【研究进展】CNSNT｜抑郁症自杀意念的形成轨迹：肠道微生物的连续变化提供新线索

抑郁症自杀意念的形成轨迹：肠道微生物的连续变化提供新线索

研究背景

重性抑郁障碍（MDD）是一种高度异质性的精神疾病。自杀意念（SI）作为其最危险、最核心的临床表型之一，与疾病不良预后及死亡风险直接相关。临床上，SI常被视为疾病进入更严重阶段的标志，但其发生往往缺乏明确的生物学预警信号，这为早期识别和干预带来了巨大挑战。

近年来，“微生物-肠-脑”轴的研究表明，肠道菌群可能通过免疫、代谢和神经途径调控情绪与认知。然而，现有研究多局限于“抑郁患者 vs. 健康人”的横断面比较，未能揭示疾病内部从轻到重、特别是向自杀意念演变的连续过程。因此，一个关键科学问题尚未解答：在抑郁症进展并出现自杀意念的过程中，肠道微生态是否呈现出规律性的连续变化轨迹？\论文概要

为回答这一问题，华南理工大学吴凯教授、广州医科大学附属脑科医院吴逢春教授联合BIGHI研究团队展开研究，成果于2026年4月发表于国际期刊《CNS Neuroscience & Therapeutics》，研究题为“Continuous alterations in the gut microbial landscape associated with suicidal ideation in first-episode drug-naïve major depressive disorder”。研究创新性地构建了健康对照（HC）— 无自杀意念抑郁（MDDNSI）— 伴自杀意念抑郁（MDDSI）的疾病连续体模型，基于首发未用药的MDD人群，系统解析了肠道微生物随疾病加重的动态变化。

研究首次发现，肠道菌群的组成和功能通路会随着自杀风险的升高，呈现清晰的连续梯度变化，并进一步揭示了潜在的“菌群-功能-临床”关联路径。这一发现为理解抑郁症向自杀意念发展的生物学机制提供了新视角，也为未来寻找预警标志物提供了新线索。

该论文由华南理工大学吴凯教授与广州医科大学吴逢春教授为共同通讯作者，研究生梁丽琴、陈书豪、朱宝圆为共同第一作者。

结果分析

研究首先从整体生态结构入手，比较三组人群的肠道菌群差异。结果显示，MDD患者的菌群整体结构已明显偏离健康状态，提示疾病相关的微生态改变在早期即已发生。然而，在是否存在自杀意念之间，群落层面的差异并不显著，表明传统基于整体结构的分析难以捕捉SI相关的特异性信号。这一结果提示，自杀意念的生物学基础可能隐藏在更精细的物种或功能层面。

图1. 肠道菌群微生态结构变化

在物种层面，研究通过有序回归模型识别出一组沿“HC→MDDNSI→MDDSI”连续变化的菌群特征。其中，Bacteroides stercoris、Bacteroides eggerthii等潜在致病菌呈现逐步升高趋势，而多种短链脂肪酸（SCFAs）产生菌则持续下降。这一“此消彼长”的变化模式提示，随着疾病加重，肠道微生态可能逐步从稳态共生状态向炎症倾向状态转变，为自杀风险的生物学基础提供了重要线索。

图2. 疾病进展关联的关键菌群变化

进一步的功能分析表明，肠道菌群不仅在组成上发生变化，其代谢潜力也呈现出系统性重塑。研究发现，细菌分泌系统、核糖体等基础功能通路逐步减弱，而与代谢应激、细胞调控及神经相关过程的通路则逐渐增强。更重要的是，这些变化并非孤立存在，而是与特定菌群形成稳定的“微生物–功能模块”，提示在疾病进展过程中，肠道生态系统发生了协同且有组织的功能重编程。

图3. 微生物功能通路的连续重塑

在临床关联层面，研究发现Bacteroides stercoris与抑郁严重程度及自杀意念评分呈正相关，而Bifidobacterium pseudocatenulatum则表现出相反趋势，并与认知功能呈正相关。

进一步的中介分析显示，细菌分泌系统通路在“菌群–临床症状”之间发挥部分中介作用，提示肠道菌群可能并非直接作用于情绪，而是通过调控功能通路间接影响临床表现。这一结果为理解“微生物如何影响心理状态”提供了更具结构性的解释框架。

图4. 菌群–临床关联及中介效应

结论与讨论

本研究从连续严重程度的角度出发，系统揭示了肠道微生物在抑郁症及自杀意念发展过程中的动态变化轨迹。研究表明，自杀意念的出现并非孤立或突发事件，而更可能是伴随着微生态失衡、功能重塑及炎症倾向逐步累积的结果。该研究不仅为理解抑郁症的生物学异质性提供了新的视角，也提示未来可基于微生物组特征开展风险分层与早期干预，为精神疾病的精准医学研究提供潜在方向。

课题组前期相关论文：

[1] Wu F, Zhu B, et al. The Brain-Gut Health Initiative (BIGHI): A Prospective Cohort on Psychiatric Disorders in China[J]. Research, 2026.

[2] Yunheng Diao, Yuanyuan Huang, Baoyuan Zhu, Minxin Guo, Wei Wang, Zhaobo Li, Wenhao Li, Heng Zhang, Jing Zhou, Xiaobo Li, et al. Heterogeneity-Aware, Multiscale Annotation of Shared and Specific Neurobiological Signatures among Major Neurodevelopmental Disorders. Research. 0:DOI:10.34133/research.1115.

[3] 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.

[4] 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.

[5] 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.

[6] 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.

[7] 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.

[8] 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.

[9] 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.

[10] Zhu B, Liang L, Huang Y, et al. Exploring the relationship between the gut microbiota and cognitive function in schizophrenia patients with distinct weights[J]. Schizophrenia Research, 2025, 280: 103-113.

[11] Wang Y, Feng S, Huang Y, et al. Revealing multiple biological subtypes of schizophrenia through a data-driven approach[J]. Journal of Translational Medicine, 2025, 23(1): 505.

[12] Li W, Gao C, Li Z, et al. BrainFusion: a Low‐Code, Reproducible, and Deployable Software Framework for Multimodal Brain‒Computer Interface and Brain‒Body Interaction Research[J]. Advanced Science, 2025: e17408.