【摘要】華南理工大學生物醫(yī)學科學與工程學院吳凱教授與廣州醫(yī)科大學附屬腦科醫(yī)院吳逢春主任團隊合作，開展了基于個體化腦網(wǎng)絡和腸網(wǎng)絡分析的精神分裂癥自動分類及生物學標志物研究。2025年1月，《Brain Research Bulletin》雜志在線發(fā)表了題為《MO-GCN: A multi-omics graph convolutional network for discriminative analysis of schizophrenia》的研究論文，華南理工大學生物醫(yī)學科學與工程學院碩士研究生王海源同學為第一作者。

精神分裂癥（Schizophrenia, SZ）是一種復雜的慢性精神疾病，通常在青春期晚期或成年早期發(fā)病，其癥狀涉及幻覺、妄想、認知能力下降、感知行為紊亂和思維障礙等方面。然而目前為止，SZ的神經(jīng)病理機制和病因尚未完全明確，且臨床診斷存在高度主觀和漏診誤診的局限性。因此，SZ的早期發(fā)現(xiàn)和識別干預顯得尤為重要。

多組學數(shù)據(jù)的機器學習方法已被廣泛應用于精神分裂癥的判別分析，但這些研究大多忽視了網(wǎng)絡的交互作用和拓撲屬性。本研究旨在利用多組學數(shù)據(jù)構建個體化腦網(wǎng)絡和腸網(wǎng)絡，進而將腦圖和腸圖輸入圖卷積神經(jīng)網(wǎng)絡（GCN）進行SZ患者和正常對照的分類。研究人員采集了43名SZ患者和55名健康對照的人口學信息、功能磁共振圖像、糞便、臨床量表數(shù)據(jù)，通過構建多通道GCN模型實現(xiàn)了疾病分類，并對識別出的重要特征與臨床量表進行了相關性分析。

圖1 研究方案

研究發(fā)現(xiàn)，腦-腸多組學數(shù)據(jù)作為模型輸入時的分類效果優(yōu)于單組學數(shù)據(jù)，其中，以“BFs + GFs + GNFs”為輸入且稀疏度為0.3時達到最佳平均分類準確率84.0%。解釋性分析結果表示重要腦區(qū)主要位于海馬、嗅皮質、尾狀核、豆狀蒼白球等，重要菌群包括Dorea、Ruminococcus、Subdoligranulum、Bilophila、Clostridium等，且這些重要特征與臨床量表具有顯著相關性。

表1 分類性能

圖2 研究結果