【摘要】近日，广州医科大学附属脑科医院吴逢春主任与华南理工大学生物医学科学与工程学院吴凯教授团队的研究论文《Alterations in structural and functional magnetic resonance imaging associated with cognitive function in patients with treatment-naïve first-episode major depressive disorder》在《Progress in Neuro-Psychopharmacology and Biological Psychiatry》期刊上发表。该研究首次结合结构磁共振成像与静息态功能磁共振成像对抑郁症患者影像学指标与认知功能之间的关系进行了研究。研究发现，抑郁症患者的认知功能障碍与大脑结构和功能的异常变化密切相关。这一发现为深入理解抑郁症的发病机制提供了重要依据，并为早期干预和治疗提供了潜在的生物标志物。

    抑郁症（major depressive disorder, MDD）是一种常见的精神疾病，其核心症状之一是认知功能障碍，包括记忆力、注意力和信息处理速度的下降。这些认知障碍不仅影响患者的日常生活和社会功能，还可能对家庭和社会造成沉重负担。然而，抑郁症患者大脑结构和功能异常与认知功能障碍之间的具体关联尚不清楚。

    研究团队招募了105名首发未治疗的MDD患者和53名健康对照，对他们进行了磁共振成像扫描和神经心理评估。研究主要分析了大脑的脑沟深度、局部回旋指数和低频波动幅度等指标，并结合MATRICS共识认知评估量表对患者的认知功能进行评估。此外，研究还使用支持向量机模型对MDD患者和健康对照进行分类。

    研究发现MDD患者左侧颞上沟和顶下皮层的脑沟深度显著变浅，而左侧楔前叶皮层和距状裂周围皮层的局部回旋指数以及左侧距状裂周围皮层的低频波动幅度均显著增加。

图1. 两组之间大脑结构和功能的差异。（A）脑沟深度的组间差异；（B）局部回旋指数的组间差异；（C）低频波动振幅的组间差异。

    研究还发现MDD患者认知功能的视觉学习维度与左侧颞上沟的脑沟深度呈负相关，而与左侧距状裂周围皮层的低频波动幅度呈正相关。

图2. 认知功能各维度得分与MDD患者磁共振成像指标之间的关联。（A）视觉学习维度与左侧颞上沟的脑沟深度呈负相关；（B）视觉学习维度与左侧距状裂周围皮层的低频波动幅度呈正相关。

    研究以上述两组之间存在差异的脑区结果作为分类特征，构建了支持向量机模型，并获得了相对较好的分类结果。以左侧距状裂周围皮层的低频波动幅度为特征变量时，支持向量机的分类效果最好。准确率、灵敏度、特异性和AUC分别为81.65%、89.52%、66.04%和0.7986。

    研究首次结合结构和功能磁共振成像数据，揭示了MDD患者认知功能障碍与大脑结构和功能异常的关联。这些关键发现为MDD的认知功能障碍提供了新的神经生物学视角，不仅深化了我们对MDD发病机制的理解，还通过支持向量机模型验证了相关大脑指标作为潜在生物标志物的有效性，有助于早期识别MDD患者。研究结果不仅为MDD的发病机制提供了新的视角，还为早期诊断和干预提供了潜在的生物标志物。未来，结合多模态成像技术与纵向研究，将进一步阐明这些大脑区域的代谢和结构变化如何影响症状表现及治疗效果，为MDD的精准诊断和个性化治疗开辟新路径。

    广州医科大学生物医学工程专业硕士研究生刘晨宇为第一作者，广州医科大学附属脑科医院吴逢春主任与华南理工大学生物医学科学与工程学院吴凯教授为共同通讯作者。本研究得到了国家自然科学基金（82301688）、广东省重点研发计划（2023B0303020001）、广东省自然科学基金（2025A1515010507）及广东省基础与应用基础研究基金杰出青年项目（2021B1515020064）等项目资助。

    近年来，吴逢春主任和吴凯教授团队聚焦于脑重大疾病（精神分裂症、抑郁症、双相情感障碍等）的脑结构及功能、肠道菌群的损伤机制以及智能辅助诊断领域已展开一系列研究工作。相关研究发表在Research、NeuroImage、Journal of Translational Medicine、Schizophrenia Research、Journal of Psychiatric Research等国际学术期刊上。

课题组前期相关论文：

[1]Guo M, Zhang H, Huang Y, et al. Transcriptional patterns of nodal entropy abnormalities in major depressive disorder patients with and without suicidal ideation. Research. 0:DOI:10.34133/research.0659.

[2] Peng R, Wang W, Liang L, et al. The brain-gut microbiota network （BGMN） is correlated with symptom severity and neurocognition in patients with schizophrenia. Neuroimage. 2025;308:121052. doi:10.1016/j.neuroimage.2025.121052.

[3] Wang H, Peng R, Huang Y, et al. MO-GCN: A multi-omics graph convolutional network for discriminative analysis of schizophrenia. Brain Res Bull. 2025. doi:10.1016/j.brainresbull.2025.111199.

[4] Feng S, Huang Y, Lu H, et al. Association between degree centrality and neurocognitive impairments in patients with Schizophrenia: A Longitudinal rs-fMRI Study. J Psychiatr Res. 2024;173:115-123. doi:10.1016/j.jpsychires.2024.03.007.

[5] Li H, Huang Y, Liang L, et al. The relationship between the gut microbiota and oxidative stress in the cognitive function of schizophrenia: A pilot study in China. Schizophr Res. 2024;267:444-450. doi:10.1016/j.schres.2024.03.053.

[6] Liang L, Li S, Huang Y, et al. Relationships among the gut microbiome, brain networks, and symptom severity in schizophrenia patients: A mediation analysis. Neuroimage Clin. 2024;41:103567. doi:10.1016/j.nicl.2024.103567.

[7] Li H, Li H, Zhu Z, et al. Association of serum homocysteine levels with intestinal flora and cognitive function in schizophrenia. J Psychiatr Res. 2023;159:258-265. doi:10.1016/j.jpsychires.2023.01.045.

[8] Feng S, Huang Y, Li H, et al. Dynamic effective connectivity in the cerebellar dorsal dentate nucleus and the cerebrum, cognitive impairment, and clinical correlates in patients with schizophrenia. Schizophr Res. 2024;271:394-401. doi:10.1016/j.schres.2024.05.003.