基于机器学习的预测模型及外周血中精神分裂症亚型模式的机器学习计算框架研究

为什么血液可以帮助解码复杂的精神疾病

精神分裂症是一种严重的精神疾患，会干扰思维、情绪和日常生活，然而医生在诊断时仍主要依赖行为观察。本研究提出了一个简单却有力的问题：普通的血液样本能否揭示隐藏的生物学模式，从而帮助更早地检测精神分裂症并将患者划分为更有针对性的治疗组？

在一管血里寻找线索

研究人员首先收集了若干已存在的数据集，这些数据集中对精神分裂症患者和健康志愿者的血液基因活性已进行了分析。每个基因可被视为一个被调高或调低的小开关。通过整合来自五个不同研究的数千个这样的开关并校正技术差异，团队创建了一个大型的外周血基因活性统一图谱。随后他们搜索在患者与对照中持续表现不同的基因，重点关注那些与炎症、免疫反应以及细胞如何处理脂类和其他分子有关的基因。

教计算机识别隐藏的特征

因为没有人能在如此众多的基因中轻松看到有用的模式，团队转向机器学习——一种让算法从数据中学习的计算方法。他们测试了12种不同的机器学习方法及多种组合方式，最终选择了一种先筛选最具信息量基因再基于这些基因构建分类器的配对方法。该流程产生了一个精简的16基因集合，其组合的活性模式能够在八个不同数据集中可靠地区分精神分裂症患者与健康人。作者随后将这一16基因“特征”转化为一种图形化评分工具（称为列线图），理论上可帮助临床医生估计某个血样来自精神分裂症患者的可能性。

关键基因反映的身体状态

模型强调的这16个基因并非随机。许多基因与免疫系统、细胞应激反应以及身体处理脂类和信号分子的方式相关。其中一个名为 AZI2 的基因在该特征中尤为突出。它的活性与控制炎症和免疫细胞行为的通路，以及调节细胞生长、分裂或凋亡的信号通路密切相关。当团队从血液数据推断免疫细胞模式时，发现精神分裂症患者的若干类型白细胞发生了变化，这支持了免疫系统在该疾病中持续被改变的图景。

同一诊断下的两种生物学“口味”

拥有诊断性特征固然有用，但精神分裂症在个体间差异极大。为探究这种多样性，研究人员使用了无监督聚类方法，该方法在不告知哪些是患者或其症状的情况下按相似性对样本进行分组。这些方法将精神分裂症组分为两种主要的血液亚型，并进一步细分为更精细的子群。一种模式更强烈地与代谢变化相关，例如细胞如何利用能量和脂类；另一种则更多地与炎症和免疫活动相关。各组在与血液凝固、脑信号传递和感染反应有关的蛋白质和基因通路上也存在差异，这提示具有相同临床标签的患者实际上可能具有不同的潜在生物学机制。

这对未来护理可能意味着什么

综合来看，这项工作表明，从一次简单采血测得的一小组基因可能有助于支持精神分裂症的诊断，并且更重要的是，揭示疾病的生物学上不同的亚型。尽管在可以用于临床之前还需在更大且随访详尽的患者群体中进行进一步验证，该研究为更个性化的精神病学提供了路线图——在这种模式下，治疗决策不仅依据症状，还参考来自身体的分子信号。

引用: Li, Z., Sun, Q., Li, H. et al. Machine learning-based predictive models and subtypes patterns in peripheral blood of schizophrenia based on a machine learning computational framework. Schizophr 12, 46 (2026). https://doi.org/10.1038/s41537-026-00744-z

关键词: 精神分裂症, 血液生物标志物, 机器学习, 基因表达, 免疫系统