青少年与成年早期精神病风险亚组的显著性网络分离与症状谱特征解析

《Schizophrenia》：Salience network segregation and symptom profiles in psychosis risk subgroups among youth and early adults

　　本研究针对精神病高危人群的早期识别难题，通过整合静息态功能连接与精神病风险症状数据，采用多层随机块模型对费城神经发育队列中的922名12-21岁参与者进行社区检测。研究发现，青年组与成年早期组均可分为两个亚组，其神经影像层连接参数高度相似，而症状层差异显著。尤为重要的是，青年组中显著性网络分离度较高的亚组 psychosis risk症状评分更高，而成年早期组中该模式相反，提示精神病风险的神经发育路径存在年龄特异性差异。该研究为基于神经生物学的精神病风险分型提供了新思路。

　　

精神病（schizophrenia）作为一种严重的精神疾病，其前驱期（prodrome）可能持续数周至数年，这一时期的表现对于早期干预至关重要。然而，目前对精神病高危（clinical high risk, CHR）人群的神经生物学异质性理解尚不充分，传统的临床或环境因素模型预测准确性有限。神经影像学研究曾发现，精神分裂症患者及高危人群在灰质结构（如额叶、颞叶、前扣带回和岛叶皮层）存在异常，这些区域共同构成显著性网络（salience network），负责刺激选择与网络切换功能。但此类改变并非精神分裂症特有，也可见于其他神经精神疾病。此外，功能连接研究发现，显著性网络与默认模式网络（default mode network, DMN）、额顶网络（frontoparietal network, FPN）及背侧注意网络（dorsal attention network, DAN）之间的协调异常可能是精神病前驱期的关键特征。尽管网络分析方法已用于精神病理学症状研究，但多数研究未能识别出具有共同神经生物学基础的风险亚型。

为填补这一空白，本研究基于费城神经发育队列（Philadelphia Neurodevelopmental Cohort, PNC），纳入922名12-21岁参与者，整合其静息态功能磁共振成像（fMRI）数据与自我报告的精神病风险症状（通过PRIME屏幕评估），构建包含神经影像层和症状层的双层多重网络。通过多层随机块模型（multiplex stochastic block model, SBM）进行社区检测，以识别神经生物学相似的风险亚组，并进一步分析其脑网络分离度与症状谱特征。

研究采用的关键技术包括：基于Gordon分区方案提取333个功能感兴趣区（ROIs）的时间序列，计算功能连接矩阵；使用Pearson相异性或欧几里得距离构建参与者间的相似性网络；通过变分期望最大化算法拟合多层SBM，以ICL准则确定最优社区数量；计算脑系统分离度（brain system segregation）作为网络功能分化的生物标志物；并利用置换检验和事后比较验证组间差异的统计学显著性。

青年样本

社区检测将青年组（12-17岁）分为两个亚组（Block 1: n=458；Block 2: n=179）。神经影像层的连接参数在两组间高度相似（μ≈0.30，σ²≈0.04），而症状层参数差异显著，表明聚类主要受症状数据驱动。脑系统分离度分析显示，Block 1的显著性网络分离度显著高于Block 2（p<0.05），且该组在注意力缺陷多动、抑郁、躁狂等14项精神病理学症状评分均更高（BH校正p<0.05）。

成年早期样本

成年早期组（18-21岁）同样被分为两个亚组（Block 1: n=173；Block 2: n=112），其神经影像层参数与青年组高度一致。然而，与青年组相反，Block 1（ psychosis risk症状评分更高）的显著性网络分离度低于Block 2。尽管两组在15项精神病理学症状均存在显著差异（BH校正p<0.05），但涉及显著性网络的事后比较多数未达到显著性阈值。

研究结论表明，通过联合分析功能脑活动与精神病理学症状，可识别出精神病风险亚组，这些亚组在青年与成年早期表现出不同的神经发育轨迹。青年期较高的显著性网络分离度可能与 psychosis risk症状相关，而成年早期该模式发生逆转，提示显著性网络在精神病风险中的作用随发育阶段动态变化。此外，精神病理学病史在亚型识别中的影响力优于神经影像数据，可能因fMRI信号受运动伪影、生理噪声等因素干扰，信噪比较低。未来研究需在临床高危队列中验证此分型框架，并纳入遗传变量以进一步细化精神病生物学亚型。本研究为基于多模态数据的精准精神病学风险评估提供了新范式。