本篇文献为Neuroimage杂志。所发布内容旨在与大家分享学术新知，促进交流学习，版权归原作者或原出处所有，感谢各位学者的辛勤成果。

1.引言

重性抑郁障碍是全球领先的精神病学挑战，其特点是遗传根源以及症状、治疗和风险因素的多样性。揭示这些症状与大脑生理变化之间的复杂关系对于加深对重性抑郁障碍潜在神经机制的理解至关重要。重性抑郁障碍已被证实与情绪和认知调节相关脑区之间的异常交互有关，并且研究已报道许多脑区灰质体积存在广泛变化。然而，结果差异显著，潜在的神经解剖学基础仍不清楚。

人脑被组织成一个复杂的网络，能够实现功能分离和整合的高效信息传递。不同脑区脑结构的协同变化是脑功能成熟的基础。这一概念构成了结构协变网络分析发展的基础，这是一种用于评估脑区间灰质关系的方法。最初的结构协变网络是在群体水平上构建的，这排除了识别个体差异并将其与行为联系起来的能力。尽管研究已证实重性抑郁障碍以脑网络异常为特征，但重性抑郁障碍的异质性导致其基于不同标准使用数据驱动方法被分为亚型，以避免症状等主观因素。有研究基于皮层厚度偏差识别了两种可重复的重性抑郁障碍亚型，这些亚型与不同的基因表达模式和脑环路相关。另有研究识别了两种重性抑郁障碍患者亚型，具有特定的神经生物学和临床症状特征。重性抑郁障碍中灰质体积和结构协变网络拓扑的改变也有报道。然而，形态学因果改变和个体结构协变网络异常很少被探索，特别是对于重性抑郁障碍的亚型，这可能极大地推进精准诊断和治疗。

鉴于重性抑郁障碍是一种具有高度复杂遗传结构和可变表型的异质性疾病，因此在个体水平上探索结构协变网络的异质性可以更好地表征重性抑郁障碍的神经病理学。格兰杰因果分析揭示了脑区之间的因果效应，并已用于传统功能时间序列数据分析，可应用于序列化数据以构建基于格兰杰因果的结构协变网络。基于格兰杰因果的结构协变网络已被用于通过将横断面影像数据排序来描述疾病进展并评估全脑变化之间的因果关系。一种基于网络模板扰动的新方法被开发用于使用结构磁共振成像构建全脑个体差异结构协变网络。该方法成功地识别了相对于参考对照群体具有统计显著差异结构协变连接的改变边。还有研究使用结构磁共振成像构建了个体形态学网络。该方法基于Kullback-Leibler散度测量，系统地检查了网络组织，并已证明具有可靠性，为表征人脑结构组织提供了一种强大的方法。这些个体化网络方法为重性抑郁障碍的研究带来了希望。通过使用个体差异结构协变网络方法和个体水平形态学脑网络分析，可以有效捕捉与重性抑郁障碍相关的独特结构网络变化。这种个性化分析对于理解重性抑郁障碍的多样化表现至关重要，而这些表现在传统的群体水平分析中可能被忽略。

因此，在当前的研究中，首先提取了骨架上的体素水平灰质体积，目的是将重性抑郁障碍患者分为不同亚型以解决患者的异质性。然后使用基于格兰杰因果的结构协变网络分析(CaSCN)揭示重性抑郁障碍亚型中具有灰质体积差异的脑区之间的因果效应。使用个体差异结构协变网络方法探索个体结构协变网络差异。还使用图论分析了重性抑郁障碍患者结构协变网络的拓扑结构。最后，使用神经影像-转录组和神经影像-神经递质关联分析评估了每种重性抑郁障碍亚型的生物学机制。整个分析流程的概览如图1所示。

图1MDD 亚型分型与多层次神经生物学特征分析流程概述

2.方法

2.1.参与者

结构磁共振成像数据来自REST-meta-MDD项目的一个开放数据集，包括中国17家医院的25个研究小组。根据《精神障碍诊断与统计手册第五版》，患者采用相同的入组方案被诊断为重性抑郁障碍。数据集中提供了详细信息，包括诊断、扫描时年龄、性别、教育程度、首发或复发抑郁诊断、用药状态、病程以及17项汉密尔顿抑郁量表评分。

2.2.影像数据采集与预处理

该数据集包含1300名重性抑郁障碍患者和1128名健康对照者。在排除关键人口学或行为变量数据缺失的参与者后，当前研究纳入了387名未用药患者和1104名健康对照者。纳入参与者的人口学信息和临床特征见表1。然后，获得了每个受试者的预处理灰质体积数据。结构磁共振成像数据按照先前研究中描述的标准程序进行预处理。结构磁共振成像被分割为灰质、白质和脑脊液，然后通过DARTEL工具从个体原始空间重新配准到MNI空间。为了进一步分析，灰质图像使用8 mm半高全宽高斯核进行平滑，遵循基于体素的形态测量分析中的标准实践，以提高信噪比并减少空间归一化后残留的个体间解剖变异性，这与先前的灰质体积研究一致。

表1三种亚型 MDD 患者的人口统计学与临床变量分析

2.3.重性抑郁障碍亚型定义

为定义MDD 的生物型，此研究采用每位受试者皮层骨架上的 GMV 值作为聚类分析特征。皮层骨架代表具有最大解剖学对应性的核心皮层脑区，其设计旨在减少空间标准化后的残余错位及部分体积效应。具体流程如下：首先生成所有受试者的平均 GMV 图，随后使用 FSL 中实现的tbs-skeleton函数提取皮层骨架，该函数将个体 GMV 值投射至皮层套层中心。通过聚焦骨架化 GMV 表征，该方法在保留皮层结构变异主要模式的同时，增强了跨受试者可比性。所有 MDD 患者的数据经骨架化 GMV 值向量化后形成387×73,382矩阵，其中行对应受试者个体，列对应皮层骨架体素。通过计算全体受试者骨架化 GMV 向量间的皮尔逊相关系数，量化皮层 GMV 模式的个体间相似性，最终获得387×387相似性矩阵。该矩阵作为输入数据用于K均值聚类分析（通过统计与机器学习工具箱实现）。聚类数量K值从2至10进行评估，每个聚类方案均采用500次随机初始化重复实验以提高稳定性。最优聚类数量是基于平均轮廓系数确定的，该系数反映了簇内凝聚度与簇间分离度。选择具有最高平均轮廓值的聚类方案作为最终亚型划分结果。

在定义重性抑郁障碍亚型后，每个重性抑郁障碍亚型与健康对照者进行体素水平双样本t检验，控制年龄、性别、受教育年限和总颅内体积，以识别特定的异常结构模式。此外，还进行了一系列人口学和临床变量的系统统计比较，包括年龄、受教育年限、平均灰质体积、病程、通过汉密尔顿抑郁量表和汉密尔顿焦虑量表评估的总体抑郁和焦虑症状严重程度，以及汉密尔顿抑郁量表项目水平评分。

2.4.重性抑郁障碍亚型基于格兰杰因果的结构协变网络改变

进行基于格兰杰因果的结构协变网络分析(CaSCN)以评估不同脑区之间的时间影响，并使用符号路径系数格兰杰因果分析确定它们之间的影响流。这种方法不仅允许推断脑区之间的方向性因果影响，还区分了灰质体积共变的方向。假设两个感兴趣脑区X和Y之间存在潜在因果关系，其灰质体积变化可表示为时间序列数据，格兰杰因果分析基于向量自回归模型。具体来说，脑区Y的自回归模型可以表示为公式：

其中Y(t)和X(t)分别表示脑区Y和X在时间t的 GMV 值，p代表模型阶数（滞后长度）；ak和bk为回归系数； εY (t)和 εYʹ(t)为残差项。若包含X的历史值能显著降低Y的预测误差（即εYʹ (t)< εY (t)），则认为脑区X对脑区Y具有因果影响。X到Y的GC值量化公式为：

其中Var(εY)和Var(ε'Y)分别表示未纳入和纳入脑区X的模型的残差方差。若GC值呈正向变化（GCX →Y>0）且通过统计学显著性检验（p<0.05），则表明X对Y存在因果影响。传统的格兰杰因果分析仅揭示因果交互的方向性，但不区分灰质体积变化模式的符号。因此，采用符号路径系数方法进一步表征脑区间灰质体积变化是一致的还是不一致的。

GC值为正值（GCS →T>0）表明脑区S中GMV 的增加（或减少）会引发脑区T中相应的变化；反之，GC值为负值（GCS →T<0）则表明脑区S中GMV 的增加会导致脑区T中变化的减少，反之亦然，反映出结构变化的相反方向。

符号路径系数定义为：

其中sign(GC_S→T)表示格兰杰因果值的符号。该公式允许更直观地表示不同重性抑郁障碍亚型之间灰质体积变化模式的方向和极性。具体来说，由于种子点在重性抑郁障碍中表现出灰质体积减少，正的格兰杰因果值表示脑区中相同的灰质体积改变滞后于种子点萎缩，这可能表明减少是由种子点驱动的。负的格兰杰因果值表示具有相反改变的脑区滞后于种子点萎缩，这可能表明代偿效应。由于格兰杰因果分析是时间依赖性的，因此在开始格兰杰因果分析之前，必须根据患者的病程从短到长对其结构数据进行排序。通过这样做，可以为这些结构图像赋予一个虚拟的“时间”属性，用于后续的格兰杰因果分析。

对于CaSCN分析，种子点从三个重性抑郁障碍亚型与健康对照者之间显示出最大正向或最大负向统计差异的脑区中选择。每个种子点定义为以所选脑区峰值MNI坐标为中心、半径8 mm的球体，并提取每个种子点的平均灰质体积以形成沿病程的伪时间序列。对每个种子点的这一系列进行体素水平符号路径系数格兰杰因果分析，并以性别、年龄、受教育年限和总颅内体积为协变量构建基于格兰杰因果的结构协变网络。计算过程使用BCCT软件。对于这些种子点，仅关注从X到Y的格兰杰因果值。各种子脑区生成的GC图像经Z分数转换后，采用Alphasim校正法进行校正（p < 0.001），最小聚类大小>100。

2.5.个体差异结构协变网络映射

利用一种新的生物信息学方法来探索重性抑郁障碍与健康对照者之间的个体化结构协变网络差异。映射个体差异结构协变网络的主要步骤如下：首先，使用AAL3脑图谱将全脑分割为166个脑区。使用所有健康对照者建立参考结构协变网络。参考结构协变网络使用偏皮尔逊相关系数计算，在166个脑区的每对之间，以年龄、性别、受教育年限和总颅内体积为协变量，计算所有受试者的灰质体积值。得到参考结构协变网络，记为PCC_n。然后，将患者k加入对照组，使用n+1名受试者构建一个新的结构协变网络，记为扰动网络PCC_{n+1}。接下来，计算扰动网络与参考网络之间的差异，即ΔPCC_n = PCC_{n+1} - PCC_n。

先前的工作已经从理论上证明ΔPCC_n服从一种称为“火山分布”的新型对称分布，其尾部类似于正态分布。ΔPCCn 的Z值是基于Z检验（或U检验）按以下方法计算得出：

随后，根据各边的权重（即通过前述公式所述Z检验获得的Z分数）定义患者k的 IDSCN 网络。 IDSCN 中的边表示该额外患者与参照组相比，如何改变 GMV 中脑区对的协方差。基于标准正态分布假设，从Z分数中计算得出双侧p值：

其中 Φ(⋅)表示标准正态分布的累积分布函数。通过Benjamini-Hochberg错误发现率（FDR）校正程序控制各个体 IDSCN 内所有区域对间的多重比较，显著性阈值设定为p < 0.05。采用相同方法对每位患者的 IDSCN 进行映射分析。构建 IDSCN 后，首先计算每位患者具有显著变化（p < 0.05，经Bonferroni校正）的连接边数量，随后筛选出前20条连接边（这些连接边在至少20例患者中呈现显著变化，约占患者队列的5%）。此研究比较了这20条连接边在三种亚型间的Z分数差异，最终通过方差分析（ANOVA）筛选出在三种亚型间存在显著差异的前20条连接边，并对这些连接边与 MDD 患者 HAMD 评分进行皮尔逊相关性分析。显著性水平设定为p < 0.05（经FDR校正）。

2.6.基于图论的个体结构协变网络分析

为了识别重性抑郁障碍的网络拓扑变化异常，进行了基于图论的个体脑结构协变网络分析。使用AAL3图谱将全脑分割为166个脑区。使用每个脑区中所有体素的灰质体积值计算概率密度函数，以描绘脑区灰质体积值的分布模式。为了确定任意一对脑区之间的连接或边，使用Kullback-Leibler散度测量脑区概率密度函数之间的相似性，以定义任意两个脑区之间的形态学关系。在获得每个个体的结构协变网络后，计算全局网络参数以确定重性抑郁障碍中的网络拓扑差异。为确保跨网络密度的稳健性，所有图论指标在0.05-0.40的稀疏度范围内计算，并使用该范围内的曲线下面积进行后续统计分析。对于网络分析，首先评估小世界属性。如果真实网络满足以下标准，则被认为具有小世界属性：标准化聚类系数>>1，标准化特征路径长度≈1，小世界属性>1。当满足小世界标准时，使用GRETNA工具箱计算全局拓扑参数，包括聚类系数、全局效率、局部效率和特征路径长度。这些指标在网络中的详细公式、用途和解释可以在先前的研究中找到。在获得每个受试者的网络全局参数后，使用稀疏度范围内每个全局指标的曲线下面积值进行双样本t检验以确定组间差异。显著性水平设为p<0.05，采用FDR校正。此外，在重性抑郁障碍个体中进行了全局拓扑参数与汉密尔顿抑郁量表评分之间的皮尔逊相关分析。显著性水平设为p<0.05，采用FDR校正。

2.7.重性抑郁障碍亚型的灰质体积差异相关的转录组和神经递质分析

进行了灰质体积差异与转录组谱、神经递质分布图之间的空间关联分析，以揭示每种重性抑郁障碍亚型结构异常背后的分子基础。基因表达数据集从艾伦人脑图谱(AHBA)获得，该图谱采集自六个人类死后大脑的脑组织样本。使用Abagen工具包进行数据预处理后，所有基因表达数据被映射到AAL3图谱上。由于只有两名供体的右半球基因表达数据可用，此研究使用左半球基因表达数据进行后续分析以排除采样偏倚。在去除表达矩阵中具有空值的感兴趣区后，最终分析数据集包含一个83×15,633的基因表达矩阵。

此研究采用偏最小二乘法（PLS）分析法，旨在识别与局部灰质（GM）改变最密切相关的基因表达谱，以揭示潜在生物学机制。分析中，基因表达水平作为预测变量，而不同 MDD 亚型（与健康对照组[HC]相比）中局部灰质改变的T图则作为响应变量。为解决空间自相关问题，此研究通过自旋检验置换法（10,000次迭代）验证零假设：PLS1模型对T图谱与全基因组表达之间协方差的解释力未超过随机预期值。此外，采用自助法评估各基因对PLS1模型贡献度的变异性，并通过z分数计算基因对PLS1的影响排序。最终筛选出Bonferroni校正后p值<0.001的基因，通过GSEApy进行富集分析以鉴定相关生物学过程。

检查了三种重性抑郁障碍亚型的T图与跨所有脑区的神经递质系统之间的关系。为此，利用来自超过1200名健康个体的全脑体积PET受体图像，创建了跨九个神经递质系统的19种不同神经递质受体和转运蛋白的综合图谱。在每个系统内，对相同类型的受体和转运蛋白进行平均，以生成代表性的神经递质系统图。这九种神经递质图被分配到166个脑区，每个脑区内的平均体素值作为其神经递质系统值。在对每个神经递质图跨166个脑区进行z归一化后，采用多元线性回归模型评估各种神经递质系统对每种重性抑郁障碍亚型T图的贡献。模型设定如下：

其中T_v代表从三种重性抑郁障碍亚型的T图导出的166个感兴趣区的值。使用FDR控制多重比较，以评估每个神经递质系统的显著贡献，显著性阈值设为p<0.05。

在脑海科技云平台中，内置了基于格兰杰因果的结构协变网络分析(CaSCN)模块，支持用户批量处理数据，并确保每一步参数设置都有据可查。此外，平台的项目管理模块可清晰记录数据筛选标准、排除被试原因、分析版本等信息，极大提升了研究的透明度和可复现性。读者可对照思考如何在平台中实现类似的分析流程。感兴趣可联系预约产品演示。

3.结果

3.1.人口学和临床特征

387名未用药重性抑郁障碍患者和1104名健康对照者被纳入研究。经过聚类分析，将重性抑郁障碍患者分为三个亚型：亚型1、亚型2和亚型3。进一步对三个重性抑郁障碍亚型之间的人口学和临床特征进行了比较。观察到亚型对年龄的显著整体效应，事后分析显示亚型1与亚型2和亚型3显著不同。此外，通过汉密尔顿焦虑量表测量的焦虑严重程度在亚型1与亚型3以及亚型2与亚型3之间存在显著差异。在症状维度水平上，对汉密尔顿抑郁量表各个项目的分析揭示了晚期失眠、精神运动迟缓和生殖器症状的显著亚型差异。总之，这些结果表明三种重性抑郁障碍亚型表现出不同的人口学特征和症状谱，为所提出的亚型分类提供了额外的临床支持。

3.2.重性抑郁障碍亚型中特定的结构模式差异

使用灰质体积模式和K-means聚类算法定义了重性抑郁障碍生物型。确定了最佳三个亚型。与健康对照者相比，重性抑郁障碍亚型1在双侧距状回和左侧小脑前叶有灰质体积增加，在双侧颞极、右侧楔前叶和左侧前部岛叶有灰质体积减少；亚型2在双侧内侧前额叶回、颞中回、右侧颞上回和中央前回、左侧背外侧前额叶皮层、颞极、海马旁回、眶额皮层和小脑蚓部有灰质体积增加，而在双侧背外侧前额叶皮层、右侧背外侧前额叶皮层、小脑蚓部和舌回有灰质体积减少；亚型3在双侧梭状回、中央前回和直回、左侧背外侧前额叶皮层、舌回、颞中回、中央后回和楔前叶、右侧小脑脚、背外侧前额叶皮层和眶额皮层有灰质体积增加，而在双侧小脑后叶、颞极和辅助运动区、右侧背外侧前额叶皮层有灰质体积减少。异常脑结构主要位于亚型1的视觉网络，亚型2的躯体运动网络、默认模式网络和边缘网络，以及亚型3的小脑皮层、默认模式网络、边缘网络和躯体运动网络。

3.3.重性抑郁障碍亚型中的结构因果改变

分别将三个重性抑郁障碍亚型与健康对照者之间显示出最大正向差异的左侧距状回、右侧颞上回和左侧背外侧前额叶皮层，以及显示出最大负向差异的右侧楔前叶、右侧背外侧前额叶皮层和双侧小脑后叶作为基于种子的基于格兰杰因果的结构协变网络分析(CaSCN)的种子脑区。亚型1中的左侧距状回对背侧注意网络和边缘网络脑区有负向因果影响，包括左侧楔前叶、梭状回、右侧颞极和小脑前叶。右侧楔前叶对双侧小脑后叶、楔前叶、右侧额上回和背外侧前额叶皮层有负向因果影响，对右侧颞下回有正向影响。这些脑区位于背侧注意网络和额顶网络。亚型2中的右侧颞上回对右侧额上回有负向因果影响，对左侧颞极和右侧背外侧前额叶皮层有正向因果影响，这些脑区主要分布在躯体运动网络、额顶网络和背侧注意网络。亚型2中的右侧背外侧前额叶皮层对左侧豆状核和右侧背外侧前额叶皮层有负向因果影响，对距状回有正向因果影响，这些脑区主要分布在视觉网络和额顶网络。亚型3中的左侧背外侧前额叶皮层对额顶网络脑区有负向因果影响。亚型3中的双侧小脑后叶对默认模式网络和视觉网络脑区有负向因果影响。

3.4.重性抑郁障碍亚型之间的个体差异结构协变网络差异

每位患者个体差异结构协变网络中的边数与参考网络有显著差异，范围从0到6100，平均为215.0±500.7条边。三种重性抑郁障碍亚型中前20条结构协变边的Z分数。在这些前20条边中，有10条边的Z分数在三个患者亚组间显示出显著差异，主要集中于丘脑和小脑之间。前20条边中有三条边与汉密尔顿抑郁量表评分呈显著负相关：Thal.PuI.R-cerebellum.9.R、Thal.PuI.R-cerebellum.8.L和Thal.MGN.L-cerebellum.9.R。

图2基于结构化骨架分析的 MDD 亚型 GMV 特征

图3基于Granger因果分析的 MDD 患者亚型中结构性因果交替现象

3.5.重性抑郁障碍亚型中破坏的单受试者结构协变网络拓扑

绘制了健康对照者和每种重性抑郁障碍亚型的单受试者结构协变网络。所有网络均满足小世界标准。在0.05-0.40稀疏度范围内计算的全局拓扑参数的曲线下面积在重性抑郁障碍亚型和健康对照者之间进行了比较。重性抑郁障碍亚型1显示出比健康对照者更高的γ、δ、Eglob和Eloc，而亚型2和3显示出比健康对照者更低的这些拓扑参数。重性抑郁障碍亚型1显示出比健康对照者更低的Lp，而亚型2和3显示出比健康对照者更高的Lp。未发现这些全局拓扑属性与汉密尔顿抑郁量表评分之间的相关性。

3.6.三种重性抑郁障碍亚型解剖差异的神经生物学机制

观察到第一PLS成分与三种亚型的结构差异之间存在显著相关性。亚型1的基因集主要富集在细胞大分子定位、蛋白质定位建立、神经发生和细胞信号传导；亚型2的基因集主要富集在细胞生物合成过程的正调控、含核碱基化合物代谢过程的正调控和氮化合物运输；亚型3的基因集主要富集在神经发生、细胞投射组织、神经元分化和神经元发育。使用多元线性回归模型研究了神经递质系统与三种重性抑郁障碍亚型T图之间的关系。乙酰胆碱、GABA和谷氨酸是亚型1的关键递质；去甲肾上腺素是亚型2的关键递质；大麻素、多巴胺、阿片类、去甲肾上腺素和血清素是亚型3的关键递质。

图4患者亚型中的结构协方差边分析

图5不同 MDD 亚型中单个受试者结构协方差网络的全局网络组织差异

4.讨论

此研究使用多水平和多维度特征来描述大量未用药重性抑郁障碍患者的脑结构异常。研究发现重性抑郁障碍患者具有广泛的灰质体积异常，并且可以根据不同的灰质体积特征模式很好地分为三个亚型。基于格兰杰因果的结构协变网络分析(CaSCN)显示，左侧距状回、右侧楔前叶、右侧颞上回、右侧背外侧前额叶皮层、左侧背外侧前额叶皮层和双侧小脑后叶对其他异常脑区具有因果影响。这种分类得到了重性抑郁障碍中结构协变边分析和形态学脑网络全局组织的进一步支持。转录组和神经递质分析揭示了三种重性抑郁障碍亚型解剖变异背后的不同神经生物学机制。

图6三种不同 MDD 亚型结构差异的神经生物学机制

重性抑郁障碍的分类常因病程和症状而混淆，使得诊断和个体化治疗具有挑战性。三种亚型中灰质改变的独特模式表明特定的脑特征可以区分重性抑郁障碍亚组。研究发现亚型1的重性抑郁障碍患者相对比其他两组年龄更大，伴随全脑灰质体积增大和灰质体积增加。相比之下，重性抑郁障碍亚型2和3更年轻，并具有更广泛的灰质体积减少。进一步的个体差异结构协变网络和图论个体结构协变网络分析证实了分类的重要性，并发现三种重性抑郁障碍亚型之间在结构连接和小世界属性上存在显著差异。

除了不同的神经解剖学模式外，三种重性抑郁障碍亚型在临床和症状特征上也表现出差异，反映在人口学变量、焦虑严重程度和选定的项目水平抑郁症状上。尽管临床测量未用于定义亚型，但这些差异表明所提出的神经解剖学分型在症状维度水平上捕捉到了临床上有意义的异质性。具体来说，焦虑严重程度和与睡眠障碍、精神运动迟滞和躯体相关症状相关的选定汉密尔顿抑郁量表项目的亚型差异表明，每种亚型可能与不同的症状维度组合相关，而不仅仅是整体抑郁严重程度的差异。这一观察与先前的观点一致，即重性抑郁障碍是一种异质性临床状况，包含部分可分离的症状域，这些症状域可能由不同的神经生物学机制支持。

重要的是，这些症状维度水平的差异为将所识别的神经解剖学亚型转化为临床可解释的特征提供了基础。目前的分类并非取代基于症状的诊断框架，而是为理解大规模结构网络改变如何限制或偏倚特定症状维度的表达提供了神经生物学背景。在这方面，观察到的亚型特异性脑结构模式与症状水平差异之间的收敛性支持了神经生物学变异与临床现象学之间的双向关系，从而增强了所提出亚型的临床可解释性。

先前的几项研究已经应用基于脑网络的方法来表征异质性并识别重性抑郁障碍的神经生物学亚型。使用功能连接组学规范性建模，Sun等人识别了两种与相反的功能连接偏差模式和不同症状特征相关的可重复神经生理学亚型，并证明了对治疗反应的预测价值。然而，这项工作仅关注功能连接，未涉及结构网络组织或分子机制。作为功能方法的补充，Li等人基于皮层厚度偏差识别了可重复的重性抑郁障碍生物型，并进一步将这些神经形态改变与转录组相似性模式联系起来。虽然这项研究为基因信息支持的皮层异常提供了重要见解，但未明确检查结构协变网络的组织和方向性。其他结合神经影像和临床测量的综合努力强调了在定义抑郁亚型时的症状维度，但未直接表征个体水平网络组织或结构改变的因果传播。同时，多变量结构协变和多模态神经影像研究强调了网络水平分析在精神病学特征刻画中的价值。然而，这些方法侧重于疾病间分类而非诊断内亚型，并承认与抑郁异质性和药物效应相关的局限性。类似地，多变量结构协变分析已被应用于识别跨精神分裂症、双相障碍和重性抑郁障碍的诊断特异性网络特征，证明了疾病水平的网络区分。然而，这项工作主要解决跨诊断类别的异质性，并非旨在解决诊断内异质性或表征重性抑郁障碍内的亚型特异性网络组织。

在此背景下，此研究通过专注于一大群未用药重性抑郁障碍患者中的诊断内异质性，扩展了现有的基于脑网络的框架。通过整合因果结构协变分析、个体差异结构网络、网络组织的图论特征和分子水平关联，此研究的方法能够将重性抑郁障碍更精细地划分为具有神经生物学意义的亚型。重要的是，这种多水平框架允许表征亚型特异性结构异常及其定向网络影响、拓扑组织以及相关的转录组和神经递质特征，同时减少与用药状态相关的潜在混杂效应。

使用基于种子的格兰杰因果分析，发现左侧距状回、右侧楔前叶、右侧颞上回、右侧背外侧前额叶皮层、左侧背外侧前额叶皮层和双侧小脑后叶分别对每种重性抑郁障碍亚型中的其他灰质体积异常脑区具有因果影响。这些脑区的改变驱动了其他脑结构的变化，主要涉及默认模式网络、边缘结构、躯体运动网络、背侧注意网络、视觉网络和额顶网络。这表明重性抑郁障碍患者脑结构的广泛损害。在这些结构生物标志物中，背外侧前额叶皮层和颞叶皮层通常与重性抑郁障碍等精神疾病相关。枕叶皮层和小脑的异常在最近的研究中也得到了广泛报道。重性抑郁障碍患者对负性情绪刺激表现出异常早期加工，可能与视觉信息处理有关。根据双情绪通路假说，重性抑郁障碍患者对负性情绪刺激表现出视觉加工脑区的快速激活，随后是边缘系统的调节。重性抑郁障碍患者可能在情绪特征的感觉绑定方面存在早期损害或负性偏倚。重性抑郁障碍患者中杏仁核与视觉皮层之间的连接受到抑制，并且在积极图像评估期间负性情绪被激活。因此，异常视觉加工可能是重性抑郁障碍患者人际问题的一个关键因素，如社会认知障碍和社交退缩。另一方面，小脑的病变与对积极刺激的愉悦感降低有关。通过与前额叶皮层、边缘结构、顶叶皮层和颞叶皮层的广泛连接，小脑在高级认知和情感功能中起着关键作用。通过其与视觉皮层的解剖和功能连接，小脑在视觉信号传递和视觉皮层活动的自主适应方面有助于视觉整合。结合此研究距状回分析结果，小脑驱动皮层-皮层下结构的多种变化，特别是在视觉网络中，可能表明重性抑郁障碍患者视觉网络的重组。

结构协变网络结果显示了如何使用基于个体差异的方法来分析患者的临床和生物学异质性。边分析使用10条边揭示了三种重性抑郁障碍亚型。这表明哪些丘脑-小脑结构协变最重要且与抑郁症状负相关，提示这些可作为抑郁严重程度的生物标志物，因为丘脑和小脑都作为参与情绪调节的中继站。对于重性抑郁障碍亚型的分类模式，进一步分析了形态学脑网络的全局组织。所有全局网络参数都满足小世界标准，表明重性抑郁障碍亚型中网络拓扑被破坏。特别地，先前研究发现全局效率降低和特征路径长度增加，这与在重性抑郁障碍亚型1中的发现一致，而另一些研究发现全局效率增加和特征路径长度减少，这与在重性抑郁障碍亚型2和3中的发现一致。可以合理推断这些因素也可能影响此研究检查的个体水平形态学脑网络。这些数据驱动的客观分类在识别重性抑郁障碍亚型方面可以提供非常丰富的信息。

此研究发现与重性抑郁障碍亚型结构变化相关的基因特征和神经递质。该方法显示了与基因表达和灰质体积变化的相关性。亚型1中的基因富集与细胞大分子和蛋白质定位建立、神经发生和细胞间信号传导相关，表明在细胞组织、蛋白质运输和神经通讯中的潜在作用。亚型2显示基因富集在与细胞生物合成、含核碱基化合物的代谢和氮化合物运输相关的过程中，指向代谢和调节特征。亚型3的基因与脑发育相关，这对生长和连接至关重要。这些过程的问题可能通过影响脑发育和可塑性在抑郁症中发挥作用。研究表明，神经发生减少和神经元分化改变可能与抑郁症和重性抑郁障碍中观察到的脑结构变化有关。也有研究支持神经发生在抑郁症中的作用，表明神经发育障碍可能通过对情绪和认知功能的影响促进重性抑郁障碍的病理生理学。这些过程对于维持能量平衡、核酸合成和神经递质调节至关重要，所有这些对脑功能都是必不可少的。生物合成和代谢过程的参与在重性抑郁障碍中已被记录，研究者将代谢功能障碍与抑郁症状联系起来，可能是由于细胞合成和神经递质可用性的失调。

在重性抑郁障碍亚型中发现了每个神经递质系统的显著贡献，表明不同的神经生物学机制。神经递质系统如乙酰胆碱、GABA和谷氨酸被发现与亚型1的认知障碍有关。文献支持这些神经递质与认知功能和情绪调节的联系。亚型2中的去甲肾上腺素关联可能反映了压力和唤醒机制的增强。亚型3中的多巴胺、血清素和大麻素系统与奖赏加工和重性抑郁障碍中常见的快感缺失一致。在重性抑郁障碍亚型中观察到的神经递质系统与灰质之间的关系表明与不同症状特征相关的特定神经化学特征。

在解释此研究结果时，应考虑几个局限性。首先，研究的横断面设计限制了得出因果推断和跟踪结构变化随时间进展的能力。因此，目前的发现描绘的是合理的神经生物学途径，而非确定的因果机制。需要纵向研究来确定脑结构异常与重性抑郁障碍病程之间的时间动态和因果关系。其次，所识别的重性抑郁障碍亚型未在独立复制数据集中重新检验。此外，研究仅关注未用药的重性抑郁障碍患者，排除了接受药物治疗的个体。虽然这一策略减少了潜在的药物相关混杂效应，但可能限制研究结果对更广泛重性抑郁障碍人群的普适性。在独立队列（包括用药样本）中的复制对于进一步验证所提出的亚型分类框架的稳健性和普适性非常重要。最后，虽然目前的框架识别了临床上有意义的神经解剖学亚型，但亚型定义主要由神经生物学特征驱动，而非在统一建模框架内明确整合临床和行为变量。正如最近精神病学疾病的综合、名理学网络模型所强调的那样，联合建模多个水平的心理病理学可能提供疾病异质性的更完整表征。将当前框架扩展到包括临床、行为和神经生物学特征的未来研究可能进一步完善和验证所提出的重性抑郁障碍亚型。

总之，此研究的结果表明，重性抑郁障碍患者可以根据不同的灰质体积模式很好地分为三个亚组。结构协变边分析、形态学脑网络的全局组织、基因集富集分析和神经递质分析进一步支持了这种分类。这些发现增进了对重性抑郁障碍生物学和临床异质性的理解，并为通过考虑生物学和临床特征定义其亚型提供了潜在途径。