基于血清蛋白与大脑功能影像指标的抑郁症诊断系统

1.本发明涉及生物科学领域，具体涉及一种基于血清蛋白与大脑功能影像指标的抑郁症诊断系统。


背景技术：

2.抑郁症是全球高发的一种常见的致残性疾病，对患者的身心健康有显著影响。抑郁症会导致患者的工作和学习能力受损，严重影响其生活质量，并可能导致其自杀。2017年一项有关全球疾病负担研究的meta分析指出，抑郁症已经影响了约3亿人，是世界各地残疾和疾病负担的主要原因之一。
3.正确诊断抑郁症对有效的治疗至关重要。然而，至今抑郁症的诊断仍以临床症状学标准为主。加之抑郁症临床症状表现多样且缺乏特异性，因而误诊率高，阻碍了有效的治疗。也凸显出仅使用症状学标准进行诊断的弊端，提示了引入客观诊断标记物的重要性。遗憾的是，虽然近几十年来研究人员一直致力于此，也发现了许多与mdd发病机制相关的生物标记物，但遗憾的是目前仍缺乏可用于临床的有效诊断标记物。


技术实现要素：

4.针对现有技术的不足，本发明提出了一种基于血清蛋白与大脑功能影像指标的抑郁症诊断系统。
5.本发明的目的可以通过以下技术方案实现：
6.一种抑郁症诊断系统，包括：
7.试剂检测模块，包括检测bdnf、皮质醇蛋白浓度的试剂盒、检测il-4、il-6和il-10浓度的试剂盒；
8.影像检测模块，用于获取患者的rs-fmri数据；
9.数据分析模块，根据所述的rs-fmri数据，计算alff和reho数值。
10.可选地，所述的检测il-4、il-6和il-10浓度的试剂盒为th1/th2/th17亚群检测试剂盒。
11.可选地，所述的检测bdnf、皮质醇蛋白浓度的试剂盒为elisa试剂盒。
12.可选地，所述的检测bdnf、皮质醇蛋白浓度的试剂盒包括洗液、生物素标记的抗人bdnf/皮质醇、亲和素、缓冲液、终止液与显色液。
13.可选地，所述数据分析模块中配置有通过线性判别分析分别构建基于神经影像学单个维度指标、神经生理学单个维度指标及联合两个维度指标的机器学习模型。两个指标指代的是上述的“神经影像学单个维度指标”和“神经生理学单个维度指标”。
14.一种抑郁症诊断模型，通过线性判别分析分别构建基于神经影像学单个维度指标、神经生理学单个维度指标及联合两个维度指标的机器学习模型。
15.可选地，所述神经影像学维度指标包括rs-fmri数据。
16.可选地，所述神经生理学维度指标包括bdnf、皮质醇、il-4、il-6和il-10浓度。
17.本发明的有益效果在于：首次发现联合个体右侧尾状核alff、左侧枕中回和额上回reho及血清bdnf、皮质醇、il-4、il-6和il-10浓度可作为特异性诊断抑郁症的多因素平台的用途，为诊断抑郁症提供了一条全新的途径；采用含上述指标在内的多因素平台作为指标诊断抑郁症，roc曲线下的面积值auc为0.99，敏感性和特异性分别为92％和100％，准确性高达96.3％(5折交叉验证结果)，且优于使用神经影像学多个指标(右侧尾状核alff、左侧枕中回和额上回reho)联合的模型(auc＝0.79、敏感性＝0.70，特异性＝0.78，准确性＝74.4％)或使用神经生理学多个指标(血清bdnf、皮质醇、il-4、il-6和il-10浓度)联合的模型(auc＝0.99、敏感性＝0.84，特异性＝0.98，准确性＝91.5％)，具有非常好的抑郁症诊断价值。
附图说明
18.下面结合附图对本发明作进一步的说明。
19.图1为经grf校正后抑郁症组和健康对照组间alff存在差异的脑区结果图；
20.图2为经grf校正后抑郁症组和健康对照组间reho存在差异的脑区结果图；
21.图3为血清il-4(a)、il-6(b)、il-10(c)、bdnf(d)、皮质醇(e)浓度在抑郁症组和健康对照组间的比较结果图；
22.图4a为使用受试者工作特征曲线分析对抑郁症组和健康对照组通过线性判别分析联合右侧尾状核的alff值、左侧枕中回和额上回的reho值的模型进行区分的5折交叉验证的结果图；
23.图4b为使用受试者工作特征曲线分析对抑郁症组和健康对照组通过线性判别分析联合血清il-4、il-6、il-10、bdnf和皮质醇浓度的模型进行区分的5折交叉验证的结果图；
24.图4c为使用受试者工作特征曲线分析对抑郁症组和健康对照组通过线性判别分析联合右侧尾状核的alff值、左侧枕中回和额上回的reho值以及血清il-4、il-6、il-10、bdnf和皮质醇浓度的模型进行区分的5折交叉验证的结果图。
具体实施方式
25.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。下述实施例中所使用的材料、处理软件等，如无特殊说明，均可从商业途径得到。实施例中未注明具体条件的实验方法，通常按照常规条件，或按照制造厂家建议的条件。
26.收集63名抑郁症患者和81名非精神疾病对照者的一般资料、相关量表及脑静息态功能磁共振(rs-fmri)数据，还收集了其中37例抑郁症患者和45例非精神疾病对照的血清样品。具体而言，抑郁症的诊断由有丰富临床经验的三级精神专科医师(主任/副主任医师、主治医师和高年资住院医师)分别根据《精神疾病诊断与统计手册(第四版)》(dsm-iv)中的诊断标准进行诊断和确认，上述抑郁症患者招募自东南大学附属中大医院，健康对照者的数据来自招募的社会人员。
27.所做的数据处理、检验和评估包括：静息态自发脑活动指标alff和reho的计算；血清il-4、il-6、il-10、bdnf和皮质醇浓度的检测；疾病严重程度的评估，包括17项汉密尔顿抑郁量表(hamd-17)和汉密尔顿焦虑量表(hama)。
28.使用dpabi软件对rs-fmri数据进行处理、统计分析最终获得alff和reho值。此外，还需要使用到matlab、spm、spss等软件。
29.在获得alff和reho之前需先对rs-fmri数据进行预处理，具体步骤如下：
30.(1)对获得的图像进行格式转化，即将t1和bold原始dicom文件转换为nifti文件，以便进行后续处理；
31.(2)去除前10个用于机器校准的时间点图像，剩余230个时间点图像用于进一步分析；
32.(3)使用第31层作为参考层对剩余230个时间点的图像进行时间校正；
33.(4)头动校正：将头部运动在任何方向(x,y或z)上平移大于2毫米或旋转角度大于2
°
的被试排除在分析之外；
34.(5)空间标准化：将t1加权解剖图像分割为白质、灰质和脑脊液，然后使用统一分割算法估计的转换参数将每个被试的t1像配准到软件所设计的mni空间，将这些转换参数应用于功能图像，并以体素大小为3mm*3mm*3mm对图像进行重新采样；
35.(6)空间平滑：以6mm*6mm*6mm半高全宽大小对数据进行高斯平滑，以降低配准误差，增加数据的正态性(此步骤在获取reho时的预处理中不进行)；
36.(7)去线性漂移：去除由于各种原因产生并积累存在的线性趋势；
37.(8)回归协变量信号：使用推荐的friston-24模型作为头部运动回归模型，与白质和脑脊液信号一起被回归，以消除这些信号带来的影响；
38.(9)滤波：提取0.01～0.08hz频率范围内的低频振幅信号，以减少低频和高频的震荡信号影响。
39.使用dpabi软件进行alff和reho分析，具体步骤如下：
40.(1)计算0.01-0.08hz范围内的低频振幅：
41.首先经傅里叶变换(fft)算法将时间信号转化得到频域功率谱，求得功率谱的平方根在0.01-0.08hz范围内的振幅平均值，即alff值。然后，将每个体素的alff值归一化为z值(zalff)，消除个体间全脑alff整体水平的差异。
42.(2)计算局部一致性(reho)：
43.采用肯德尔和谐系数(kendall’s coefficient concordance,kcc)度量给定体素和其周围最接近的26体素的时间序列的一致性(zang y,jiang t,lu y,et al.regional homogeneity approach to fmri data analysis[j].neuroimage,2004,22(1):394-400)。计算整个大脑内每个体素的kcc用以构建每个受试者的reho图。然后，通过将每个体素的kcc除以整个大脑的平均reho对reho图进行标准化。最后采用6mm半高全宽各向同性高斯核对得到的数据进行空间平滑。
[0044]
(3)提取alff和reho数值：
[0045]
使用dpabi软件提取roi信号功能提取经过grf校正alff和reho在抑郁症和健康对照组间仍存在差异的脑区的alff和reho数值，用于之后必要的统计分析。
[0046]
血清bdnf和皮质醇蛋白浓度使用elisa试剂盒检测，血清il-4、il-6和il-10使用
th1/th2/th17亚群检测试剂盒检测，所用试剂盒详细信息如下：bdnf和皮质醇试剂盒：r&d systems,mutlukent mah,arda sk,usa；th1/th2/th17亚群检测试剂盒：江西赛基生物技术有限公司，需通过流式荧光法进行检测。
[0047]
bdnf和皮质醇试剂盒分别提供了检测bdnf、皮质醇蛋白浓度所需的必要但非全部试剂：96孔酶标板、2瓶人bdnf/皮质醇蛋白标准品、1瓶20倍25ml洗液、2瓶生物素标记的抗人bdnf/皮质醇、1瓶200ul的亲和素、1瓶12ml缓冲液、1瓶8ml的终止液、1瓶30ml显色液a和1瓶15ml终止液。此外，还需要的额外试剂与材料如下：酶标检测仪、移液器、移液管、量筒、吸水纸、蒸馏水或去离子水、数据分析与绘图软件等。
[0048]
在检测开始之前准备好所有需要的物品。具体检测步骤如下：
[0049]
(1)确定本次检测所需的已包被抗体的酶标板孔数目，每个样品、标准品和空白应当设置复孔；
[0050]
(2)添加样品：使用稀释液a倍比稀释bdnf/皮质醇蛋白标准品后将相应浓度的标准品各50ul分别依次加入一排预先涂覆bdnf/皮质醇抗体的酶标板孔中，并设置1孔空白比较(空白比较孔只有稀释液a，不添加样品，即标准品浓度为0)。剩余酶标板孔中添加50ul样品(37名抑郁症和45名非精神疾病对照者的血清样品)，轻轻混匀。37℃孵育45分钟；
[0051]
(3)配液：将浓缩了20倍的洗液用蒸馏水稀释20倍备用；
[0052]
(4)清洗：倒掉酶标板孔中的液体，甩干，然后每孔加满洗液，静置30秒后弃去，重复洗涤4遍；
[0053]
(5)添加生物素标记的抗人bdnf/皮质醇：在所有酶标板孔中均添加50ul生物素标记的抗人bdnf/皮质醇，37℃孵育30分钟；
[0054]
(6)清洗：重复操作4；
[0055]
(7)添加亲和素：在所有的酶标板孔中均添加50ul亲和素，轻轻混匀。37℃孵育15分钟；
[0056]
(8)清洗：重复操作4；
[0057]
(9)显色：在所有酶标板孔中均添加显色溶液a和显色溶液b各50ul，37℃孵育15分钟；
[0058]
(10)终止反应：在所有酶标板孔中均添加50ul终止液，停止反应(颜色立即由蓝色变为黄色)；
[0059]
(11)分析：以空白孔为零，添加终止液后15分钟内用酶标检测仪在450nm处测定光密度(o.d.值)。通过bicc1的标准蛋白做已知浓度系列稀释，测出od值后绘制出标准曲线，根据标准曲线推算出所测样品中bdnf/皮质醇的含量。
[0060]
th1/th2/th17亚群检测试剂盒检测il-4、il-6和il-10浓度所需的必要但非全部试剂：1瓶2.4ml的捕获微球混合液(由聚苯乙烯及7种荧光强度不同的捕获微球组成，这些捕获微球表面分别包被抗人il-2/il-4/il-6/il-10/il-17a/肿瘤坏死因子α/干扰素γ特异性抗体)、1瓶10ng的冻干粉人体重组蛋白(定量标准品)、1瓶2ml的pe标记的检测抗体(荧光检测试剂)、1瓶0.75ml聚苯乙烯磁性粒子微球(校准微球)、1瓶0.25ml藻红蛋白荧光素标记的抗体对照(校准液a)、1瓶0.25ml异硫氰酸荧光素标记的抗体对照(校准液b)、1瓶15ml样品稀释液和1瓶5ml微球缓冲液。此外，还需要的额外试剂与材料如下：流式细胞仪、移液器、移液管、量筒、吸水纸、pbs溶液、蒸馏水或去离子水、数据分析与绘图软件等。
[0061]
在检测开始之前准备好所有需要的物品。具体检测步骤如下：
[0062]
1、实验前准备
[0063]
自备物品：浓度1m的pbs溶液。
[0064]
2、试剂配置及加样
[0065]
(1)计算所需实验人份数n[n＝样本数 10个标准品 1个阴性对照]，本例中n＝(37 45) 10 1＝93
[0066]
(2)打开定量标准品，将标准品转移到离心管中，并标记该管为最高浓度；
[0067]
(3)2ml样品稀释液重悬标准品，室温下放置15分钟；
[0068]
(4)用吸头轻轻混匀标准品，避免剧烈震荡；取9根实验上样管，分别标记为1:2、1:4、1:8、1:16、1:32、1:64、1:128、1:256，每管加入300μl样品稀释液；
[0069]
(5)从最高浓度标准品管提取300ul液体到1:2管中，吹打混匀，从1:2管中取300ul液体到1:4管中，吹打混匀，如此类推，直到1:256管；
[0070]
(6)将捕获微球混合液用低速离心机200g离心5分钟，小心吸走上清，加入与所吸走上清同样体积的微球缓冲液，涡旋充分混匀后，避光孵育30分钟；
[0071]
(7)涡旋混匀捕获微球混合液，在每个实验管中加入25μl；
[0072]
(8)标准品管中加入25ul梯度稀释好的标准品；如下表表示：
[0073][0074]
(9)样本管中每管加入25ul的待测样本；
[0075]
(10)所有实验管加入25ul的荧光检测试剂；
[0076]
(11)所有实验管涡旋充分混匀后，室温下避光孵育2.5小时；
[0077]
(12)每管实验管中加入1ml pbs溶液，200g离心5分钟后，小心吸去上清；
[0078]
(13)每管加入100μl pbs溶液，静置等待检测。
[0079]
3、荧光检测
[0080]
每个实验管经涡旋混匀3-5秒后，按照标准品管、阴性对照管、样品管的顺序依次在校准好状态的流式细胞仪上进行荧光检测。
[0081]
使用matlab 2021a(mathworks,natick,ma)中classification learner tool工具包建模与测试：
[0082]
将上述提取的抑郁症与健康对照组间经grf校正仍存在差异的脑区的alff或reho数值以及血清bdnf、皮质醇、il-4、il-6和il-10浓度值作为输入特征，使用线性判别分析(lda)分别构建基于神经影像学单个维度指标、神经生理学单个维度指标及联合两个维度指标的机器学习模型，并分别测试模型对抑郁症组和健康对照组的区分能力，并采用5折交叉验证法对该模型的预测能力和稳定性进行验证。
[0083]
全部受试者的人口学和临床特征见表1，同时有影像学和血清蛋白数据的受试者的人口学和临床特征见表2，分别根据单个影像学指标、单个血清蛋白浓度、神经影像学单个维度指标联合的lda模型、神经生理学单个维度指标联合的lda模型及两个维度指标联合
的lda模型区分抑郁症和非精神疾病对照的经过5折交叉验证的roc曲线分析结果见表3。抑郁症患者和非精神疾病对照者的alff和reho差异脑区见图1和图2；抑郁症和非精神疾病对照者血清中bdnf、皮质醇、il-4、il-6和il-10浓度结果见图3。基于不同维度多指标联合的lda模型诊断抑郁症的经过5折交叉验证的roc曲线分析见图4。
[0084]
表1所有受试者的人口学和临床特征
[0085][0086]
注释：a独立样本t检验；b卡方检验。
[0087]
表2同时有影像和血清蛋白数据的受试者的人口学和临床特征
[0088][0089][0090]
注释：a独立样本t检验；b卡方检验。
[0091]
表3基于不同维度多指标联合的lda模型及单个指标诊断抑郁症时经5折交叉验证的roc曲线分析结果
[0092][0093]
注：lda
影像
模型是联合右侧尾状核alff值、左侧枕中回和额上回reho值的lda模型；lda
蛋白
模型是联合血清il-4、il-6、il-10、bdnf和皮质醇的lda模型；lda
影像蛋白
模型是联合上述所有影像学和血清蛋白指标的lda模型。lda，线性判别分析；auc，曲线下面积；alff，低频振幅；reho，局部一致性；il-4，白介素-4；il-6，白介素-6；il-10，白介素-10；bdnf，脑源性神经营养因子。
[0094]
其中图1可见，经grf校正后，与非精神疾病对照相比，抑郁症组右侧尾状核alff显著升高。
[0095]
图2表示，经grf校正后，与非精神疾病对照相比，抑郁症组左侧枕中回和额上回reho值降低。
[0096]
图3a表明与非精神疾病对照相比，血清il-4浓度显著降低；图3b表明与非精神疾病对照相比，血清il-6浓度显著升高；图3d表明与非精神疾病对照相比，血清bdnf浓度显著降低；图3e表明与非精神疾病对照相比，血清皮质醇浓度显著升高。
[0097]
图4a表明基于影像学特征(右侧尾状核的alff值、左侧枕中回和额上回的reho值)的lda模型诊断抑郁症时经过5折交叉验证的roc曲线下面积(auc)为0.79、敏感性为70％，特异性为78％、准确性为74.4％，图4b表明基于多种血清蛋白(il-4、il-6、il-10、bdnf和皮质醇)水平的lda模型诊断抑郁症时经过5折交叉验证的roc曲线下面积(auc)为0.99、敏感性为84％、特异性为98％、准确性为91.5％，图4c表明基于影像和蛋白联合的多指标lda模型诊断抑郁症时经过5折交叉验证的roc曲线下面积(auc)为0.99，敏感性和特异性分别为92％和100％，准确性高达96.3％，具有非常好的抑郁症诊断价值，且显著优于单个维度指标联合的lda模型，每种情况对应的roc曲线下面积(auc)、敏感性、特异性及准确性见表3。roc曲线下的面积值在1.0和0.5之间，在auc》0.5的情况下，auc越接近于1，说明诊断效果越好。auc在0.5～0.7时有较低准确性，auc在0.7～0.9时有一定准确性，auc在0.9以上时有较高准确性。auc＝0.5时，说明诊断方法完全不起作用，无诊断价值。auc《0.5不符合真实情况，在实际中极少出现。此外，敏感性和特异性也是评价诊断生物标记物的重要指标。研究指出临床有用的正确诊断和分类疾病的生物标志物或测试敏感性和特异性均至少达到80％(schneider b,prvulovic d.novel biomarkers in major depression.curr opin psychiatry.2013.26(1):47-53.)。
[0098]
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0099]
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。