基于机器学习的个体表观遗传指纹可作为青年幸福感预测指标

为何你对压力的敏感性很重要

许多青年在考试、社交媒体和不确定的未来面前感到不堪重负，但常规的心理健康问卷可能无法识别出最有风险的人。本研究探讨是否通过简单的问卷组合加上唾液样本，就能揭示更精确的、反映每个人对压力敏感性的生物学“指纹”。通过融合心理学、遗传学与现代机器学习，研究者们展望一种前景：在严重问题出现之前，就能提供早期、个性化的心理健康支持。

从简单问卷到隐匿的生物学

研究者将重点放在一种称为环境敏感性的特质上——即一个人对日常事件反应的强弱。在高分人群（高敏感者）中，个体在嘈杂、要求高或情绪强烈的情境下往往更易感到不适，这类人在寻求咨询的人群中占相当比重。本研究中，104名大学生完成了若干简短问卷，内容包括感知压力、冲动性、饮食习惯和互联网使用。同时，他们提供了唾液样本，以便研究团队检测作用于脑部信号通路的特定基因上的小型化学标记。这些标记称为表观遗传修饰，会随着生活经历发生变化，或许能解释为何有些人比其他人更易对压力敏感。

解读表观遗传“指纹”

研究者利用唾液样本研究表观遗传标记——具体为DNA甲基化——位于三种关键基因上，这些基因参与对多巴胺和血清素转运体（DAT1 和 SERT）以及催产素受体（OXTR）的调控。研究并未扫描整个基因组，而是聚焦于这些基因上10个在学生间甲基化差异最大的位点。再加上九项基于问卷的测量，总共形成了19个可能的特征。核心问题是：哪种行为与生物学指标的组合，最能将高HSP（高敏感性）分组的学生与低/中敏感性学生区分开来？

让算法来选择

为了解答这一问题，研究团队采用了一种称为支持向量机的机器学习方法。他们没有主观假设哪些特征重要，而是尝试了从单一测量到全部19项的每一种可能组合，并在严谨的“留一法”程序中测试每种组合。也就是说，对103名学生训练模型后预测剩余的1名，并对每一名学生都重复该过程。在超过50万个测试模型中，表现最好的解决方案出人意料地简单：仅需六个特征即可形成清晰的敏感性“指纹”。其中两项来自问卷（感知压力量表和冲动性测试中的注意力得分），四项为多巴胺与血清素转运体基因上的特定甲基化位点。

模型到底学到了什么

仅用这六个特征，模型就能在约85%的时间内正确将学生分类为高敏感与低/中敏感。模型在识别高度敏感个体方面表现尤为出色，具有较高的敏感性和精确度，且在男女之间表现相似，尽管样本以女性为主。对模型内部机制的深入分析指出，一个与多巴胺相关的位点是单一最强的生物学贡献因子，其次是感知压力和注意力得分。换言之，算法并非只依赖单一问卷或单一基因——它将心理自述与微妙的表观遗传信号结合起来作出判断，这反映了心理与生物在现实生活中的交织。

这对未来护理可能意味着什么

对非专业读者而言，结论是：一组简短的问卷加上一个唾液样本，未来或许能帮助识别在压力下特别敏感的青年，即便在他们主动寻求帮助或出现明显症状之前。尽管该研究规模仍小，需在更大且更多样化的群体中复制，但结果表明，个体的“表观遗传指纹”可在自我报告之外显著提升预测能力。若得到证实，这一方法可支持更有针对性的预防和治疗策略——帮助临床人员在恰当的时间为那些心理与生物双重因素使其既脆弱又可能对积极干预更具反应性的个体，提供合适的支持。

引用: Caporali, A., Di Domenico, A., D’Addario, C. et al. Machine learning for individual epigenetic fingerprints as predictors of well-being in young adults. Sci Rep 16, 6015 (2026). https://doi.org/10.1038/s41598-026-36561-8

关键词: 青年心理健康, 环境敏感性, 表观遗传学, 机器学习, 压力脆弱性