近日，中國科學(xué)院行為科學(xué)重點(diǎn)實(shí)驗室嚴超贛研究組聯(lián)合來(lái)自國內17家單位的25個(gè)抑郁癥研究組在國際著(zhù)名期刊美國科學(xué)院院刊Proceedings of the National Academy of Sciences of the United States of America發(fā)表了題為《Reduced Default Mode Network Functional Connectivity in Patients with Recurrent Major Depressive Disorder》的科技論文。 

　　重性抑郁障礙(major depressive disorder, MDD)，常被概括稱(chēng)為抑郁癥，是一種具有高復發(fā)率、高自殺率和高致殘率的精神疾病，每年造成極為沉重的社會(huì )經(jīng)濟負擔，在我國的患病率為3.4% ^[1]。抑郁癥的臨床表現主要包括持續的情緒低落、快感缺失和精力減退，然而其病因仍不明確，主要診斷手段仍然依靠基于癥狀學(xué)的臨床觀(guān)察，缺乏生物學(xué)客觀(guān)標準^[2]。腦影像已經(jīng)被廣泛用于研究抑郁癥的腦活動(dòng)異常機制，試圖找到抑郁癥診斷生物學(xué)客觀(guān)標準并進(jìn)行精準治療。而在各腦環(huán)路中，抑郁癥研究中最為關(guān)注的是大腦默認網(wǎng)絡(luò )活動(dòng)的異常^[3]。然而，對于抑郁癥的默認網(wǎng)絡(luò )腦活動(dòng)異常的具體模式，不同的研究者卻得到了截然不同甚至完全相反的結果。目前已有的抑郁癥腦功能成像默認網(wǎng)絡(luò )研究大都為樣本量<100的研究，均存在小樣本統計力弱的問(wèn)題。小樣本研究結果各異，其本身并不容易發(fā)現顯著(zhù)結果（統計力度power太?。?，即使發(fā)現顯著(zhù)結果，其真實(shí)性也不高（陽(yáng)性預測值positive predictive value低）^[4]。因此，亟需開(kāi)展抑郁癥多中心大樣本研究，考察抑郁癥不同臨床特征的默認網(wǎng)絡(luò )異常模式，并最終找到抑郁癥共有的、具有推廣性的臨床生物學(xué)指標。 

　　為此，中國科學(xué)院心理研究所嚴超贛研究員聯(lián)合杭州師范大學(xué)臧玉峰教授、中南大學(xué)湘雅二醫院趙靖平教授和心理所左西年研究員，邀請全國精神科專(zhuān)家，啟動(dòng)了抑郁癥靜息態(tài)功能磁共振成像多中心數據薈萃分析（REST-meta-MDD）計劃。該計劃旨在解決抑郁癥小樣本研究的結論不可靠問(wèn)題，建立多中心大樣本數據庫，基于DPABI ^[5]和DPARSF ^[6]軟件，對已有的抑郁癥靜息態(tài)功能磁共振成像數據進(jìn)行重新分析和再挖掘，努力建立一套中國人的抑郁癥全腦靜息態(tài)活動(dòng)異常概率圖譜，把靜息態(tài)功能磁共振成像進(jìn)一步推向抑郁癥臨床應用。嚴超贛研究組團隊分別于2017年3月、2018年5月和2019年1月連續召開(kāi)了三屆“抑郁癥腦成像大數據會(huì )議”，通過(guò)聯(lián)合國內17家醫院的25個(gè)抑郁癥研究組，成功匯聚了1300例抑郁癥患者和1128例健康對照者的腦成像數據，建成了目前世界上最大的抑郁癥靜息態(tài)功能磁共振成像數據庫。 

三屆“抑郁癥腦成像大數據會(huì )議”與會(huì )專(zhuān)家合影 

REST-meta-MDD計劃參加單位分布圖 

REST-meta-MDD計劃參與研究單位以及數據構成情況 

注：MDD：重性抑郁障礙；NC：健康對照 

　　基于該數據集，嚴超贛研究組團隊細致分析了抑郁癥患者默認網(wǎng)絡(luò )內部功能連接的異常模式。結果表明，與健康對照者相比，抑郁癥患者默認網(wǎng)絡(luò )內部功能連接強度異常下降。進(jìn)一步細致的考察發(fā)現，僅當比較復發(fā)抑郁癥患者與健康對照者時(shí)才發(fā)現這一顯著(zhù)的結果，并且這種效應很有可能是由于用藥狀況而不是病程長(cháng)度導致的。 

數據構成與抑郁癥患者默認網(wǎng)絡(luò )異常模式 

對于用藥以及病程因素的進(jìn)一步分析 

　　該研究結果為抑郁癥默認網(wǎng)絡(luò )內部功能連接的異常究竟表現為異常上升還是異常下降這一爭論提供了迄今為止最強有力的實(shí)證證據，提示了抗抑郁藥物在默認網(wǎng)絡(luò )中的起效機制，再一次突出了默認網(wǎng)絡(luò )異常在抑郁癥腦機制中的核心作用?；诖髽颖景l(fā)現的這一穩定效應為今后基于機器學(xué)習的抑郁癥客觀(guān)診斷系統開(kāi)發(fā)提供了一個(gè)理想的標的。最后，該研究匯聚的1300例抑郁癥患者和1128例健康對照者的腦成像數據將于已向全世界研究者公開(kāi)(http://rfmri.org/REST-meta-MDD)，可讓更大范圍的科學(xué)家群體（如機器學(xué)習專(zhuān)家）參與到改進(jìn)抑郁癥診療與理解大腦這一共同行動(dòng)中來(lái)。 

　　未來(lái)，嚴超贛研究組將進(jìn)一步建立國際抑郁癥腦影像多中心大數據，深入考察抑郁癥腦網(wǎng)絡(luò )異常的種族共性與特異性，并采用深度學(xué)習和遷移學(xué)習算法訓練抑郁癥患者與健康對照者神經(jīng)網(wǎng)絡(luò )分類(lèi)器，為最終確立應用于抑郁癥臨床診療的生物學(xué)指標奠定基礎。 

　　文章相關(guān)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. 

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

　　參考文獻： 

　　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.