心理所严超赣研究组在《PNAS》发文揭示抑郁症患者大脑默认网络异常机制

近日，中国科学院行为科学重点实验室严超赣研究组联合来自国内17家单位的25个抑郁症研究组在国际著名期刊美国科学院院刊Proceedings of the National Academy of Sciences of the United States of America发表了题为《Reduced Default Mode Network Functional Connectivity in Patients with Recurrent Major Depressive Disorder》的科技论文。

重性抑郁障碍(major depressive disorder, MDD)，常被概括称为抑郁症，是一种具有高复发率、高自杀率和高致残率的精神疾病，每年造成极为沉重的社会经济负担，在我国的患病率为3.4% ^[1]。抑郁症的临床表现主要包括持续的情绪低落、快感缺失和精力减退，然而其病因仍不明确，主要诊断手段仍然依靠基于症状学的临床观察，缺乏生物学客观标准^[2]。脑影像已经被广泛用于研究抑郁症的脑活动异常机制，试图找到抑郁症诊断生物学客观标准并进行精准治疗。而在各脑环路中，抑郁症研究中最为关注的是大脑默认网络活动的异常^[3]。

然而，对于抑郁症的默认网络脑活动异常的具体模式，不同的研究者却得到了截然不同甚至完全相反的结果。目前已有的抑郁症脑功能成像默认网络研究大都为样本量<100的研究，均存在小样本统计力弱的问题。小样本研究结果各异，其本身并不容易发现显著结果（统计力度power太小），即使发现显著结果，其真实性也不高（阳性预测值positive predictive value低）^[4]。

因此，亟需开展抑郁症多中心大样本研究，考察抑郁症不同临床特征的默认网络异常模式，并最终找到抑郁症共有的、具有推广性的临床生物学指标。

为此，中国科学院心理研究所严超赣研究员联合杭州师范大学臧玉峰教授、中南大学湘雅二医院赵靖平教授和心理所左西年研究员，邀请全国精神科专家，启动了抑郁症静息态功能磁共振成像多中心数据荟萃分析（REST-meta-MDD）计划。

该计划旨在解决抑郁症小样本研究的结论不可靠问题，建立多中心大样本数据库，基于DPABI [5]和DPARSF [6]软件，对已有的抑郁症静息态功能磁共振成像数据进行重新分析和再挖掘，努力建立一套中国人的抑郁症全脑静息态活动异常概率图谱，把静息态功能磁共振成像进一步推向抑郁症临床应用。

严超赣研究组团队分别于2017年3月、2018年5月和2019年1月连续召开了三届“抑郁症脑成像大数据会议”，通过联合国内17家医院的25个抑郁症研究组，成功汇聚了1300例抑郁症患者和1128例健康对照者的脑成像数据，建成了目前世界上最大的抑郁症静息态功能磁共振成像数据库。

三届“抑郁症脑成像大数据会议”与会专家合影

REST-meta-MDD计划参加单位分布图

REST-meta-MDD计划参与研究单位以及数据构成情况

注：MDD：重性抑郁障碍；NC：健康对照

基于该数据集，严超赣研究组团队细致分析了抑郁症患者默认网络内部功能连接的异常模式。结果表明，与健康对照者相比，抑郁症患者默认网络内部功能连接强度异常下降。进一步细致的考察发现，仅当比较复发抑郁症患者与健康对照者时才发现这一显著的结果，并且这种效应很有可能是由于用药状况而不是病程长度导致的。

数据构成与抑郁症患者默认网络异常模式

对于用药以及病程因素的进一步分析

该研究结果为抑郁症默认网络内部功能连接的异常究竟表现为异常上升还是异常下降这一争论提供了迄今为止最强有力的实证证据，提示了抗抑郁药物在默认网络中的起效机制，再一次突出了默认网络异常在抑郁症脑机制中的核心作用。基于大样本发现的这一稳定效应为今后基于机器学习的抑郁症客观诊断系统开发提供了一个理想的标的。最后，该研究汇聚的1300例抑郁症患者和1128例健康对照者的脑成像数据将于已向全世界研究者公开(http://rfmri.org/REST-meta-MDD)，可让更大范围的科学家群体（如机器学习专家）参与到改进抑郁症诊疗与理解大脑这一共同行动中来。

未来，严超赣研究组将进一步建立国际抑郁症脑影像多中心大数据，深入考察抑郁症脑网络异常的种族共性与特异性，并采用深度学习和迁移学习算法训练抑郁症患者与健康对照者神经网络分类器，为最终确立应用于抑郁症临床诊疗的生物学指标奠定基础。

文章相关信息：

Yan, C.-G.*, Chen, X., Li, L., Castellanos, F.X., Bai, T.-J., Bo, Q.-J., Cao, J., Chen, G.-M., Chen, N.-X., Chen, W., Cheng, C., Cheng, Y.-Q., Cui, X.-L., Duan, J., Fang, Y.-R., Gong, Q.-Y., Guo, W.-B., Hou, Z.-H., Hu, L., Kuang, L., Li, F., Li, K.-M., Li, T., Liu, Y.-S., Liu, Z.-N., Long, Y.-C., Luo, Q.-H., Meng, H.-Q., Peng, D.-H., Qiu, H.-T., Qiu, J., Shen, Y.-D., Shi, Y.-S., Wang, C.-Y., Wang, F., Wang, K., Wang, L., Wang, X., Wang, Y., Wu, X.-P., Wu, X.-R., Xie, C.-M., Xie, G.-R., Xie, H.-Y., Xie, P., Xu, X.-F., Yang, H., Yang, J., Yao, J.-S., Yao, S.-Q., Yin, Y.-Y., Yuan, Y.-G., Zhang, A.-X., Zhang, H., Zhang, K.-R., Zhang, L., Zhang, Z.-J., Zhou, R.-B., Zhou, Y.-T., Zhu, J.-J., Zou, C.-J., Si, T.-M., Zuo, X.-N., Zhao, J.-P.*, Zang, Y.-F.*, 2019. Reduced Default Mode Network Functional Connectivity in Patients with Recurrent Major Depressive Disorder. PNAS. In press.

原文链接：

https://www.pnas.org/content/early/2019/04/11/1900390116

参考文献：

1. Huang, Y., et al.,  Prevalence of mental disorders in China :  a cross-sectional epidemiological study. Lancet Psychiatry , 2019 . 6(3): p. 211-224.

2. Oquendo, M.A., P. McGrath, and M.M. Weissman, Biomarker studies and the future of personalized treatment for depression. Depress Anxiety, 2014. 31(11): p. 902-5.

3.  Hamilton, J.P., et al., Depressive Rumination, the Default-Mode Network, and the Dark Matter of Clinical Neuroscience. Biol Psychiatry, 2015. 78(4): p. 224-30.

4. Chen, X., B. Lu, and C.G. Yan, Reproducibility of R-fMRI metrics on the impact of different strategies for multiple comparison correction and sample sizes. Hum Brain Mapp, 2018. 39(1): p. 300-318.

5.  Yan, C.G., et al., DPABI: Data Processing & Analysis for (Resting-State) Brain Imaging. Neuroinformatics, 2016. 14(3): p. 339-51.

6.  Yan, C.G. and Y.F. Zang, DPARSF: A MATLAB Toolbox for "Pipeline" Data Analysis of Resting-State fMRI . Front Syst Neurosci ,  2010. 4: p. 13.

来源：中国科学院行为科学重点实验室 严超赣研究组