【摘要】近日，华南理工大学生物医学科学与工程学院吴凯教授与广州医科大学附属脑科医院吴逢春主任团队，在《Research》期刊上在线发表了题为“Transcriptional patterns of nodal entropy abnormalities in major depressive disorder patients with and without suicidal ideation”的研究论文，首次使用边中心网络的方法来分析伴自杀意念首发未用药重度抑郁障碍（first-episode, drug-naive major depressive disorder with suicidal ideation, MDDSI）患者和不伴自杀意念首发未用药抑郁障碍（first-episode, drug-naive major depressive disorder without suicidal ideation, MDDNSI）患者的节点熵研究，揭示了MDDSI和MDDNSI组之间节点熵的异常，发现了节点熵与分子功能之间的关联，并为预防自杀的神经生物学基础和潜在标志物提供了新的见解。
重度抑郁障碍（major depressive disorder， MDD）是一种严重的精神疾病，其特征是患病率高、复发率高、自杀率高。自杀意念（Suicidal ideation, SI）被认为是MDD患者自杀行为的高风险因素。超过一半的MDD患者经历过SI，此外，在自杀未遂的患者中，大约95%的患者报告在尝试自杀行为前经历过SI。最近，边中心网络的分析方法已经应用于神经精神疾病的研究中。
基于此，该研究纳入了90名首发未用药MDDSI患者、60名首发未用药MDDNSI患者和98名健康对照，收集了所有被试的静息态功能磁共振成像数据。
该研究使用边中心网络的分析方法来构建功能性脑网络并计算每个脑区的节点熵。其次，基于节点熵采用SVM算法实现了MDDSI患者和MDDNSI患者的分类。最后，基于艾伦人脑图谱分析了MDDSI患者和MDDNSI患者节点熵的差异与基因表达之间的关系。研究技术路线如图1所示。
图1. 研究方法及技术路线
研究发现，与MDDNSI组相比，MDDSI组的全局熵显著升高，MDDSI组在背侧注意力网络（dorsal attention network, DAN）中的子网熵显著降低，在默认模式网络（default mode network, DMN）中的子网熵显著升高。此外，MCCB量表的视觉学习分数与MDDSI组的DAN子网熵呈负相关（图2）。
图2. 全局熵和子网熵的差异。（A）MDDSI、MDDNSI和健康对照之间的全局熵的差异；（B）MDDSI、MDDNSI和健康对照之间的子网熵的差异；（C）事后比较后三组两两组之间子网络差异可视化；（D）显著差异子网熵与临床量表分数之间的相关性；（E）DAN子网络的节点熵与视觉学习分数之间的相关性在MDDSI组中。
该研究开发了两个分类器，分别使用SVM模型来区分MDD患者和健康对照以及MDDSI患者和MDDNSI患者。对于分类器1，实现了75.78%的准确率、76.69%的精确率、76.00%的召回率和75.93%的F1分数。对于分类器2，实现了81.87%的准确率、83.20%的精确率、80.00%的召回率和80.91%的平均F1分数。分类器1的前10个贡献特征脑区主要来自视觉网络和边缘系统。分类器2的前10个贡献特征脑区主要来自DMN和DAN（图3）。
图3. 基于节点熵的两个分类器的分类性能。（A）5折交叉验证下分类器1和分类器2的工作特性曲线；（B）分类器1和分类器2的混淆矩阵；（C）分类器1和分类器2的前10个贡献特征。
进一步分析发现，与自杀意念相关的节点熵变化与大脑中细胞信号传导以及免疫和炎症反应有关。此外，与自杀意念相关的基因与大脑中兴奋性神经元、小胶质细胞、抑制性神经元和内皮细胞显著相关（图4）。
图4. 与自杀意念相关的节点熵变化的转录谱。(A) 偏最小二乘（PLS）评分中第一分量的大脑分布图；B) MDDSI与MDDNSI之间PLS1评分与节点熵变化的相关性；(C) PLS1+和PLS1-基因列表；(D) PLS1-基因的富集；(E) 富集注解后的富集网络；(F)与每种细胞类型的基因集重叠的PLS1-基因数量。
研究结果表明，MDDSI组的DAN和DMN的全局熵和子网熵与MDDNSI组相比存在显著差异。此外，与自杀意念相关节点熵的变化与生物过程有关，例如细胞信号传导和相互作用，以及免疫和炎症反应。这项研究的结果提高了对MDD患者自杀意念出现的理解。节点熵的明显异常可能介导MDD患者自杀意念的进展，并且可以作为辅助诊断的可靠生物标志物，尤其是在伴或不伴自杀意念的患者中。
华南理工大学生物医学科学与工程学院博士研究生郭旻昕和硕士研究生张恒为共同第一作者，广州医科大学附属脑科医院的吴逢春主任和华南理工大学生物医学科学与工程学院的吴凯教授为共同通讯作者。本研究得到了国家重点研发计划（2023YFC2414500, 2023YFC2414504）、国家自然科学基金（81971585, 72174082, 82271953, 82301688）及广东省自然科学基金杰出青年基金（2021B1515020064）等项目的资助。 
近年来，吴凯教授和吴逢春主任团队聚焦于脑重大疾病（精神分裂症、抑郁症、双相情感障碍等）的脑结构及功能、肠道菌群的损伤机制以及智能辅助诊断领域已展开一系列研究工作。相关研究发表在NeuroImage、Human Brain Mapping、Schizophrenia Research、Journal of Psychiatric Research等国际学术期刊上。
课题组前期相关论文：
[1] Peng R, Wang W, Liang L, et al. The brain-gut microbiota network (BGMN) is correlated with symptom severity and neurocognition in patients with schizophrenia. Neuroimage. 2025;308:121052. doi:10.1016/j.neuroimage.2025.121052
[2] Wang H, Peng R, Huang Y, et al. MO-GCN: A multi-omics graph convolutional network for discriminative analysis of schizophrenia. Brain Res Bull. 2025. doi:10.1016/j.brainresbull.2025.111199.
[3] Feng S, Huang Y, Li H, et al. Dynamic effective connectivity in the cerebellar dorsal dentate nucleus and the cerebrum, cognitive impairment, and clinical correlates in patients with schizophrenia. Schizophr Res. 2024;271:394-401. doi:10.1016/j.schres.2024.05.003.
[4] Feng S, Huang Y, Lu H, et al. Association between degree centrality and neurocognitive impairments in patients with Schizophrenia: A Longitudinal rs-fMRI Study. J Psychiatr Res. 2024;173:115-123. doi:10.1016/j.jpsychires.2024.03.007.
[5] Li H, Huang Y, Liang L, et al. The relationship between the gut microbiota and oxidative stress in the cognitive function of schizophrenia: A pilot study in China. Schizophr Res. 2024;267:444-450. doi:10.1016/j.schres.2024.03.053.
[6] Liang L, Li S, Huang Y, et al. Relationships among the gut microbiome, brain networks, and symptom severity in schizophrenia patients: A mediation analysis. Neuroimage Clin. 2024;41:103567. doi:10.1016/j.nicl.2024.103567.
[7] Li H, Li H, Zhu Z, et al. Association of serum homocysteine levels with intestinal flora and cognitive function in schizophrenia. J Psychiatr Res. 2023;159:258-265. doi:10.1016/j.jpsychires.2023.01.045.