论文部分内容阅读
目的以既往接受过选择性5-HT再摄取抑制剂(selective serotonin reuptake inhibitors,SSRIs)治疗的反复发作抑郁症患者为研究对象,利用5-HT介导的AC-cAMP通路相关基因tagSNPs及其临床特征分别构建数据库,通过数据挖掘,寻找SSRIs抵抗(SSRIs resistance,SSRIs-R)的临床和遗传学特征,探讨早期预测SSRIs-R的方法,为抑郁症的个体化精准医疗提供理论依据。方法1.构建临床特征数据库:对857例反复发作抑郁症患者进行跟踪随访,建立包括人口学资料、临床特征和首程抗抑郁治疗的效应特征等三个方面的临床特征数据库。2.构建tagSNPs数据库:围绕5-HT信号通路相关的HTR1A、HTR2A、CREB1、BDNF、ADCY7、ADCY9、ADCY3、NOS1、PDE4A等9个目的基因,利用质谱分析,检测857例反复发作抑郁症患者9个目的基因的34个tagSNPs,构建tagSNPs数据库。3.对符合反复发作抑郁症入组标准的857例患者,按SSRIs终末疗效(HDRS-24总分减分率)筛选出302例SSRIs-R和304例SSRIs-NR患者,用于病例对照研究和机器学习的训练样本和测试样本分类。4.采用SPSS21.0 for windows软件包进行一般数据处理,tagSNPs的初级筛选采用关联分析。5.SSRIs-R预测模型的建立运用支持向量机(support vector machine,SVM)。结果1.SSRIs-R与SSRIs-NR两组临床特征的比较比较302例SSRIs-R与304例SSRIs-NR组间的临床变量发现,精神运动阻滞(c2=11.068,p=0.001)、精神病性症状(c2=13.795,p=0.000)、自杀(c2=9.559,p=0.002)、体重下降(c2=9.145,p=0.002)、首程平均耐量(c2=10.049,p=0.002)、首程疗效(c2=25.343,p=0.000)、睡眠障碍(c2=8.386,p=0.004)、残留症状(c2=9.650,p=0.002)、个性倾向(c2=18.091,p=0.000)、起病年龄(p=0.048)、发作频度(p=0.031)、发作时限(p=0.014)等12个变量差异有显著性意义,其他变量差异无显著性意义(P>0.05)。2.tagSNPs的筛选围绕5-HT第二信号通路的9个目的基因的34个tagSNPs进行分型检测,发现30个tagSNPs的基因型和等位基因分布符合H-W平衡定律(P>0.05),可进行关联分析。另有4个tagSNPs在取样人群中未检出多态性,包括rs2059336在均为TT型,rs143117860均为CC型,rs2551926均为GG型或CC型,rs889895均为TT型。3.SSRIs-R与SSRIs-R两组tagSNPs等位基因及基因型频度分布比较比较SSRIs-R组与SSRIs-NR组之间的30个tagSNPs基因型及等位基因频度,发现CREB1rs2551645、CREB1rs4675690、BDNFrs18035210、BDNFrs7124442等4个tagSNPs位点的基因型及BDNFrs18035210、BDNFrs7124442的等位基因分布在两组间的差异有统计学意义(P<0.05)。余26个tagSNPs基因型和等位基因频度分布两组比较差异无显著性意义(P>0.05)。4.参数优化将302例SSRIs-R和304例SSRIs-NR研究样本混合,按5:1的比例随机分为训练样本和测试样本。训练样本的样本含量505例,其中包括SSRIs-R 254例(254/505,50.3%)。测试样本的样本含量101例,其中包括SSRIs-R 48例(48/101,47.5%)。本研究利用多重交叉验证的方法和网格搜索法寻找c和γ,得出预测模型核参数取值范围在=-3~15,=-15~13的区域内,交叉验证准确度为59.60%~90.38%。5.SSRIs-R预测模型筛选将这12个初步预测变量进行随机组合,共产生11个队列,4083组合。根据每个队列中每一组合的预测准确度,灵敏度和特异度筛选SSRIs-R最佳预测模型(SSRIs-R prediction model,SSRIs-R-PM),其中以预测准确度,灵敏度及特异度均为达到60%为筛选标准逐步剔除,最终有10个预测模型入选,分别命名为SSRIs-R-PM1~SSRIs-R-PM10。6.tagSNPs对预测准确度的影响本研究纳入CREB1和BDNF两个目的基因的4个tagSNPs(CREB1rs2551645、CREB1rs4675690、BDNFrs10835210、BDNFrs7124442),将CREB1和BDNF的tagSNPs联合突变的风险合并时,一定程度上提高SSRIs-R-PM的预测准确度,SSRIs-R-PM 8的预测准确度可达87.5%。结论1.SSRIs-R和SSRIs-NR患者在临床特征上的差异,提示个体可能在病因学方面具有异质性,这些临床特征早期出现时也能一定程度提示SSRIs-R。2.CREB1与BDNF的基因多态性可能与反复发作抑郁症SSRIs-R关联。当CREB1与BDNF联合突变时,可提高SSRIs药物抵抗的风险;也提示5-HT在第二信号转导通路层面可能受基因多态性的影响,导致SSRIs临床疗效上的差异。3.基于机器学习方法训练出的预测模型准确度可达87.5%,提示可用机器学习的方法建立数学模型用于临床对个体是否对SSRIs抵抗做出早期预测;从临床或生物学角度预测某个体的SSRIs-R,为个体化用药提供依据,同时可用此来验证生物学标记的临床意义。