【儀表網(wǎng) 儀表研發(fā)】6月17日，American Journal of Psychiatry 期刊在線發(fā)表題為Diagnostic Classification for Human Autism and Obsessive-Compulsive Disorder based on Machine Learning from a Primate Genetic Model 的研究論文。
 

　　該研究由中國科學院腦科學與智能技術卓越創(chuàng)新中心(神經(jīng)科學研究所)、上海腦科學與類腦研究中心、神經(jīng)科學國家重點實驗室研究員王征研究組與中科院自動化研究所研究員赫然課題組合作完成，整合靈長類動物模型和臨床精神疾病患者的功能磁共振影像數(shù)據(jù)，上設計猴-人跨物種的機器學習分析流程，利用從轉(zhuǎn)基因獼猴模型上學習的特征構(gòu)建臨床精神疾病患者的分類器模型，進而深入解析人類自閉癥和強迫癥的神經(jīng)環(huán)路機制，為精神疾病的影像學精準診斷提供了新證據(jù)，發(fā)現(xiàn)了利用非人靈長類模型服務精神疾病臨床應用需求的新途徑。
 

　　自閉癥(ASD)是一種神經(jīng)系統(tǒng)失調(diào)的發(fā)育性疾病，具有高度的異質(zhì)性，患者常伴隨強迫癥(OCD)、注意力缺陷多動癥(ADHD)等并發(fā)癥，給臨床診斷和病理機制研究帶來巨大挑戰(zhàn)。非人靈長類模式動物與人類在腦結(jié)構(gòu)與功能上較為接近，研究人員前期發(fā)現(xiàn)轉(zhuǎn)基因靈長類動物模型能夠表現(xiàn)出與人類臨床患者類似的癥狀表型，如MECP2過表達的獼猴表現(xiàn)出重復刻板行為、社交行為障礙等類自閉癥癥狀(Nature，2016)，且在大腦環(huán)路上的異常也與部分自閉癥患者相似(J Neurosci，2020)。
 

　　研究團隊在以上前期工作基礎上(IEEE TMI， 2015)，探索靈長類物種間可能的進化保守特征，假設以保守的腦區(qū)功能為基礎，構(gòu)建可跨物種遷移的精神疾病分類預測模型(圖A)。該研究運用Group LASSO算法對源自5只轉(zhuǎn)基因獼猴和11只野生型獼猴的腦功能圖譜數(shù)據(jù)進行腦區(qū)篩選，識別出9個核心腦區(qū)(圖B)；將9個腦區(qū)一一映射到人類大腦，并用腦區(qū)間的功能連接形成特征集合，構(gòu)建稀疏邏輯回歸分類器，分別用于自閉癥、強迫癥和注意力缺陷多動癥患者的診斷分類?；颊邤?shù)據(jù)分別來自ABIDE-I (1112人)、ABIDE-II(1114人)、OCD(186人)和ADHD-200(776人)等4個臨床影像數(shù)據(jù)庫。經(jīng)交叉驗證，該研究發(fā)現(xiàn)，基于轉(zhuǎn)基因獼猴特征構(gòu)建的分類模型對ABIDE-I數(shù)據(jù)集中自閉癥患者和正常人的區(qū)分準確率達到82.14%，對ABIDE-II數(shù)據(jù)庫中人類被試達到75.17%的準確率，顯著高于基于自閉癥和強迫癥病人自身特征構(gòu)建分類器的性能(圖C)。當將同樣的9個腦區(qū)拓展到強迫癥影像數(shù)據(jù)時，研究發(fā)現(xiàn)，獼猴特征構(gòu)建分類模型仍然能達到78.36%的準確率，顯著高于基于自閉癥患者特征構(gòu)建的分類器性能。但這些基于獼猴模型學習的特征未能顯著性地提升ADHD患者的分類準確率。進一步分析這些性能優(yōu)越的分類器中的功能連接與精神疾病臨床癥狀之間的關系，研究發(fā)現(xiàn)，右側(cè)腹外側(cè)前額葉皮層在自閉癥和強迫癥中同時扮演著雙重角色，分別對應于各自特異的維度癥狀表型(圖D)。
 

　　該研究由王征、赫然共同指導博士研究生詹亞峰、衛(wèi)建澤等合作完成，得到英國劍橋大學、復旦大學附屬兒科醫(yī)院、中科院昆明動物研究所等支持和科技部、國家自然科學基金委、中科院、上海市、廣東省等資助。