脂质组学+机器学习预测人是否可能发展为精神病

HC：健康对照组（n=51）；高风险精神病组（CHR），随访5年（n=263）。

CHRr：随访期间症状缓解

CHRp：随访期间症状持续

CHRt：发展为精神病

人群：通过危险心理状态评估（CAARMS）+全球功能评估分裂量表（GAF）发现了344位有高风险精神病的人，在第12和24个月重新评估一次，然后临床随访5年，在随访期间，CHR组有50位发展为精神病。

1. CHR组与健康组在脂质组学中有差异。

2. 在CHR组中，基线期的脂质水平会与随访期的3个亚组相关，即症状持续，向精神病转化，症状缓解。

1. PCA分析：分析是否有异常样本。

2. 临床指标分析：使用线性回归计算回归系数，筛选对组间脂质差异有影响的临床指标。

3. 脂质模型聚类：通过贝叶斯信息准则对脂质进行聚类找出lipidomic clusters（LCs）。

4. sPLS-DA：Pairwise sparse partial least squares discriminant analysis，计算脂质的VIP值。

5. 偏相关分析：脂质与临床指标的相关性分析。

6. 回归LR：建立LR回归模型筛选HC组和CHR组中的差异变量。

7. GAF得分值的差异分析

为了区分脂质水平在CHR组基线期和随访期的差异是否与GAF得分值有关，将随访期得分GAF＞65和GAF≤65分成两组，分别对应生活功能性的强弱，使用Welch’s t test分析差异性。

1. 单变量+多元变量统计分析筛选差异脂质

HC+CHR：sPLS-DA的AUC≥0.6，回归系数＞0.05，VIP＞1，p-adjusted＜0.1。

2. 回归LR模型筛选

LR模型用来筛选CHR和HC，CHRt和CHRp+CHRr，CHRr和CHRp+CHRt的差异变量，AUC＞0.6作为筛选标准。

1. CHR组中的脂质分布

样本中共测到173个脂质，根据图1B可知，BMI、性别和年龄对脂质的差异贡献较大，因此这几个指标在后续的回归分析时将被考虑进去。

图1B. 与脂质差异有关的临床指标
 

通过聚类分析得到了12个LCs，其中 LC2,9,10,11包括了TG类，LC1包括了CE,CER,PC,PI类, LC4包括了PC和SM类。由图1C可知LC1,2,4,9,10,11在CHR组中显著升高，结合LCs和临床数据（图1D）的LR模型可知，LC4和LC5在区分CHR和HC组上影响最大，而临床数据影响较小。

图1C. HC组和CHR组中LCs的差异分析；D. HC组和CHR组的回归分析系数通过上述单变量及多元变量统计分析，在HC组和CHR组中共筛选出的差异脂质一半都是TG类（图2A），作者发现在CHR组中含量高的TG类碳链和双键更少。与此相反的是几个包含了长链的多不饱和脂肪酰TG类在CHR中含量较低（图2B）。

因为性别在LR模型结果中显示对脂质差异影响较大大，因此作者研究发现有13个脂质在性别和组间差异都很明显，大部分是SM类，它们在男性CHR组含量较低；相反，有4个TG类在男性CHR组更高（图2C）。

图2. （A）差异脂质；（B）TG类双键和碳链长度的相关性；（C）与性别有关的差异脂质
 

2. CHR各亚组中的脂质分布

同样的12个LCs用来比较3个CHR亚组和HC的脂质分布。有5个LCs在随访期发生了显著改变，其中有4个（LC1,LC2,LC9,LC10），在CHRp和CHRt中显著升高（图3A）。相对于不会发展为精神病的CHRs和CHRr组，脂质在CHRt组中有一个下降的趋势（图3B）。在这些下降的脂质中，与CHRr+CHRp比，PC(O-22:2/22:3) 和 PC(O-32:0)在CHRt中显著下降，而与HC比SM(d34:2) and SM(d18:1/24:0)在CHRr中显著增加。

图3.（A）HC组和3个CHR亚组的脂质分布；（B）在4组中发生显著改变的脂质

 

3. 可作为精神病发展预测的脂质

然后，作者筛选出了在这几组中显著变化的脂质是否能用来预测疾病的发展。

使用LR模型筛选出8个脂质（Cer(d18:1/24:0), LPC(22:5), PC(38:4), PC(40:5), PC(O-32:0), SM(d18:1/24:0), SM(d36:0), and SM(d36:1)）可以区分CHR和健康对照组（图4A），5个脂质（Cer(d18:1/24:0), LPC(22:5),PC(38:4), PC(40:5), and PC(O-32:0)）可以区分CHRt和其他不会发展为精神病的CHR亚组（图4B），6个脂质（Cer(d18:1/24:0), LPC(22:5),PC(38:4), PC(40:5), PC(O-32:0), and SM(d18:1/24:0)）可以区分出CHRr与症状不会缓解的CHR亚组（图4C）。

 

7.讨论

作者首先发现CHR组中很多脂质的含量都高于HC组，然后运用机器学习的方法开发了一个可以区分CHR以及不同临床亚组的诊断特征。模型的高准确性表明检测血液中的脂质或许可以帮助提高高风险人群的发病预测能力。并且作者还发现了一个新的临床因素，即脂质存在明显的性别差异。