基于多尺度内在连接网络识别精神疾病认知生物型，助力精准治疗

《Schizophrenia》：Neurobiology-based cognitive biotypes using multi-scale intrinsic connectivity networks in psychotic disorders

为探究精神疾病认知功能障碍，研究人员分析 B-SNIP 数据，识别出两种认知生物型，或优化研究与治疗。

　　精神疾病一直是困扰人类健康的难题，其中认知功能障碍更是让无数患者及其家庭深陷困境。在精神疾病的世界里，患者们常常面临着记忆减退、注意力不集中、思维混乱等问题，这些认知上的缺陷严重影响了他们的日常生活、社交和工作能力。传统的基于症状的诊断方式，就像是蒙着眼睛走路，无法真正触及疾病的本质，难以开发出精准有效的治疗方法。而且，由于对认知功能障碍背后的生物学异质性了解不足，治疗进展如同蜗牛爬行，缓慢且艰难。那么，有没有一种方法能够打破这一僵局，找到精神疾病认知功能障碍的 “钥匙” 呢？

为此，来自西班牙 Gregorio Mara?ón 综合大学医院精神病学和心理健康研究所等机构的研究人员展开了深入研究。他们的研究成果发表在《Schizophrenia》杂志上，为精神疾病的研究和治疗带来了新的曙光。

研究人员采用了多种关键技术方法。他们分析了 Bipolar-Schizophrenia Network on Intermediate Phenotypes（B-SNIP）联盟招募的 2270 名参与者的数据，其中包括患有双相情感障碍伴精神病性症状（BDP）、分裂情感性障碍（SAD）、精神分裂症（SZ）的患者、他们的一级亲属以及健康对照者。通过多变量客观优化独立成分分析（MOO-ICAR），借助 NeuroMark 模板估计出 105 个多尺度内在连接网络（ICNs），并计算出功能网络连接（FNC）。同时，运用主成分分析加典型相关分析（PCA-CCA）模型，找到与认知表现相关的 FNC 特征，进而通过 K-means 聚类确定患者亚组。

研究结果令人振奋。首先，在典型 FNC 特征与认知表现及协变量影响方面，发现有三对典型变量在发现集和复制集中呈现出显著相关性，但引入协变量后，第三对的相关性不再显著，因此后续分析未纳入该对变量。

接着，在确定与认知相关的 FNC 特征时，观察到患者和对照组在第一个典型 FNC 和认知变量，以及第二个认知典型变量上存在显著差异，基于此，选取与第一个 FNC 典型变量相关性最高的 1077 个 FNC 特征（CFPs）用于 K-means 聚类。

在聚类分析及生物型验证和特征描述上，轮廓系数表明两个聚类为最优，且具有高度稳定性。76.56% 的一级亲属被分配到精神病生物型中，其中 70.12% 与患病家庭成员属于同一生物型。

进一步分析患者的认知生物型，发现生物型 1 与对照组相比，在视觉 - 躯体运动、小脑 - 皮层下等多个网络表现出低连接性，认知表现更差，且在人口统计学、认知和临床特征方面与生物型 2 存在显著差异；生物型 2 则在躯体运动 - 皮层下网络呈现高连接性，在躯体运动 - 高认知处理网络表现出低连接性，认知表现相对较好。一级亲属的认知生物型也呈现出类似的模式。

这项研究意义重大。它首次基于神经生物学在患者和亲属中识别出与特定症状维度相关的精神病亚组。研究发现的不同生物型中与认知功能障碍相关的 FNC 特征，尤其是生物型之间具有不同连接模式的特征，可能成为确定精神疾病认知功能障碍相关脑回路的基础，为治疗干预提供潜在靶点。与以往基于认知表现、其他生物标志物或神经影像学的研究方法相比，该研究能更有效地捕捉具有不同认知功能障碍和潜在脑机制的亚组。此外，研究还发现亲属与患者在功能脑模式上存在相似性，这表明认知生物型可能部分独立于疾病严重程度，且可能与遗传和环境背景有关。不过，研究也存在一些局限性，如样本量对某些分析可能不足，所识别的生物型可能与一般人群变异性有关，其转化为治疗靶点的实用性尚不明确等。但总体而言，该研究为精神疾病认知功能障碍的研究和治疗开辟了新的道路，有望推动精准治疗的发展，为无数患者带来新的希望。