AJP：大脑功能连接的内在模式在调节重度抑郁患者抗抑郁治疗反应中的作用

重度抑郁症是一种精神科慢性疾病，最常见的治疗方法是使用单胺类抗抑郁药。临床发现药物治疗的预后因人而异，一些病人的症状在服用抗抑郁药后得到了极大改善而其他人则反应平平甚至没有作用。然而，目前我们对于调控抗抑郁药疗效的神经影像学机制知之甚少。因此来自四个临床中心（德克萨斯大学西南医学中心、麻省总医院、哥伦比亚大学和密歇根大学）的研究者们通过一项多中心纵向随机双盲安慰剂对照试验（EMBARC），采用基于感兴趣区域的方法，按照意向性分析原则利用线性混合效应模型来确定大脑各区域之间的静息态连接模式是否能预测抗抑郁药物(舍曲林)与安慰剂的疗效差异。该研究由德克萨斯大学西南医学中心精神科的Cherise R. Chin Fatt等人发表在The American Journal of Psychiatry期刊上，具体内容如下：     
    摘要

目的：

重度抑郁症与参与情绪处理、执行功能和奖赏处理的多个大脑网络的异常静息态功能连接有关。本研究的目的是确定大脑各区域之间的静息态连接模式是否能预测抗抑郁药物(舍曲林)与安慰剂的疗效差异。

方法： 

EMBARC研究（一项旨在建立抗抑郁治疗反应调节变量和生物标志物的临床研究）的参与者在基线时进行了结构和静息态功能MRI检查。随后参与者被随机分配接受舍曲林或安慰剂治疗8周(N=279)。采用基于感兴趣区域的方法来计算脑区间的连接。按照意向性分析原则，利用线性混合效应模型来识别调节舍曲林和安慰剂治疗反应的脑区。

结果：对舍曲林治疗反应的预测涉及到几种网络内和网络间的连接模式。简而言之，默认网络内以及默认网络和执行控制网络间的较高连接性仅预示着舍曲林疗效更佳。相比之下，安慰剂和舍曲林的药效都可通过网络间的海马连接性来预测，只是预测方向相反。

结论：本研究识别出了基于特定功能网络的针对治疗效果的调节变量，其中包括已知的易受重度抑郁影响的脑网络。网络间及网络内大脑区域的功能连接模式在预测药物治疗重度抑郁症的良好预后中起到了重要作用。

关键词：舍曲林; 大脑网络;连接性; 安慰剂实验
前言与背景

重度抑郁症是一种慢性疾病，在美国每六个成年人中就有一个人在他们的一生中受到这种疾病的影响。最常见的治疗方法是使用单胺类抗抑郁药物，仅在美国每年就有超过2900万份处方开出。尽管抗抑郁药的应用如此广泛, 与安慰剂相比，它的平均效应却很小(Cohen’sd,∼0.3)。然而，这种与安慰剂相比较小的平均效应可能在一些服用抗抑郁药的患者中升高，而在另一些患者中更小，甚至没有差别。因此，了解为什么有些病人能够获益于抗抑郁药治疗而其他人不能，将促进我们对抗抑郁治疗的生物理解，推动精神医学基于脑科学的治疗进展，提高我们识别并区分可能有良好抗抑郁药治疗预后的患者的能力。然而，现在我们对于调控抗抑郁药和安慰剂疗效的生物学机制知之甚少。        

重度抑郁患者在情绪、情感、植物神经功能、认知和精神运动活动等方面表现出明显的障碍，这些异常功能具有广泛的神经生物学基础。这些受损神经环路表现为重度抑郁患者在处理积极和消极的情绪信息、评估突显刺激、认知和情绪控制等功能网络中的异常。事实上，大量调节这些功能的脑网络异常不仅出现在执行任务时，也出现在静息态。有荟萃分析（即元分析）指出了重度抑郁症患者静息态网络内的低连接模式(例如，执行控制网络[ECN]内)和超连接模式(例如，默认网络[DMN]内)，同时也有另一荟萃分析发现了ECN-DMN网络间异常的超连接。因此，抑郁症患者不仅会改变主要静息态连接网络内的连接模式，还会改变这些网络间的关系。       

尽管有大量关于抑郁症和抑郁症药物治疗的静息态功能研究，关于脑网络内和网络间的连接模式如何构成患者对抗抑郁药物治疗反应能力的基础却知之甚少。例如，以前的研究表明，DMN或腹侧注意网络（VAN）内低连接性是后续治疗无效的预测因素。Dunlop等人发现, 前扣带皮层下胼肢体与左前腹外侧前额叶皮层、背侧中脑、腹内侧前额叶皮层的低静息态功能连接性与患者在接受艾司西酞普兰或度洛西汀治疗后缓解有关,而相反的连接模式能预测认知行为疗法更好的治疗反应。然而，这些研究样本量较小，没有安慰剂对照，并且没有系统地检查整个连接组的连接以无偏倚地揭示一个与抗抑郁药物治疗结果相关的连接模式。     

在这项研究中，作者试图通过一个大型多中心临床神经影像学研究确定静息态功能磁共振成像(rsfMRI)的连接模式是否能提供一个能调控抗抑郁药与安慰剂疗效的治疗前预测信号。我们使用了一种数据驱动的方法，同时考虑了主要的静息态皮层网络以及皮层下区域(如海马、丘脑和纹状体)内部和之间的所有连接。皮质网络被分成7个主要的之前研究描述过的网络,包括：ECN、DMN、突显网络（SN；在这些分析中，SN是最初由Seeley等人定义的SN与由Dosenbach等人定义的扣带回岛盖网络的集合）、背侧注意网络（DAN）、边缘网络（LN）、感觉运动网络（SMN）和视觉网络（VN）。纹状体也根据其在皮层网络中的隶属关系被划分为不同的亚区。

      本实验的参与者来自EMBARC研究，这是一个多中心纵向随机双盲安慰剂对照试验。共有309名患者被纳入EMBARC研究，并且在治疗前进行未用药评估，然后被随机分配接受舍曲林或安慰剂治疗8周。给药方案相对灵活，根据药物的治疗效果和耐受性增加药物剂量，舍曲林的最大剂量为200毫克相当于4粒安慰剂胶囊。所有参与者都接受了神经影像学检查，以确定与治疗预后有关的神经生物学调节变量。数据分析使用了意向性分析（编者注：指不论试验后续情况如何，当初所有参与随机分组的受试者均统统纳入分析。其原则是认为处理策略是以想要治疗的受试者，而不是基于实际给与的治疗措施为基础进行评价，可以对效果做最好的评定，分到某一组的受试者即应作为该组的成员被随访评价和分析，而不管他们是否依从计划的处理过程。意向性分析之所以被广泛接受，关键在于其本身是无偏倚的，同时又能解决非常贴近临床实际情况的问题）原则，所有参与者不管他们是否完成了治疗都包含在内，同时用基于全连接组水平的错误发现率（FDR）来进行多重比较校正。考虑到EMBARC研究的样本规模，其严格的安慰剂对照设计，无偏倚的统计分析，以及rsfMRI数据的获取在各个研究中心基本一致的事实，本研究中识别出的舍曲林与安慰剂对照治疗效果的调节变量能够加深我们对抗抑郁治疗效果的脑基础的理解，根据可能的预后对患者进行区分，更重要的是促进个体化的抗抑郁药物治疗。

方法

参与者

机构伦理审查委员会分别从四个临床中心(德克萨斯大学西南医学中心、麻省总医院、哥伦比亚大学和密歇根大学)获得批准，在获得参与者的书面知情同意后才开始研究流程。本研究的数据都是基于EMBARC研究第一阶段被随机分配到舍曲林或安慰剂组的参与者，此随机双盲实验维持8周，招收了309名参与者。参与者年龄18-65岁，通过DSM-IV轴I障碍的结构化临床访谈被诊断为重度抑郁症。简单来说，所有参与者要求抑郁症状快速自我报告≥14分并且当前未接受抗抑郁药物治疗。只有首次重度抑郁症状在30岁之前出现，并且是慢性发作(持续时间≥2年)或复发性重度抑郁(终生至少2次发作)的患者才被纳入。309名参与者中，296人接受了舍曲林或安慰剂治疗，并进行了至少一次基线评估。EMBARC研究还纳入了40名健康个体，其中两人没有神经影像数据。因此，在这份报告中，我们共纳入了来自四个中心的38名健康个体的神经影像数据，以比较重度抑郁患者的脑信号和正常脑信号。

评估

17项汉密尔顿抑郁量表（HAM-D）作为本研究主要指标的评估工具，在EMBARC研究的基线和该研究第一阶段的第1、2、3、4、6、8周分别进行了评估。17项条目的加和作为总分，总分越高表示抑郁症状越重。

MRI数据采集

用3-T核磁系统进行MRI扫描。T1结构和静息态功能磁共振成像(rsfMRI)数据在同一扫描时段获得。扫描是在静息状态时进行的，参与者被要求睁开眼睛。利用T2加权单次激发梯度回波平面成像序列（EPI）获取rsfMRI数据（TR=2000 ms；TE=28 ms；矩阵大小=64×64；体素大小=3.2×3.2×3.1mm³；轴向39层；扫描180次）。

功能磁共振预处理

rsfMRI数据预处理运用了脑连接工具箱（the Connectivity Toolbox）和SPM 8。简单来说，数据预处理包括时间层校正，头动校正，空间标准化至MNI模板（矩阵=91×109×91，分辨率=2×2×2mm³），高斯平滑核=8mm。结构MRI图像被分割为灰质,白质和CSF。使用伪迹检测工具箱（the Artifact DetectionToolbox）清除伪迹。the Artifact Detection Toolbox被用来识别满足以下标准的离群值：标准化全脑BOLD信号，Z≥3.0；个体头动阈值≥0.25（注：这是很严格的标准了）。这些离群值被用作运动协变量。使用aCompCor方法估计生理和其他噪声源，并将其作为一阶协变量。

另外6个刚体参数(平移和旋转)和它们的一阶导数描述了每个参与者的运动，并被用作一阶协变量。滤波范围0.009 Hz<f< 0.08 Hz。

基于种子点的功能连接处理

皮层和皮层下种子点及目标区域均选自不同的脑分区，即100个脑区和海马、腹侧纹状体、丘脑和杏仁核区。这些脑区被分成七个特征性网络：ECN（执行控制网络）, DMN（默认网络）, SN（突显网络）, DAN（背侧注意网络）, LN（边缘网络）,SMN(感觉运动网络)和VN（视觉网络）。根据这些皮层网络的组成关系，纹状体也被划分为亚区。为便于观察，将杏仁核与边缘网络归于一组，将腹侧纹状体与它们各自的代表性网络分别归为一组。海马和丘脑不归于任何皮质网络。还使用了连接工具箱（the connectivity Toolbox）计算了区域间的功能连接。计算各脑区平均残差间，伪迹清除后的时间序列间的Pearson’s相关系数。最后进行Fisher-Z变换。

统计分析

调控变量分析 

各脑区间功能连接的调控变量意向性分析是使用MacArthur方法进行的，该方法嵌入到我们的纵向线性混合模型分析中。因变量是每次随访时的抑郁严重程度（基线和第1、2、3、4、6和8周），自变量包括：功能连接、时间（随访）、治疗方式、临床中心和他们之间的交互作用（所有的变量和他们之间的交互作用见附表S4）。

附表S4:线性混合模型的详细构成

感兴趣区主要自变量是治疗方式-时间-功能连接之间的交互作用,这表明治疗方式(舍曲林和安慰剂)导致的基线到第8周的抑郁严重程度的不同还与种子点功能连接的改变有关。这些分析由R软件中的fmri和nlme工具包实现。为了控制I型错误，在考虑所有成对连接矩阵(N=7,260)的情况下，采用FDR p<0.05对感兴趣区交互作用的F统计量进行了调整。

为了可视化这些交互作用，我们分别对舍曲林组和安慰剂组的参与者进行了分层分析。随后利用这些分析得到的β系数来解释从调控分析中得到的显著性结果。

为了验证调控分析结果，我们进行了留一法交叉验证分析。我们重复分析279次。然后，计算了在总体分析中确定的每个调节变量的预测HAM-D评分与实际HAM-D评分之间的相关性，得出了脑区每个调节变量的留一法交叉验证的测量结果。

临床意义

为了解释调控效应，我们使用Kraemer概述的方法计算了效应大小（-1到1）。正向效应值越高，说明较高的连接性与较好的安慰剂的疗效有关；而负向效应值越高，说明较高的连接性与较好的舍曲林的疗效有关。我们使用Kraemer所描述的加权方法将多个调节变量组合成一个复合调节变量，并计算了效应大小。基于这个复合调节变量，预测参与者对安慰剂还是舍曲林的反应更好。根据最后一次随访评估的HAM-D总分，我们计算了那些被有幸分配到接受统计意义上更适合的治疗方式的患者和那些随机接受到统计意义上不适合的治疗方式的患者的病情缓解率。

连接模式：抑郁组与健康对照组的比较分析，以及与疾病严重程度的相关

      为了比较抑郁症患者的大脑信号相对于健康人的差异,我们计算了抗抑郁治疗后缓解,症状未达缓解但HAM-D分数降低了25%以上，以及症状未达缓解但HAM-D分数降低少于25%的患者的功能连接，并且分别与健康对照组做了比较。为了确定在本研究中识别出的调节变量对于治疗前的疗效预测是否有临床意义，我们还探讨了作为调节变量的连接对与基线临床抑郁症状严重程度和儿童期创伤史的相关性。临床症状测量工具包括Altman躁狂自评量表、简明相关症状跟踪量表、简明健康风险跟踪-临床-分级行为模块量表、儿童创伤问卷、情绪和焦虑症状问卷以及抑郁症状快速清单（QIDS）。应用FDR p<0.05进行多重比较校正。

结果、

治疗结果

我们的样本包括EMBARC研究中进行了结构核磁共振成像(MRI)和静息态核磁共振成像(fMRI)采集后数据质量合格的参与者。在重度抑郁症患者中(N=279)，139人随机分配服用舍曲林，140人服用安慰剂。治疗后，32.2%（90/279）的患者得到了缓解（HAM-D分数≤7；49名服用舍曲林，49名服用安慰剂），62.4%（174/279）的患者未缓解（83名服用舍曲林，91名服用安慰剂）（具体见附表S2和S3）。有15名患者(7名服用舍曲林，8名服用安慰剂)在第一次随访前退出了研究。舍曲林组的平均随访次数是6.0（SD=1.8），安慰剂组是6.0（SD=1.6）。参与者的人口学和临床特征见表1。退出本研究时，舍曲林组的HAM-D评分均值为11.02 (SD=6.71)，安慰剂组的HAM-D评分均值为12.34(SD=12.66)。

表1:所有参与者的基线人口学和临床特征

a抑郁症组有6位参与者没有就业状态描述（安慰剂组4位，舍曲林组2位）

b抑郁症组有20位患者“抑郁发作次数太多而无法计数”（安慰剂组10位，舍曲林组11位）

附表S2：舍曲林治疗缓解组以及未缓解组的基线人口学和临床特征

附表S3：安慰剂治疗缓解组以及未缓解组的基线人口学和临床特征

功能连接调节变量

经多重比较校正后，线性混合效应模型显示有138个全连接组显著调节变量。有意义的调节变量分布在连接组中，反映了网络内和网络间的连接（表1）。其中，112个网络间调节变量(共6308个网络间连接对)，26个网络内调节变量(共848个网络内连接对)。网络间调节变量分布最多的区域在海马和LN（边缘网络）；海马和SMN；LN和丘脑；海马和ECN；丘脑和VN。大多数网络内调节变量(18/26)都在DMN中。为了将这些调节变量的连接模式可视化，我们将它们分为三组：

主要由预测舍曲林而不是安慰剂使用后的症状变化而驱动的调节效应；

主要由预测安慰剂而不是舍曲林使用后的症状变化而驱动的调节效应；

由预测舍曲林和安慰剂使用后相反的症状改变而驱动的调节效应。

图1:大脑分区与治疗反应的调节变量

功能网络包括默认网络(DMN;黄色)，

背侧注意网络(DAN;绿色)，

执行控制网络(ECN;红色)，

边缘网络(LN;橙色)，

突显网络(SN;紫红色)，

感觉运动网络(SMN;青绿色）

视觉网络(VN;蓝色)。

大脑皮层下区域有:

VN纹状体(暗红色)、SMN纹状体(绛红色)、DAN纹状体(青色)、SN纹状体(黄色)、LN纹状体(紫色)、ECN纹状体(棕色)、DMN纹状体(绿色)、前海马(HIPPO;淡紫色);后海马(橙色)、杏仁核(紫红色)和丘脑(THAL;蓝色)。

从一个网络延伸到另一个网络的线表示网络间的调节变量。网络内的循环线表示网络内的调节变量。线的宽度是根据感兴趣的网络之间的调节变量的数量相对于所有可能的连接数来计算的;与细线相比，粗线意味着网络之间有更多的连接。

由舍曲林驱动的调节作用

仅预测舍曲林治疗组效果的有统计学意义的连接模式结果展示在图2中。使用舍曲林时，DMN内的连接性越强，预示着治疗的结果越好。海马、LN、SMN，丘脑和DAN之间的网络连接，强有力地预测了舍曲林治疗反应。具体来说，海马与LN和SMN的连接度越高，或者丘脑与LN的连接度越低，治疗效果就越好。

图2: 由舍曲林治疗效果预测驱动的调节作用

在舍曲林组中，对于一些调节变量，更高的连接性预示着对舍曲林更好的治疗反应(小图A和B;说明例子见小图C)，而其他调节变量，较低的连接性预测舍曲林更好的疗效(图D和E)。从一个网络延伸到另一个网络的线表示网络间的调节变量。网络内的循环线表示网络内的调节变量。线的宽度是根据感兴趣的网络之间的调节变量的数量相对于所有可能的连接数来计算的;与细线相比，粗线意味着网络之间有更多的连接。加权脑图像(小图B和E)描述了包含代表性脑区域的FDR校正后统计显著的连接的数量。DAN=背侧注意网络;DMN=默认网络;ECN =执行控制网络;HAM-D =汉密尔顿抑郁量表(17项);HIPPO=海马;LN =边缘网络;SMN=感觉运动网络;SN =突显网络;THAL=丘脑;VN =视觉网络。

由安慰剂驱动的调节作用     

与舍曲林相比，很少有网络内的连接模式能预测安慰剂治疗的理想结果（图3）。相反，ECN、海马、丘脑、VN和SN之间的网络连接可以有力地预测安慰剂效应。具体来说，海马与ECN的连接度越高，而丘脑与ECN的连接度越低，安慰剂的疗效越好。

图3: 由安慰剂治疗效果预测驱动的调节作用      

在安慰剂组中，对于一些调节变量，更高的连接性预示着对安慰剂更好的治疗反应(图A和B;说明例子见图C)，而其他调节变量，较低的连接性预测安慰剂更好的疗效(图D和E; 说明例子见图F)。从一个网络延伸到另一个网络的线表示网络间的调节变量。网络内的循环线表示网络内的调节变量。线的宽度是根据感兴趣的网络之间的调节变量的数量相对于所有可能的连接数来计算的;与细线相比，粗线意味着网络之间有更多的连接。说明例子(图C和F)比较了一个调节变量示例的连接性的中位数以上和以下的患者抑郁严重程度的变化。连接水平(高/低)是由分层分析中的调节变量与时间交互的加权β系数确定的，并假设所有其他β系数都是不变的。加权脑图像(图B和E)描述了包含代表性脑区域的FDR校正后统计显著的连接的数量。

由舍曲林和安慰剂的相反预测驱动的调节作用

DMN和ECN的连接度越高，预示着舍曲林的疗效越好，而安慰剂的疗效越差。海马与VN、DAN、ECN和丘脑的连接度越高，LN与SN和SMN的连接度越高，ECN与SN和SMN的连接度越高，预示着安慰剂的疗效越好，舍曲林的疗效越差。留一法交叉验证

所有调节变量的HAM-D评分预测值和实际值之间的相关性在0.22和0.36之间。

临床意义

支持舍曲林治疗的最大效应值出现在左下侧眶额叶皮层和左侧楔前叶之间，而安慰剂的最大效应值出现在右侧楔前叶和左侧纹状体之间。复合调节变量的效应大小是-0.40。基于这一复合调节变量，在所有随访HAM-D评分的受试者中(N=263)， 192名受试者对舍曲林的反应较好，71名受试者对安慰剂的反应较好(图4)。那些被预测对舍曲林有更好反应的患者，如果接受了舍曲林治疗，将比接受安慰剂治疗(19.35%；18/93)的缓解率更高(39.33%；39/99)。那些被预测对安慰剂有更好反应的患者，如果接受了安慰剂治疗，将比接受舍曲林治疗(28.13%; 9/32)的缓解率更高(58.97%；23/39)。观测到的复合调节变量的预测率反映了使用功能连接数据可达到的最大准确性，考虑到评估结果源于定义这些调节变量的相同样本，为获得对调控变量精确度更准确、更普适的测量，结果还需在其他样本中得以重复。

图4:复合调节变量与最后一次随访时HAM-D分数之间的关系以及接受或者不接受统计上推荐的治疗方式时的缓解率在图A中，在两条治疗线交点以下，安慰剂是首选，在这一点以上，舍曲林是首选。图B，幸运分配组(随机分配到由复合调节变量确定的统计上的首选治疗组)和不幸分配组(随机分配到由复合调节变量确定的统计上的非首选治疗组)的缓解率。HAM-D =汉密尔顿抑郁量表(17项)。

连接模式；抑郁组与健康对照组比较并且与疾病严重程度相关

与EMBARC研究中的健康对照(N=38)相比，重度抑郁患者的连接模式没有显著差异。对于两个处理组，我们将重度抑郁患者分为了抗抑郁治疗后缓解组,症状未达缓解但HAM-D分数降低了25%以上组，以及症状未达缓解但HAM-D分数降低少于25%的患者组，并且我们将他们的Z-分数相对于健康对照的差异报告在了附表S9-S11上。此外，临床变量(Altman躁狂自评量表、简明相关症状跟踪量表、简明健康风险跟踪量表、儿童创伤问卷、情绪和焦虑症状问卷以及QIDS)与被定义为调节变量的连接模式之间的相关性无统计学意义(FDR校正p>0.05)。

预测治疗结果（不管治疗结果如何）

7260个连接模式中，259个预测舍曲林和安慰剂治疗均可缓解(FDR校正p<0.05)，其中70个是网络内连接对，189个是网络间连接对（见附表S12和附图S2）。这些非特异性预测因子的效应大小范围为-0.25到0.25。LN与DMN、SMN、SN和VN的连接度越高，海马与DMN、SN和VN的连接度越低，则舍曲林和安慰剂的疗效越好。

S2:非特异性预测因子（同时预测了舍曲林和安慰剂的治疗结果）从一个网络延伸到另一个网络的线表示网络间的调节变量。网络内的循环线表示网络内的调节变量。线的宽度是根据感兴趣的网络之间的调节变量的数量相对于所有可能的连接数来计算的;与细线相比，粗线意味着网络之间有更多的连接。

总结 

在这项研究中，作者确定了特异性的以功能网络为基础的治疗预后调节因子，其涉及已知的与重度抑郁有关的大脑网络。支持舍曲林治疗的连接模式为:

1)高阶关联网络的网络内(DMN)和网络间(DMN和ECN)的连接增高;

2)海马与LN、SMN的连接性增高;

3)丘脑与LN的连接性降低。

研究结果表明，内在大脑网络结构的测量可能在识别那些在重度抑郁药物治疗中能表现出良好效果的个体中发挥重要作用。至关重要的是,临床文献中经常提到的抗抑郁药物与安慰剂相比整体治疗效果提升较少，不是因为抗抑郁药物干预对所有患者的帮助较小,而是由于抑郁人群显著的生物异质性才是决定哪些病人从药物治疗中受益颇多而哪些患者药物治疗与安慰剂相比没有太大差别的关键性因素。

微信扫码或者长按选择识别关注思影