608
3
0
2025-01-13 08:07:23
2025-01-13
【摘要】華南理工大學生物醫學科學與工程學院吳凱教授與廣州醫科大學附屬腦科醫院吳逢春主任團隊合作，開展了基于個體化腦網絡和腸網絡分析的精神分裂癥自動分類及生物學標志物研究。2025年1月，《Brain Research Bulletin》雜志在線發表了題為《MO-GCN: A multi-omics graph convolutional network for discriminative analysis of schizophrenia》的研究論文，華南理工大學生物醫學科學與工程學院碩士研究生王海源同學為第一作者。
精神分裂癥（Schizophrenia, SZ）是一種復雜的慢性精神疾病，通常在青春期晚期或成年早期發病，其癥狀涉及幻覺、妄想、認知能力下降、感知行為紊亂和思維障礙等方面。然而目前為止，SZ的神經病理機制和病因尚未完全明確，且臨床診斷存在高度主觀和漏診誤診的局限性。因此，SZ的早期發現和識別干預顯得尤為重要。
多組學數據的機器學習方法已被廣泛應用于精神分裂癥的判別分析，但這些研究大多忽視了網絡的交互作用和拓撲屬性。本研究旨在利用多組學數據構建個體化腦網絡和腸網絡，進而將腦圖和腸圖輸入圖卷積神經網絡（GCN）進行SZ患者和正常對照的分類。研究人員采集了43名SZ患者和55名健康對照的人口學信息、功能磁共振圖像、糞便、臨床量表數據，通過構建多通道GCN模型實現了疾病分類，并對識別出的重要特征與臨床量表進行了相關性分析。
圖1 研究方案
研究發現，腦-腸多組學數據作為模型輸入時的分類效果優于單組學數據，其中，以“BFs + GFs + GNFs”為輸入且稀疏度為0.3時達到最佳平均分類準確率84.0%。解釋性分析結果表示重要腦區主要位于海馬、嗅皮質、尾狀核、豆狀蒼白球等，重要菌群包括Dorea、Ruminococcus、Subdoligranulum、Bilophila、Clostridium等，且這些重要特征與臨床量表具有顯著相關性。
表1 分類性能
 |
 |
圖2 研究結果
