背景
近期的神经影像学研究表明，重度抑郁障碍（MDD）患者对抗抑郁药的异质性反应与多样的静息态功能性脑网络（rsFBN）拓扑结构相关；然而，仅有有限的研究使用脑电图（EEG）来探索rsFBN。在本研究中，我们旨在识别基于EEG衍生的rsFBN的生物标志物，以预测药物治疗的反应性。
方法
我们为三个在人口统计学上匹配的组别采集了静息态EEG信号：98名难治性MDD（trMDD）患者，269名反应良好的MDD（grMDD）患者，以及131名健康对照者（HCs）。我们使用31个源点作为节点，并以beta波段的功率包络相关性（PEC）作为边，构建了源水平的rsFBN。在不同的稀疏度水平上计算了度中心性（DC）和聚类系数（CCs）。我们分别采用基于网络的统计和单因素方差分析模型来比较PECs和网络指数。多重比较由错误发现率（FDR）进行控制。
结果
trMDD（难治性抑郁）患者的特征是背侧注意网络和突显网络发生了改变。具体来说，他们表现出眼动区与右侧顶叶区域之间的连接减弱（p = 0.0088），右侧缘上回的DC降低（q = 0.0057），以及奖赏回路中的CC降低（qs < 0.05）。另一方面，两个MDD组都在后扣带皮层共享了DC增加但CC降低的特征。
结论
我们证实了trMDD患者的网络拓扑结构恶化更为严重，尤其是在注意调节网络方面。我们的研究结果表明，改变了的rsFBN拓扑结构可以作为预测抗抑郁药反应性的、具有潜在病理学可解释性的生物标志物。本文发表在Psychological Medicine杂志。
（可添加微信号19962074063或18983979082获取原文及补充材料，另思影提供免费文献下载服务，如需要也可添加此微信号入群，原文也会在群里发布，如果您需要脑电及脑网络分析服务与课程，感兴趣可联系）：
关键词：抗抑郁药反应性，脑电图，功能性脑网络，图论，重度抑郁障碍，静息态
引言
重度抑郁障碍（MDD）是一种异质性的精神障碍。这种异质性归因于多种因素，如基因型变异、病理生理症状和病因触发因素，导致个体最佳治疗策略各不相同。事实上，约30%的MDD患者对抗抑郁药治疗（一种最广泛使用和验证的疗法）反应不佳。迄今为止，众多MDD研究都集中于识别预测药物治疗反应性的生物标志物，以在难治性MDD（trMDD）患者中最小化不必要的副作用并减少因次优治疗而导致的治疗时长。
神经影像学研究可能有助于识别神经生物学上确立的、用于预测药物治疗反应性的生物标志物。值得注意的是，静息态功能性脑网络（rsFBN）为深入了解精神疾病提供了有前途的方法，能够产生可靠且信息丰富的见解。它涵盖了广泛的、无需认知要求高的任务的自发功能结构，便于多中心研究。在各种神经影像模态中，功能磁共振成像（fMRI）因其卓越的空间分辨率，一直被主要用于探索网络拓扑以研究治疗抵抗性状。然而，fMRI有几个固有的局限性，包括其高成本、对技术专业知识的需求以及专门的设备。
脑电图（EEG）可能是探索临床环境中rsFBN的可行替代模态，因为它以较低的成本和环境要求捕捉直接的电生理脑活动。最近，多模态神经影像学研究表明，采用高频功率包络相关性（PEC）作为功能连接（FC）度量的基于EEG的rsFBN，与基于fMRI的rsFBN显示出重叠的模式。这些发现支持了从基于EEG的rsFBN得出的病理生理学发现的可靠性，加强了先前通过fMRI研究建立的神经生物学机制。
一些基于PEC（功率包络相关性）的rsFBN研究已经发现了治疗抵抗性特征的病理生理学特征。例如，Zhang等人发现，那些表现出相对完整的rsFBN的患者倾向于对药物治疗敏感响应，特别是对于与fMRI显示重叠模式的beta波段。Rolle等人发现了trMDD特有的rsFBN改变，这些改变与快感缺失症状相关。虽然这些研究已经证明了使用PEC驱动的rsFBN来识别具有相对大样本量的生物标志物的可行性，但仍需要进一步的复制来在各种队列中推广和完善这些发现。此外，复杂网络分析迄今为止探索甚少。基于图论的高阶拓扑分析可以提供富有洞察力的综合网络特征，可能与治疗抵抗性的病理生理学特征相关联。
在本研究中，我们利用基于EEG的rsFBN模式，探讨了MDD患者抗抑郁药反应性的预测因子。具体来说，我们对三个具有足够样本量的组别（(i) 难治性MDD (trMDD), (ii) 反应良好的MDD (grMDD), (iii) 健康对照 (HC)）比较了各种PEC驱动的网络拓扑特征，包括复杂网络指数。基于比较分析，我们力求识别功能连接组范围内的神经生物学异常与治疗抵抗性病理生理学特征之间的关联。与先前的研究一致，我们假设与grMDD(反应良好的MDD)相比，trMDD将表现出更严重的rsFBN改变。
方法与材料
参与者
本回顾性研究共纳入了553名于2010年10月至2021年3月期间在仁济大学一山白医院就诊的MDD患者。所有患者均由认证精神科医生根据《精神障碍诊断与统计手册》第4版文本修订版（DSM-IV-TR）或第5版（DSM-V）的标准进行诊断。其中，根据以下标准排除了几名患者进行进一步分析：（i）器质性脑损伤或神经系统疾病，（ii）与精神分裂症、双相情感障碍、创伤后应激障碍和强迫症共病，（iii）主要诊断为物质滥用，（iv）智力残疾，（v）怀孕，（vi）与精神病性症状共病，（vii）非典型抑郁症，以及（viii）抑郁发作过于轻微（补充材料）。几名患者也因数据质量差而被排除（补充材料）。最终，符合条件的367名患者被分为两个亚组：trMDD（n = 98，年龄42.47 ± 12.87岁，男性：21.43%）和grMDD（n = 269，年龄42.26 ± 12.85岁，男性：20.07%）。
当患者在接受两种或多种抗抑郁药治疗8周后仍未见改善时，即被确定为trMDD。在MDD患者中，trMDD被定义为至少满足以下标准之一：（i）需要使用心境稳定剂、阿立哌唑、喹硫平或其他抗精神病药物治疗的患者，（ii）患有严重抑郁发作并伴有自杀意念的患者，以及（iii）与恐慌症、人格障碍、进食障碍、注意缺陷多动障碍或物质障碍共病的患者。该确定由认证精神科医生在至少两种类型的抗抑郁药治疗（持续时间超过8周）后做出。不满足上述治疗抵抗性标准的其他患者被视为grMDD。值得注意的是，那些表现出药物依从性差或因多种原因剂量受限的患者被归类为假性难治性MDD，这些患者在我们的研究中被排除。他们的基线抑郁症状严重程度是根据患者健康问卷-9（PHQ-9）分数和国际疾病分类（ICD）代码，通过医生访谈获得的（补充材料）。
此外，共招募了157名HCs来自当地社区。他们中没有人患有任何主要的精神或神经系统疾病、头部损伤，或有精神疾病家族史。几名参与者因数据质量问题被排除。因此，分析是基于131名HCs（年龄42.97 ± 14.50岁，男性：27.48%）进行的。所有参与者均提供了书面知情同意书。
本研究获得了仁济大学一山白医院机构审查委员会（IRB）的批准。由于我们研究的回顾性，IRB豁免了书面知情同意的要求。HCs的数据收集也遵循了伦理准则。
信号采集与预处理
共放置了64个电极，遵循扩展的10-20系统进行EEG信号记录。此外，分别放置了四个电极和一个电极来采集眼电图和心电图信号。记录在闭眼条件下进行。信号以1000赫兹的采样率记录，并进行0.1至100赫兹的带通滤波。
信号预处理是使用在MATLAB R2019b中实现的EEGLAB工具箱进行的。使用独立成分分析算法手动排除了伪影成分。EEG信号在1至50赫兹之间进行带通滤波，然后进行共同平均参考。清理后的EEG信号被分割成2秒的片段，没有任何重叠。更多细节见补充材料。
功能网络的构建
源信号是使用Brainstorm工具箱计算的 (Tadel et al., Reference Tadel, Baillet, Mosher, Pantazis and Leahy2011)。根据先前的fMRI研究 (Rolle et al., Reference Rolle, Fonzo, Wu, Toll, Jha, Cooper and Etkin2020; Toll et al., Reference Toll, Wu, Naparstek, Zhang, Narayan, Patenaude and Etkin2020; Zhang et al., Reference Zhang, Wu, Toll, Naparstek, Maron-Katz, Watts and Etkin2021)，我们选择了三十一个感兴趣区域（ROIs）作为功能网络的代表性节点。这些ROIs被纳入六个模块之一（表S1和图S1）：(i) 视觉网络 (VN; R1 ~ 2)，(ii) 体感网络 (SMN; R3 ~ 4)，(iii) 背侧注意网络 (DAN; R5 ~ 12)，(iv) 默认模式网络 (DMN; R13 ~ 16)，(v) 中央执行网络 (CEN; R17 ~ 24)，以及 (vi) 突显网络 (SN; R25 ~ 31)。我们评估了beta波段（12–30 Hz）下节点对之间的正交化功率包络相关性（PEC），并将其作为节点之间的边（详情见补充材料）。
网络指数和最小生成树
在计算复杂网络指数之前，rsFBNs使用一种数据驱动的多重阈值方法进行了二值化，阈值范围为FC比例的5%到35%，间隔为5%，以避免因特定阈值而产生的潜在偏倚（图S2和S3）。代表性的网络指数被确定为跨多个阈值的平均值。为了研究高阶网络拓扑特征，使用大脑连接工具箱计算了几个网络指数：度中心性（DC）、聚类系数（CC）和效率（Eff）。还为每个组计算了代表性的最小生成树（MST），以有效地可视化连接组特征。
统计分析
由于所有数据分布的绝对偏度和峰度值分别小于2和7，因此假设所有数据分布均为正态分布。为检验三个组（即trMDD、grMDD和HC）之间的人口统计学差异，分别对年龄和性别采用了单因素方差分析（ANOVA）和卡方检验。使用卡方检验比较了trMDD和grMDD之间的治疗前症状严重程度。
FCs是使用基于网络的统计（NBS）工具箱进行比较的，该工具箱能在有效控制家族性错误率的情况下揭示显著不同的子网络。具体来说，采用ANOVA模型比较三个组，然后采用t检验模型进行事后分析。在事后分析中，将alpha水平调整为0.0167（0.05/3）以处理多重比较问题。所有其他参数均设置为默认值。
网络指数是使用ANOVA模型对三个组进行比较的。对于事后分析，采用了独立t检验。值得注意的是，超过分布标准差三倍的值被确定为异常值，然后从组比较中剔除。统计检验是使用MATLAB和SPSS软件进行的。为处理多重比较问题，p值使用错误发现率（FDR）校正进行了调整；校正后的p值随后被称为q值。
结果
人口统计学和临床测量
各组之间没有显著的人口统计学和临床差异（表1）。
表1. 各组的人口统计学信息和抑郁症状严重程度
症状严重程度是根据国际疾病分类（ICD）代码评估和记录的（详见补充材料）：（i）中度抑郁症状（F32.1）和（ii）无精神病性症状的重度抑郁症状（F32.2）。
功能连接性
从质量上看，与HCs相比，两个MDD组都表现出连接减弱，其中trMDD表现出更严重的改变（图1）。MST（最小生成树）结果也显示，与grMDD相比，trMDD的连接组发生了显著改变，特别是在DAN和SN内部。
图1. 各组网络连接组的比较
上下面板分别显示了每个节点的平均FCs及其通过MST算法计算的主干连接组。对于下面板，与DAN（R5至R12）和SN（R25至R31）相关的连接组分别用黄色和红色框突出显示。节点的索引对应于表S1。DAN，背侧注意网络；SN，突显网络；FC，功能连接；MST，最小生成树；trMDD，难治性MDD；grMDD，反应良好的MDD；HC，健康对照。
NBS结果显示，各组间的FCs存在广泛差异（n FC = 410, p < 0.0001, 图S4）。事后分析显示，与HC相比，trMDD（n FC = 291, p < 0.0001）和grMDD（n FC = 248, p < 0.0001）的多种FCs显著减少。NBS还揭示了与grMDD相比，trMDD存在一个显著的连接减弱的子网络（n FC = 7, p = 0.0088, 图2），特别是在额叶和辅助眼动区与右半球顶叶区域之间。该子网络主要由DAN中的节点（R5至R12）组成，包括右侧顶内沟（R8. rIPS）、右侧额叶眼动区（R10. rFEF）以及左、右辅助眼动区（R11. lSEF和R12. rSEF）。此外，该子网络还包括一个SN节点（右侧缘上回，R31. rSup）和一个CEN节点（右侧顶下小叶，R20. rIPL）。
图2. 与grMDD相比，trMDD的FCs连接减弱
(a) NBS识别的子网络。该子网络由六个节点和七条边组成。连接减弱主要在DAN（R5至R12）中占主导地位，特别是对于额叶和辅助眼动区以及多模块的右半球顶叶皮层。点和实线分别表示节点的位置和显著不同的FCs。脑模板图像来自Brainstorm工具箱。
(b) FCs的组间比较。对于每个FC，依次呈现trMDD（方形）、grMDD（圆形）和HC（菱形）的数据。每个点代表个体的FC值，其平均值由中心实线表示。
TR，trMDD；GR，grMDD；l-，左；r-，右；IPS，顶内沟；SEF，辅助眼动区；FEF，额叶眼动区；IPL，顶下小叶；Sup，缘上回。*q < 0.05; **q < 0.01; ***q < 0.001。
网络指数
在31个DCs（度中心性）中，有5个显示出显著的组间差异（图3）：右侧视觉皮层（R2. rV1, q = 0.0156）、左侧FEF（R9. lFEF, q = 0.0039）、rSEF（R10, q = 0.0187）、后扣带皮层（R13. PCC, q = 0.0232）和rSup（R31, q = 0.0350）。事后分析揭示了多种依赖于组别的特征。首先，与grMDD（trMDD = 23.61 vs grMDD = 24.58; q = 0.0057）和HC（vs HC = 24.50, q = 0.0205）相比，trMDD的rSup的DC降低。其次，与HC相比，trMDD和grMDD的lFEF（trMDD = 25.04, grMDD = 25.10 vs HC = 26.11; qs = 0.0004和0.0001）和rSEF（25.23, 25.22 vs 26.09; qs = 0.0066和0.0023）的DC均降低。另一方面，与HC相比，trMDD和grMDD的rV1的DCs（度中心性）均增加（trMDD = 22.17, grMDD = 21.65 vs HC = 19.98; 两个qs均为0.0028）。虽然与HC相比，trMDD和grMDD的PCC的DC均增加，但只有grMDD达到了显著水平（25.74, 26.14 vs 25.21; qs = 0.1768和0.0024）。DCs没有其他显著的组间差异。
图3. DCs（度中心性）的组间比较
(a) 显示显著不同DCs的皮层区域。其中，trMDD和grMDD之间存在显著差异的区域（即rSup）用填充的蓝色突出显示；其他区域用斜体标记。脑模板图像来自Brainstorm工具箱。
(b) DCs的组间比较。对于每个DC，依次呈现trMDD（方形）、grMDD（圆形）和HC（菱形）的数据。每个点代表个体的DC值，其平均值由中心实线表示。
DC，度中心性；TR，trMDD；GR，grMDD；l-，左；r-，右；FEF，额叶眼动区；SEF，辅助眼动区；PCC，后扣带皮层；Sup，缘上回；V1，视觉皮层。*q < 0.05; **q < 0.01。
全局CC（聚类系数）存在显著的组间差异（q = 0.0010，图4）。事后分析显示，与grMDD（trMDD = 0.8340 vs grMDD = 0.8393; q = 0.0153）以及HC（vs HC = 0.8429; q = 0.0007）相比，trMDD表现出聚类不足。此外，grMDD也表现出全局CC降低的趋势（q = 0.0650）。
图4. CCs（聚类系数）的组间比较。
(a) 全局CC的组间比较。
(b) 显示显著不同CCs的皮层区域。其中，trMDD和grMDD之间存在显著差异的区域（即lAMFG, rAMFG, lIFJ, lIns, 和 lAng）用填充的红色突出显示；其他区域用斜体标记。脑模板图像来自Brainstorm工具箱。
(c) CCs的组间比较。对于每个CC，依次呈现trMDD（方形）、grMDD（圆形）和HC（菱形）的数据。每个点代表个体的CC值，其平均值由中心实线表示。
CC，聚类系数；TR，trMDD；GR，grMDD；l-，左；r-，右；AMFG，前中部额叶回；IFJ，下额叶连接区；Ins，岛叶；MTG，中颞回；PCC，后扣带皮层；Ang，角回。†q < 0.09; *q < 0.05; **q < 0.01; ***q < 0.001。
在节点CCs中也观察到类似的趋势（即trMDD < grMDD < HC），特别是在SN节点（R25至R31）。具体来说，在左侧下额叶连接区（R5. lIFJ, q = 0.0055）、后扣带皮层（R13. PCC, q = 0.0301）、左侧角回（R15. lAng, q = 0.0212）、左侧中颞回（R24. lMTG, q = 0.0212）、左、右前中部额叶回（R25. lAMFG, q = 0.0301; R26. rAMFG, q = 0.0075）以及左、右岛叶（R27. lIns, q = 0.0075; R28. rIns, q = 0.0006）观察到组间差异。事后分析显示，在lIFJ（trMDD = 0.8358 vs grMDD = 0.8444, q = 0.0415; vs HC = 0.8547, q = 0.0005）、lAng（0.8387 vs 0.8539, q = 0.0025; vs 0.8487, q = 0.0716）、lAMFG（0.8356 vs 0.8453, q = 0.0674; vs 0.8531, q = 0.0028）、rAMFG（0.8291 vs 0.8440, q = 0.0010; vs 0.8462, q = 0.0010）和lIns（0.8323 vs 0.8439, q = 0.0052; vs 0.8499, q = 0.0011）中，trMDD的节点CCs与grMDD以及HC相比均降低；其中，在lIFJ（q = 0.0098）和lAMFG（q = 0.0897）中，grMDD的节点CCs也与HC相比降低。
对于其他节点CCs，与HC相比，trMDD和grMDD在PCC（trMDD = 0.8220, grMDD = 0.8220 vs HC = 0.8321; qs = 0.0280, 和 0.0121）、lMTG（0.8215, 0.8255 vs 0.8345; qs = 0.0088, 0.0147）和rIns（0.8316, 0.8361 vs 0.8512; qs = 0.0001, 0.0001）中的值均降低，而MDD亚组之间无显著差异（qs > 0.1）。CCs没有其他显著的组间差异。
全局效率（Eff）未进行比较，因为大多数值相等（0.9002, n = 400/498），这主要是由于密度相同（图S5）。此外，由于与节点CCs的相关性过高（皮尔逊相关，r = 0.9308），节点效率也未进行比较，显示出几乎等同的比较结果（图S6）。
讨论
在本研究中，我们通过比较三个在人口统计学上匹配的组别（trMDD、grMDD和HC）的网络拓扑结构，深入探讨了使用基于EEG的rsFBN来预测抗抑郁药治疗反应性的因素。值得注意的是，虽然两个MDD亚组在一定程度上表现出共同的拓扑改变，但正如预期的那样，trMDD表现出更显著的异常，主要体现在两个注意调节网络：DAN和SN。具体来说，trMDD的特征是眼动区与右侧顶叶区域之间的连接减弱，主要体现在DAN。trMDD还表现出聚类不足，主要在SN。同时，MDD亚组的一个共同点是存在改变了的神经回路，这表明存在偏向内部的注意流。
在当前的研究中，我们采用正交化的beta波段PEC来评估FC，其模式被发现与基于fMRI的FC相似。这种一致性加强了在利用fMRI作为神经影像模态的病理生理学研究背景下，解释EEG衍生的rsFBN拓扑结构的可靠性。在高频波段中，鉴于gamma波段的EEG容易受到肌肉伪影的影响，并且在静息状态下通常不那么活跃，因此beta波段更适合用于构建可靠的rsFBN。对于网络二值化，我们采用了基于多重比例的阈值方法来提高可靠性。尽管普遍认为阈值处理对于消除虚假连接以增强模式清晰度至关重要，但迄今为止尚无金标准。然而，我们的数据驱动的多重比例阈值方法可能产生一个相对更优的范围来区分trMDD。
总的来说，与grMDD相比，trMDD患者的rsFBN改变更为严重，这与先前的神经影像学研究一致。这些改变可能与trMDD的独特临床症状有关，而非抑郁症状的严重程度。有趣的是，网络改变主要体现在两个关键的注意调节网络模块：DAN和SN。DAN的主要作用是根据意图和目标进行自愿的自上而下的注意控制，其功能障碍是MDD患者的主要标志之一。另一方面，SN主要控制对外部刺激的自下而上的注意反应和情感控制，其功能障碍也普遍被观察到。因此，我们的结果支持了trMDD患者的注意缺陷模型。
trMDD患者表现出DAN的连接减弱。具体来说，连接减弱主要体现在额叶和辅助眼动区（即rFEF和双侧SEFs）以及多个网络模块的右半球顶叶区域。在这些皮层区域中，值得注意的是，trMDD仅在rSup（右侧缘上回）中表现出DC降低（图3）。鉴于trMDD在rSup（在SN中）和眼动区（在DAN中）之间的FCs相对较低，可以综合推断，rSup是一个主要的信息处理区域，通过与包括rSEF在内的眼动区相互作用。然而，rSup在trMDD中似乎失去了其作为枢纽的地位。该皮层区域参与共情判断和减轻自我中心偏见，这些功能在trMDD中受损。另一方面，两个MDD组都在眼动区的DCs（度中心性）上表现出降低；或者说，rV1的DCs增加了。这些发现与先前的精神病理学研究一致，这些研究报告称MDD患者表现出异常的视觉注意偏见，即使是已经缓解的患者也是如此。
trMDD患者的节点CCs(聚类系数）降低，特别是在SN（突显网络）节点。值得注意的是，双侧AMFGs和lIns已知与奖赏处理相关。AMFG是背外侧前额叶皮层的前部，是奖赏回路内的核心皮层区域，其功能障碍与MDD中受损的情感控制和认知功能相关。功能失调的奖赏回路可能与多巴胺能失调有关，导致快感缺失症状，这在难治性患者中一直被发现。此外，其他显示trMDD聚类不足的节点，包括lIns、lIFJ和lAng，也对奖赏处理有贡献，进一步支持了快感缺失模型。
相比之下，两个MDD组都在PCC、lMTG和rIns的节点CCs（聚类系数）上表现出降低。值得注意的是，尽管它们的拓扑特征不同，但只有PCC在CC（聚类系数）和DC测量中都显示出重叠的改变。综合来看，可以推断PCC中节点聚类的减少可能源于其连接的增加（即分母增加）。因此，可以认为MDD患者表现出以PCC为中心的连接异常增加，而这些连接并非相互连接的。PCC是DMN的一个关键枢纽，其过度激活是MDD的常见特征之一。这一发现与患者内部（DMN）和外部（CEN）注意方向之间的不平衡相关，这可能是由于切换模块（SN）的功能失调所致。这一建议得到了两个MDD组在rIns（在SN中）和lMTG（在CEN中）的分离度降低的支持。重要的是，rIns是切换注意方向的关键节点。rIns中信息处理的效率低下可能与其在疾病早期阶段灰质体积的减少有关。因此，这些发现可能是区分MDD与HC的病理生理学上可靠的指标。
局限性
当前的研究有几个局限性。首先，药理学效应无法控制。然而，已知这种效应对静息态FC的影响是微不足道的。其次，没有考虑安慰剂效应。第三，由于队列有限（仅限韩国人），我们的结果应谨慎解释。最后，对rsFBN的静态假设可能过度简化了实际的神经生理模型，因为即使在静息状态下，大脑的功能状态也会动态变化。
总结
我们的研究证明，与grMDD相比，trMDD表现出显著的rsFBN改变，这可以作为潜在的生物标志物。具体来说，我们的结果支持了先前的临床发现，即trMDD表现出注意功能障碍和快感缺失症状。未来的研究应侧重于推广，以识别预测MDD患者抗抑郁药反应性的稳健生物标志物。
脑电及红外、眼动：
北京：
上海：
广州：
核磁及PET：
南京：
第五十五届扩散成像数据处理班（重庆，8.24-29，新增DTI-ALPS）
北京：
第八届Surface based fMRI分析专题班（广州，10.14-18）