD和简明精神病评定量表（BPRS）评估行为症状。认知功能采用威斯康星卡片分类测试（WCST）进行评估。人口统计学和临床特征详见补充表1和表2。采集全血样本（243名患者和193名HC）。所有参与者在收到研究的详细描述后，都提供了书面通知。这项研究得到了中国医科大学机构审查委员会的批准。

补充表1：Demographic, clinical characteristics, and cognitive function of healthy controls and major psychiatric disorders

Data are presented as either n (%) or mean (SD). Abbreviations: n, sample size. HAMD, Hamilton Depression Scale. BPRS, Brief Psychiatric Rating Scale. WCST, Wisconsin Card Sorting Test.

在中国医科大学第一附属医院（沈阳）的GE Signa HD 3.0T扫描仪上，使用标准8通道头部线圈采集功能性MRI、结构性MRI和扩散张量成像（DTI）。使用梯度回波平面成像 (EPI) 序列收集功能图像以进行 ALFF 测量。使用三维快速破坏梯度回波序列收集三维高分辨率T1加权图像数据，测量皮质厚度。DTI使用单个短自旋EPI序列测量FA，以评估白质完整性。有关所有扫描序列参数和图像预处理，请参见补充信息中的“方法”。还进行了基因分型、PRS的插补和计算，以及风险基因表达。有关如何执行这些操作的详细信息，请参见补充信息中的“方法”。

基于深度学习的集成聚类方法：

聚类算法根据数据点在维度空间中的相似性对数据点（即参与者）进行分组。对于全脑 ALFF 等高维数据，必须减少维数以避免“维数诅咒”[24]。因此，聚类结果依赖于为分析选择的维度表示；然而，没有确定的标准来选择合适的维度表示。因此，我们的算法被设计为对多维表示进行聚类分析，然后使用共识组分配和鲁棒性优化协议来实现最可靠和稳定的亚型分配。在以下步骤中，使用基于深度自动编码器的新型集成聚类方法在581例MPDS患者中确定了亚型（图1）

第一步：降维

为了识别主要的ALF改变，我们使用通用线性模型（GLM）提取了MPD和HCD之间ALF显著不同的体素。在GLM分析中，性别（男性/女性）和群体（MPDs/HC）作为离散因素，年龄作为连续因素，群体对ALF的影响是分析的主要目的。显著性水平设置为体素p<0.001，高斯随机场（GRF）校正为聚类p<0.05。在42185个体素的全脑中，共有2175个体素在MPDs和HC之间的ALFF中被鉴定为显著不同。然后，我们使用自动编码器[25]，一种深度人工神经网络，进一步降低输入数据的维数d∈[2, 10]。自动编码器包括一个编码器和一个对称解码器。编码器将如上所述获得的2175个体素压缩成一个低维表示，由九层组成，大小为2175-2048-1024-512-256-128-64-32-D，并将解码器的对称重建作为输出。均方误差被用作损失函数，以最小化2175个体素输入和输出层重建体素之间的差异。与主成分分析等传统的降维方法相比，Auto Encoder能够学习输入数据中的内在非线性关系，因此更适合高维非线性数据[25]。

第二步：集成聚类

对高维数据进行聚类的一个常见问题是，不恰当的低维数据表示将导致不可靠的聚类结果。为了避免这个问题，我们设计了一种新的集成方法来集成来自多个d维度表示（d∈[2,10]）（补充图1）从自动编码器获得。用欧几里德距离计算参与者之间的距离，用完全连锁法计算聚类之间的距离。对于每个d维表示（d∈[2,10]），我们获得了一组所有参与者的聚类结果。因此，每个参与者随后被分配了九个类别标签，一个用于基于九个d维表示的聚类结果。一个共识由九个类别标签中的大多数确定，并作为每个参与者的聚类分配。因此，集成结果可以更好地反映数据的内在聚类特征，因为它集成了参与者多个低维表示的结果。

补充图1：层次聚类分析

树状图中每个链接的高度表示由该链接连接的集群之间的距离。颜色条显示了相应集群中表示的临床诊断。  d、尺寸。 SZ，精神分裂症。 BD，双相情感障碍。 MDD，重度抑郁症。

第三步：优化聚类稳健性

虽然集成聚类方法是有效的，但它对自动编码器获得的低维表示相对敏感。为了提高聚类结果的稳健性，我们在聚类方法多次运行的基础上合并了一些聚类。为此，我们首先引入了一个新的指数来量化集群的稳健性。聚类的稳健性指数计算如下：xx。然后，我们采用了一种迭代的、分层的方法来聚集鲁棒性较低的集群。具体来说，我们迭代地将鲁棒性指数最低的两个聚类组合起来，直到所有聚类都足够鲁棒，即它们的鲁棒性指数大于阈值δ。在我们的分析中，根据我们对大脑图像数据的实验，δ被设置为0.8。

跨多层次生物学数据的亚型相关验证：

ALFF改变与HC的比较：

通过DPABI对ALFF值进行分组比较[26]。对于每个体素，进行GLM以检查每个亚型和HC之间的ALFF差异。在GLM分析中，性别和群体作为离散因素，年龄作为连续因素，群体对ALFF的影响是最重要的。统计显着性是通过将单个体素p（未校正）<0.001 与 GRF 校正相结合来确定 p<0.05 的集群级推断。

皮质厚度和白质完整性：

使用FreeSurfer（MRI_glmfit）在皮质表面进行皮质厚度的组间比较，并在SPM8中计算FA值()对于每个顶点或体素，GLM用于检查每个亚型和HC之间皮质厚度和FA的差异。GLM设计和统计学意义与ALFF分析相同。

遗传负荷分析：

通过逻辑回归分析PRS（PRS-SZBD和PRS-MDD）与每个亚型的关联，并计算纳格尔克的伪R2来衡量解释的方差比例。我们估计并分析了105个不同水平的高分辨率PRS（从0到0.5，增量为0.005+10−6,10−5,10−4,0.001和1）。为了校正多重比较，采用了Euesden等人[27]建议的显著性阈值P=0.004。

临床和认知测量：

两样本t检验用于检查亚型之间的HAMD和BPRS总分、因子分和WCST分的差异。经FDR校正后，多重比较的统计学显著性设置为p<0.05。HAMD和BPRS因子得分通过探索性因子分析确定，使用MPDs中的主成分因子法（n=581）（“补充信息中的方法”，补充表3和4）。随后，将产生的HAMD和BPRS因子用于组分析，我们进行了两次抽样测试（FDR校正p<0.05），以检查药物状态对每个亚型的影响。

补充表3：The four-factor solution for Hamilton Depression Rating Scale

跨多水平生物学数据的临床诊断相关验证: 

我们还根据临床诊断对ALFF、皮质厚度、白质完整性、PRS、风险基因表达和药物状态的影响进行了类似分析。

结果：

确定的亚型及其与临床诊断的关系：

新的集成聚类方法在MPDs样本（n=581）中确定了两个子类型，原型MPDs（聚类A，占MPDs样本的60%）和非典型MPDs（图1和补充表5）。临床诊断（SZ、BD和MDD）的分布在典型和非典型MPD之间有所不同。SZ出现在典型MPD中的比例（40%）高于非典型MPD（16%）。BD和MDD在典型MPD中分别占27%和33%，在非典型MPD中分别占35%和49%（补充图2a）。从临床诊断的角度来看，有更多的SZ属于典型MPD（86%）。虽然BD和MDD亚型作为典型MPD的比例相对较小（分别为65%和61%），但BD和MDD在非典型MPD中的比例比SZ高。86%的SZ被分型为典型 Mods（补充图2b）。

补充表5：Demographic, clinical characteristics, and cognitive function of Archetypal and Atypical MPDs

Data are presented as either n (%) or mean (SD). Abbreviations: n, sample size. MPD, major psychiatric disorder. HAMD, Hamilton Depression Scale. BPRS, Brief Psychiatric Rating Scale. WCST, Wisconsin Card Sorting Test.

补充图2：每个诊断类别按亚型和临床诊断的分布

MPD, major psychiatric disorders. SZ, schizophrenia. BD, bipolar disorder. MDD, major depressive disorder.

亚型相关特征：

亚型相关ALFF改变：

在原型MPD（n=411）中，与HC（n=363）相比，额叶区域（前额叶皮质、边缘、边缘旁和纹状体）的ALFF显著增加，后叶区域（初级感觉皮质、运动皮质和单模态社交皮质）的ALFF显著减少（图1中的亚型定义）。在非典型MPD（n=170）中观察到相反的情况：与HC（n=363）相比，额叶区域（前额叶皮质、边缘、边缘旁和纹状体）的ALF显著减少，后部区域（初级感觉和运动皮质以及单峰结合皮质）的ALF显著增加（图1中的亚型定义）。

亚型相关皮质厚度和白质完整性：

在原型MPD中，与HC相比，皮质厚度（n=377）和FA值（n=397）在多个大脑区域中显著降低（n=353和359）（皮质厚度：Cohen'd=0.28；p=0.002。FA值：Cohen'd=0.52；p<0.001）（图2）。在非典型MPD中，与HC（n=353和359）相比，未观察到皮质厚度（n=159）和FA值（n=164）的显著差异。

亚型相关多基因风险：

四个PRS-SZBD分数【PT为10 −6（NSNPs=300），10−5（NSNPs=565），10−4（NSNPs=1203）和0.001（NSNPs=2978）】显示典型MPD（n=143）和HC（n=192）之间存在显著差异。分别解释了典型MPD变异的5.6%、4.9%、4.3%和4.0%。经过多次比较校正后，得分仍然显著。与HC相比，在 PRS-SZBD 在非典型 MPD（n=100）或 PRS-MDD 在任一亚型中均未观察到显着差异。图3显示了每个亚型的十个最适合PRS分数。

亚型相关基因表达：

结合GWAS数据和额叶皮质eQTL，我们确定了173个与原型MPD显著相关的基因（n=143）和138个与非典型MPD显著相关的基因（n=100）（补充Excel 1）。这些基因随后被用作网络工具FUMA上表达富集分析的输入。这两组基因显示，来自GTEx的53个人类组织的差异表达谱[28]。原型MPDs相关基因在21个组织中表达显著；大约一半（11个组织）代表脑组织（图4a）。与非典型MPD相关的基因主要在非脑组织中表达，包括心脏、前列腺、垂体、胰腺、甲状腺和肝脏（图4b）。

亚型内的临床特征：

与未服用药物的原型MPD相比，服用药物的原型MPD的HAMD和BPRS因子得分显著降低（图5）。显著不同的因素包括一般躯体抑郁症状（n=377；95%CI，2.24-3.58；科恩标准差=0.94；p<0.001）、核心抑郁症状（n=377；95%CI，2.37-4.36；科恩标准差=0.70；p<0.001）、躯体化（n=377；95%CI，1.26-2.51；科恩标准差=0.66；p<0.001），HAMD中的混合症状（反复发作、躁动、精神焦虑和洞察力）（n=377；95%CI，0.52-1.17；科恩标准差=0.59；p<0.001）；BPR中的敌意和怀疑（n=306；95%可信区间，0.52-3.13；科恩标准差=0.36；p=0.007）（图5）。在服用药物和未服用药物的非典型MPD患者之间，未观察到HAMD和BPRS因子得分的显著差异（图5）

基于临床诊断的生物学和临床特征：

基于临床诊断的多模式生物学特征显示SZ、BD和MDD的连续性改变。详情请参见补充结果和补充图。3–7.

补充图3：SZ、BD 和 MDD 中ALFF的显着变化区域

(a) 显着性水平设置为体素 p < 0.001，集群 p < 0.05 的高斯随机场 (GRF) 校正。 (b) 显着性水平设置为体素 p < 0.01，集群 p < 0.05 的 GRF 校正。 SZ，精神分裂症。 BD，双相情感障碍。 MDD，重度抑郁症。 HC，健康对照。 L，左。 R，对。颜色条代表 t 值。

皮质厚度和白质完整性：

在 SZ 和 BD 中，与 HC（n=353 和 359）相比，多个脑区的皮层厚度和 FA 值显着降低（SZ 中的皮层厚度：n=353；Cohen's d=0.38；p<0.001。BD 中的皮层厚度 ：n= 359；Cohen 的 d=0.30；p<0.001。SZ 中的 FA 值：n=186；Cohen 的 d=0.55；p<0.001。BD 中的 FA 值：n=161；Cohen 的 d=0.44；p<0.001)  （补充图 4）。 在 MDD 中，与 HC 相比，没有观察到皮质厚度和 FA 值的显着差异。

补充图4：SZ 和 BD 的 (a) 皮质厚度和 (b) 白质完整性存在显着差异

显着性水平设置为体素 p < 0.001，集群 p < 0.05 的高斯随机场校正。 SZ，精神分裂症。 BD，双相情感障碍。 HC，健康对照。颜色条代表 t 值。

多基因风险评分：

所有十个最佳 PRS-SZBD 得分 [PT 为 10-4 (NSNPs=1203), 0.001 (NSNPs=2978), 0.005(NSNPs=5416), 0.01 (NSNPs=6914, 0.015 (NSNPs=7802), 0.02 (  NSNPs=8558), 0.025(NSNPs=9154), 0.03 (NSNPs=9649, 0.035(NSNPs=10124), 0.04 (NSNPs=10562)) 显示 SZ 和 HC 之间存在显着差异，分别解释了 SZ 的 6.7%, 7.1%, 8.1%, 9.9%、10.0%、6.4%、5.3%、5.7%、5.9% 和 5.5% 的变化，并且在多重比较校正后仍然显着（补充图 5）。两个 PRS-SZ 得分【在PT为 0.14  (NSNPs=15271), 0.15 (NSNPs=15633)】,显示SZ和HC有显着差异, 解释了SZ变异的5.1%, 经多重比较校正后仍然显着. 在 SZ、BD 和 MDD 中，PRS-SZBD, PRS-BD和 PRS-MDD无其他显着差异。

补充图5：SZ、BD 和 MDD 中 PRS-SZ、PRS-BD、PRS-MDD 和 PRS-SZBD 解释的病例对照状态的方差（y 轴）

X 轴代表 P 值阈值，y 轴代表 PRS 模型拟合：R2（Nagelkerke's）。 条形代表在不同 P 值阈值下计算的十个最佳拟合 PRS 分数。  ***, p < 0.001;  **，p < 0.01。 PRS-SZBD，精神分裂症和双相情感障碍的多基因风险评分，PRS-MDD，重度抑郁症的多基因风险评分。

补充图6：

Risk gene expression profile across 53 tissues from genotype-tissue expression in (a) schizophrenia, (b) bipolar disorder, and (c) major depressive disorder  

风险基因表达

SZ、BD 和 MDD 在来自 GTEx[12] 的 53 个人体组织中具有不同的风险基因表达模式。 对于 SZ，风险基因在 7 个组织中显着表达，其中之一是脑组织（小脑半球）（补充图 6a）。 对于 BD 和 MDD，风险基因在一种非脑组织（心脏）中显着表达（补充图 6b 和 c）。

补充图7：

HAMD and BPRS factor scores in medicated versus unmedicated SZ, BD, and MDD 

Significance level was set at p < 0.05 with false discovery rate correction. Vertical black lines show the standard errors of the means. ***, p < 0.001. **, p < 0.01. *, p < 0.05. SZ, schizophrenia. BD, bipolar disorder. MDD, major depressive disorder. HAMD, Hamilton Depression Rating Scale. BPRS, Brief Psychiatric Rating Scale. 

基于药物状态的症状严重程度

与未服药者（n=37 和 n=49）相比，服药 SZ（n=122）和 BD（n=117）的所有 HAMD 因子评分均显着降低（在 SZ，一般躯体抑郁症状：95% CI，  2.24-3.58；Cohen's d=0.66；p=0.002。核心抑郁症状：95% CI，0.57-2.94；Cohen's d=0.52；p=0.004。躯体化：95% CI，0.11-1.54；Cohen's d=0.42；p  =0.004。混合症状：95% CI，0.24-1.00；Cohen's d=0.56；p=0.002。在 BD 中，一般躯体抑郁症状：95% CI，0.41-2.49；Cohen's d=0.46；p=0.007。核心抑郁 症状：95% CI，0.37-3.25；Cohen's d=0.41；p=0.014。躯体化：95% CI，0.28-2.03；Cohen's d=0.43；p=0.010。混合症状：95% CI，0.26-0.64；Cohen's  d = 0.24; p = 0.026）（补充图7）。药物治疗的 SZ(n=133) 显着降低了抑郁/焦虑 (95% CI, 0.63-3.28; Cohen's d=0.47; p=0.004) 和敌意/怀疑 (95% CI, 2.39-5.92; Cohen's d=) 的 BPRS 因素 0.77；p<0.001）与未用药的 SZ（n=51）相比（补充图 7）。药物 BD (n = 86) 发现认知处理紊乱 (n = 34) 的 BPRS 因子评分显着降低 (95% CI, 0.31-1.36; Cohen's d = 0.52; p = 0.002) (补充图 7)。药物治疗的 MDD (n=86) 显着降低了一般躯体抑郁症 (95% CI, 0.47-2.21; Cohen's d=0.41; p=0.003) 和混合症状 (95% CI, 0.34-1.95; Cohen's d=  0.39; p = 0.005）与未用药的MDD（n = 50）相比（补充图7）。药物治疗和未药物治疗的 MDD 之间的 BPRS 因子评分没有显着差异（补充图 7）。

补充图8：

Performance of the classification models: (a) M1 for subtype assignment and (b) M2 for clinical diagnoses 

SZ, schizophrenia. BD, bipolar disorder. MDD, major depressive disorder.

构建基于 3D 卷积神经网络的分类模型

通过使用 ResNet-18 卷积神经网络，我们构建了两个分类模型：1）M1 将患者分类为原型或非典型 MPD 和 2）M2 将患者分类为 SZ、BD 或 MDD  . 基于五重交叉验证评估每个模型的性能（补充图 8）。对于 M1（亚型分类），平均准确度为 0.89，准确率、召回率和 F1 值分别为 0.914、0.939 和 0.925（补充图8a）。对于 M2（临床诊断分类），平均准确度为 0.380，准确率、召回率和 F1 值分别为 0.360、0.371 和 0.289（补充图 8b）。 M2的平均准确率、准确率、召回率和F1值均在0.4以下，表明临床诊断之间更相似，分类模型难以区分。相反，M1 的值大于 0.85，表明亚型之间的区别更大。

讨论：

在这项研究中，我们开发了一种新的聚类方法，利用深度学习来识别两个主要的基于ALFF的亚型，原型MPD和非典型MPD，它们在遗传学、多模态MRI和临床特征上有所不同。原型MPDs（占MPDs样本的60%）显著增加了额叶区域（前额叶皮质、边缘、边缘旁和纹状体）的ALF，显著降低了后部区域（初级感觉和运动皮质以及单峰结合皮质）的ALF，随着PRS-SZBD的增加，遗传脆弱性显著增加，与HCs相比，大脑区域（包括额叶皮质、边缘系统、基底节、下丘脑、小脑和黑质）中丰富的风险基因表达显著降低了多个大脑区域的皮质厚度和白质完整性。与未用药的原型MPD相比，用药的原型MPD的HAMD和BPRS因子得分明显下降，这表明药物治疗状态对该亚型的症状严重程度有影响。相反，非典型MPDs（40%）的定义是额叶区的ALFF明显减少，后脑的ALFF明显增加，但与HC相比，PRS评分、皮质厚度或白质完整性没有相关差异。风险基因的表达在非脑组织中很突出，如心脏、肝脏、胰腺和垂体，这些组织被认为是躯体和内分泌相关的组织。在用药和未用药的非典型MPD之间没有观察到HAMD和BPRS因素得分的明显差异，这表明在该亚型中缺乏药物状态对症状严重程度的影响。总之，我们的研究结果表明，前额和后额区域之间的功能失衡是整个精神病-情感障碍的核心和区别特征。此外，由这一特征划分的亚型，即原型和非典型MPD，与遗传脆弱性、风险基因表达、皮质厚度和白质完整性有不同的关系。有趣的是，典型和非典型 MPDs对症状严重程度的影响也是不同的，这表明这两种亚型可能有不同的药理作用。此外，基于临床诊断的多模态生物学特征显示，SZ、BD和MDD之间存在连续的改变。这些发现进一步支持了在这些临床诊断中存在着比以前认为的更大的神经生物学重叠。

在原型MPD中观察到的ALF模式与我们先前的发现一致，即在SZ、BD和MDD中，额叶ALF增加和后部ALF减少是一个共同特征[6,29,30]。在MPDs中，额叶区域（包括前额叶皮质、边缘、边缘旁和纹状体）的ALF显著增加，后部初级皮质的DALF显著降低[6]。此外，我们还发现slow-4中这些区域之间的ALFF比率与SZ、BD和MDD中阴性和无组织症状的测量呈负相关[6]。总的来说，这些发现表明，传统上已知的情绪感知和处理区域与MPD的视觉皮质之间的平衡受损。

使用跨诊断方法的研究正在涌现[5,6,9,10]，因为越来越多的证据表明MPD的核心特征，并从系统角度（即美国国家心理健康研究所研究领域诊断标准）越来越关注大脑和神经精神疾病。我们在这项研究中的发现定义了两个亚型跨越临床诊断界限。每个临床诊断，SZ、BD或MDD，在本文报告的每个亚型中均有代表性。我们还根据临床诊断进行了多模式生物特征分析，发现了SZ、BD和MDD的连续性改变（有关详细的观察方法和结果，请参阅补充信息）。总的来说，这些发现进一步支持了这三种临床诊断的神经生物学重叠比以前认为的更大。类型和临床诊断之间的不匹配可能部分解释了基于临床诊断的研究中经常出现的不一致结果。我们当前诊断系统的限制是显而易见的[7,9,10,31]。用相关的生物学指标（例如，额叶和后叶ALFF失衡）改进当前的诊断系统将产生更多生物学同质群体，这对于开发更有效和个性化的治疗至关重要。沿着这些思路，我们使用3D卷积神经网络开发并比较了两种分类模型，该网络根据（1）亚型、原型和非典型MPD以及（2）临床诊断、SZ、BD和MDD对参与者进行分类。基于亚型的模型的准确度和精密度明显高于基于临床诊断的模型，强调了临床诊断具有更多相似的特征，并且在分类模型中彼此之间的区别较小。有关详细的查看方法和结果，请参见补充信息和补充图8。

与BD和SZ的PRS、风险基因表达、皮质厚度和白质完整性相关的两种亚型（原型MPD和非典型MPD）之间的差异具有重要意义。与HC相比，原型MPD增加了PRS-SZBD，表明该亚型具有更大的遗传脆弱性。原型MPDs丰富了大脑中的风险基因表达（如额叶皮质、边缘系统、基底节、下丘脑、小脑和黑质），而非典型MPD风险基因表达在心脏、肝脏、胰腺和垂体等体细胞和内分泌相关组织中更为突出。皮质厚度和白质完整性在原型MPD中广泛发现，但在非典型MPD中没有发现。原型MPD中的发现与之前对MPD的研究一致[4,5,32-34]。在多个大脑区域，包括扣带回前部皮质、前额叶背外侧皮质和伏隔核（SZ、BD和MDD），发现神经元和胶质密度降低，以及遗传和神经递质改变[35]。SZ和BD个体及其亲属的遗传成像研究表明，减少的射线物质体积[32,36]和白质完整性[33,37]是潜在的遗传生物标志物。总之，我们的研究结果支持原型MPDs作为神经精神疾病的遗传和神经发育亚型。需要进一步的研究来确定非典型MPD的性质（例如，应激诱导或应激素质），并更好地理解这一群体的生物学意义。

有趣的是，通过HAMD和BPRS测量，服用药物的原型MPD与未服用药物的MPD相比，其症状严重程度显著降低，但在服用药物与未服用药物的非典型MPD中未观察到症状严重程度的显著差异，这表明亚型之间的药理作用不同。这进一步得到了以下发现的支持：原型MPD中皮质厚度和白质完整性的相关减少可能代表了对药物反应的病理过程[38,39]或药物的直接代偿效应[40,41]。此外，我们还发现，在原型MPD患者的大脑中有丰富的风险基因表达，但在非典型MPD患者中没有。Wanget al.之前在SZ中发现了一个类似于我们原型MPD的基因图谱，该图谱由大脑表达的高风险基因组成，这些基因丰富用于已批准药物的靶点[42]。总之，这些发现提出了一个问题，即传统的药物治疗在原型MPD中是否比非典型MPD更有效。需要进一步的研究来检验这两种亚型之间治疗反应的差异。

局限性：

这项研究有几个局限性。我们在聚类方法中使用单一生物标记物（ALFF）方法来识别MPD中的亚型，可能还有其他相关的生物标志物用于聚类和亚型，多模式数据可以利用现有数据的交叉信息[43]。未来的研究需要识别其他相关的生物标记物，并确定如何在精神疾病的聚类分析中最好地结合多模式脑成像特征的不同测量方法。以及识别的神经影像标记物在临床或认知测量个体化预测中的潜在用途[44]。此外，虽然ALFF似乎存在非生物机制，但本文观察到的ALFF变化的确切性质尚不清楚。它们可能与之前抑郁/躁狂/精神病发作的次数等因素有关。不幸的是，我们没有收集有关先前疾病发作的具体数据，也无法检查ALFF改变与先前抑郁/躁狂/精神病发作之间的关系。除了皮质厚度和白质完整性外，ALFF的改变还可能与其他功能磁共振成像和生物学测量有关。为了提高生物学有效性和预测效用，其他生物学或临床措施应包括在本文所述亚型的未来研究中。此外，一些研究发现，与静态特征相比，动态功能特征更有利于与不同心理活动相关的信息[45]。这些参数不能用静态参数测量。未来的工作应该考虑应用动态功能特征来研究异常活动。此外，参与者纳入标准、聚类发现数据集的大小以及临床测量的有序性等因素可能会限制我们识别其他亚型的能力。

结论：

总之，我们的研究结果表明，额叶和后部区域之间的功能不平衡是MPD的核心和区别特征。这些发现可能对发展跨越精神病性情感障碍连续体的生物信息诊断分类和治疗指南有重大贡献。

补充材料：

样本

所有参与者都是由两位经过培训的精神科医生独立诊断的，18岁以上的参与者使用DSM-IV第一轴障碍的结构化临床访谈，18岁以下的参与者使用学龄儿童情感障碍和精神分裂症-现时和终身版本（K-SADS-PL）。所有患者都符合DSM-IV精神分裂症（SZ）、双相情感障碍（BD）和重度抑郁症（MDD）的标准，没有其他合并的轴I疾病，健康对照组（HC）参与者没有精神病性或复发性情绪障碍的个人历史。参与者被排除在以下情况之外：(1)存在物质/酒精滥用或依赖以及合并重大疾病；(2)任何磁共振成像(MRI)禁忌症；(3)头部外伤史，意识丧失≥5分钟或任何神经系统疾病。

基因分型和质量控制

使用标准方案从全血中提取基因组 DNA。样本在 Illumina Global Screening Array-24 v1.0 BeadChip 上进行基因分型。除了 53,411 个定制变体之外，该阵列还提供了 642,824 个固定遗传变体的数据。对于质量控制 (QC)，我们去除了次要等位基因频率 (MAF) < 1%、检出率 < 95% 或 Hardy-Weinberg 平衡 p < 10-5 的单核苷酸多态性 (SNP)。我们排除了过度缺失> 5%、性别不匹配或血统身份估计> 0.9 的个体。

多基因风险评分的插补和计算

基因型插补由名为 GenoImpute [7] 的商业插补引擎执行。我们获得了 0.736 的平均样本水平 r2，估计 1% 在阵列上保留了 SNP。与其他现成的插补引擎不同，该引擎产生连续的等位基因剂量和三个基因型概率分布，反映了基因型不确定性的现实。使用 PRSice 软件 () 计算多基因风险评分 (PRS)。我们使用 Psychiatric Genomics Consortium 发布的最新国际全基因组关联研究 (GWAS) 的结果作为发现样本，并将我们估算的基因分型数据作为目标样本[8]。基于 Psychiatric Genomics Consortium 的双相情感障碍和精神分裂症工作组，在 53,555 个 SZ 或 BD 病例合并为单一表型和 54,065 个对照[8] 中分析了 SZ 和 BD 之间的共享遗传因素，并将结果用于选择 用于计算 PRS-SZBD 的 SNP 列表。 Wray 等人在 135,458 例 MDD 病例和 344,901 例对照中分析了导致 MDD 的遗传因素[9]；这些结果用于选择用于计算 PRS-MDD 的 SNP 列表。我们在 250 kb 的窗口中以 r2=0.1 的截止值执行了 p 值通知的聚类。对于每组 PRS（PRS-SZBD 和 PRS-MDD），多个 p 值阈值 (PT)（范围从 0 到 0.5，增量为 0.005 加上 10-6、10-5、10-4、10-3、 和 1) 为每个人计算。

风险基因表达

使用 PLINK1.9[10] 在每个亚型和 HC 之间进行独立 GWAS。然后，我们使用基于网络的工具 Sherlock [11, 12] 整合来自 GWAS 的遗传关联和来自基因型组织表达 (GTEx) 的额叶皮层表达数量性状基因座 (eQTL) 数据。干扰基因表达水平的基因变异，包括顺式（基因近端）和反式（基因远端或不同染色体上）可能影响疾病风险。这些与表达相关的 SNP 被命名为 eSNP。  Sherlock 首先在全基因组水平上利用来自额叶皮层的 eQTL 数据来搜索每个基因的所有 eSNP。对于每个搜索到的 eSNP，Sherlock 将评估其与相应亚型（原型或非典型 MPD）的 GWAS 的关联。 评分方式如下：（1）当特定基因的eSNP与疾病GWAS相关时，给予阳性评分； （2）当特定基因的eSNP与疾病GWAS无关时，给予负分； (3) 当在 GWAS 中只看到一个关联时，分数不变。基因的总分是每个 eSNP 得分的总和。最后，Sherlock 通过利用贝叶斯统计框架进行基因疾病关联。贝叶斯因子（BF，在贝叶斯统计框架下观察到的数据的概率）是一个指标，用于评估支持基因与疾病相关与不相关假设的证据。对于给定基因，计算每个推定基因的 LBF（BF 的对数），所有 SNP 的 LBF 总和构成该基因的总 LBF 得分。 一个基因的LBF评分值反映了该基因与疾病相关的证据强度。 换句话说，较大的 LBF 代表该基因与疾病相关的概率较高。 有关 Sherlock 的原理、统计模型和 LBF 计算的更多详细信息，请参阅 He 等的原始研究。等人[11]。最后，我们从 Sherlock 综合分析列表中提取了 LBF > 1 的基因（LBF > 1 提供适度的证据），其中这些潜在风险基因按 LBF 分数的顺序排列（Excel 1，Sherlock 基因列表，在补充中）。 最后，对于每个亚型，通过将基因导入 GENE2FUNC 模块[13]，在基于网络的平台 FUMA（遗传关联的功能映射和注释）上对每个风险基因进行表达注释分析，提供风险基因的组织图谱 每个子类型的表达。关于数据信息和分析原理的更多细节可以在 Watanabe 等人[13]中找到。

临床和认知测量

汉密尔顿抑郁评定量表 (HAMD) 和简要精神病评定量表 (BPRS) 因子评分是使用主要精神疾病 (MPDs, n = 581) 中的主成分因子方法从探索性因子分析 (EFA) 中确定的，结果 在使用 HAMD 和 BPRS 项的简约因子列表中。根据屏幕图法确定要提取的因子数。使用 Varimax 方法进行正交旋转。 确定了五个可解释和临床相关的因素（补充表 3 和 4），它们捕获了 62.35% 的旋转方差，载荷为 0.4。

基于 3D 卷积神经网络构建分类模型

通过使用深度卷积神经网络，我们构建了基于 ResNet（18 层网络）[14] 的分类模型（M1），将 MPDs 样本（n=581 MPD）分类为 原型或非典型 MPD。 为了适应 3D 大脑数据，我们将原始 ResNet 模型的所有 2D 卷积核都更改为 3D 卷积核。网络从一开始就使用随机初始权重进行训练。我们使用交叉熵作为损失函数，使用 ß1=0.9 和 ß2=0.999 的 Adam 优化器，并将学习率设置为 0.003。我们对模型进行了 20 个 epoch 的训练，批量大小为 16。五折交叉验证用于模型评估。 对于每一折，我们计算了模型的准确率、精度、召回率和 F1 值。还计算了混淆矩阵、接收者操作特征 (ROC) 曲线和曲线下面积 (AUC) 以评估模型性能。我们使用相同的方法来构建分类模型（M2），除了训练标签是临床诊断（SZ、BD 和 MDD）。

结果

基于临床诊断的生物学和临床特征：

ALFF 改变：

对于事后 t 检验，在 SZ (n = 193) 中，与 HC (n = 363) 相比，前额叶皮层、边缘和纹状体的 ALFF 显着增加，初级感觉和运动皮层和单峰联合皮层减少 (Cohen's d  = 1.07; p <0.001）（补充图3）。 在BD（n = 171）中，与HC（n = 363）相比，前额叶皮层的ALFF显着增加，单峰联合皮层的ALFF减少（Cohen's d = 0.54; p <0.001）（补充图3）。在MDD（n = 217）中，与HC（n = 363）相比，在单峰关联皮质中发现ALFF显着降低（Cohen's d = 0.31; p <0.001）（补充图3）。

参考文献：

Chang M, Womer FY, Gong X, Chen X, Tang L, Feng R, Dong S, Duan J, Chen Y, Zhang R, Wang Y, Ren S, Wang Y, Kang J, Yin Z, Wei Y, Wei S, Jiang X, Xu K, Cao B, Zhang Y, Zhang W, Tang Y, Zhang X, Wang F. Identifying and validating subtypes within major psychiatric disorders based on frontal-posterior functional imbalance via deep learning. Mol Psychiatry. 2021 Jul;26(7):2991-3002. 据处理培训班。2021年，该团队预计在该公众号发布一款集磁共振、脑电、心理范式、机器学习、问卷为一体的数据处理软件包。