利用功能磁共振脑图谱特征构建跨物种机器学习分类预测模型，提取磁共振影像学特征协助诊断人类精神疾病。中科院脑科学与智能技术卓越创新中心 供图
　　American Journal of Psychiatry（《美国精神病学杂志》）17日凌晨在线发表了中国科研人员的一篇研究论文。相关研究整合灵长类动物模型和临床精神疾病患者的功能磁共振影像数据，设计猴-人跨物种的机器学习分析流程，利用从转基因猕猴模型上学习的特征构建临床精神疾病患者的分类器模型，进而深入解析人类自闭症和强迫症的神经环路机制。
　　该研究为精神疾病的影像学精准诊断提供了新证据，开辟了利用非人灵长类模型服务精神疾病的临床应用需求的新途径。研究由中国科学院脑科学与智能技术卓越创新中心的王征研究组与中国科学院自动化研究所赫然课题组合作完成。
　　自闭症(ASD)是一种神经系统失调的发育性疾病，具有高度的异质性，同时自闭症患者常伴随强迫症(OCD)、注意力缺陷多动症(ADHD)等并发症，这给临床诊断和病理机制研究带来很大挑战。非人灵长类模式动物与人类在脑结构与功能上较为接近，已成为研究大脑高级认知功能的首选，更是探究复杂脑疾病致病机理、研发诊疗技术并向临床转化的优选动物模型。
　　目前已知与自闭症相关的致病基因有百余种，导致其遗传学病理非常复杂。研究人员首先运用基因工程技术将人类自闭症基因——MECP2导入到猕猴基因组中，建立单一基因操控的转基因猕猴模型来简化模拟复杂的人类自闭症。随后利用磁共振影像技术对转基因和野生型猕猴进行脑部扫描，构建脑功能图谱。因为不是所有的脑区都与自闭症病理有关，研究人员使用结构稀疏的机器学习算法对脑功能图谱进行脑区筛选，识别与MECP2基因相关的核心脑区。然后将这些核心脑区一对一映射到人类磁共振影像脑功能图谱上，提取与核心脑区相关的功能连接特征，以此构建跨物种可迁移的分类预测模型，分别用于人类自闭症、强迫症和注意力缺陷多动症患者的诊断分类。结果发现该模型识别人类自闭症患者和健康被试的准确率达到82.14%，对人类强迫症患者的分类准确率达到78.36%，性能均显著优于基于人类自闭症患者建立的预测模型，但对于人类注意力缺陷多动症患者的诊断没有显著提升。进一步分析脑连接图谱特征与临床症状之间的关联性，发现右侧腹外侧前额叶皮层功能连接在自闭症和强迫症中扮演着双重角色，为解析精神疾病的脑环路机制提供新的重要线索。
　　此项工作由王征研究员和赫然研究员共同指导博士研究生詹亚峰和卫建泽合作完成，研究得到中国科技部、国家自然科学基金、中国科学院、上海市和广东省的资助。