精神分裂症（schizophrenia,SCZ）是一种异质性的致残性重型精神障碍。目前,早期SCZ患者的病程管理和代谢不良反应等问题已成为本领域的热点。本研究首次提出一种基于糖脂和嘌呤代谢来识别SCZ的机器学习研究方案,将两种成熟算法应用于SCZ早期预后并对比,然后探讨抗精神病药物对代谢指标的可能影响。本研究的具体内容如下:第一、基于随机森林（Random Forest,RF）和支持向量机（Support Vector Machine,SVM）识别SCZ的纵向研究。在本章节中,我们首先通过RF和SVM去证实糖脂和嘌呤代谢指标在识别首发未用药SCZ（First-Episode Drug-Naive Schizophrenia,FEDNS）和健康对照（Healthy Control,HC）的可行性,以最佳的机器学习模型验证代谢异常与SCZ精神病理症状改善程度的相关性。依据金标准阳性和阴性症状量表（Positive and Negative Syndrome Scale,PANSS）量表总分的减少率将SCZ定义为高、低疗效两组,基于糖脂和嘌呤代谢指标分别以RF和SVM识别不同时点（基线、6周和1年）的SCZ和HC组,探究分类器分类与已定义疗效组别的相关性。我们发现,随着治疗时间的延长,分类器的准确率和SCZ检出率均呈明显的下降趋势,表明SCZ与HC两组在糖脂和嘌呤代谢水平的差异逐渐减少;相关分析显示分类器的准确率与疗效高低存在显著正相关（p<0.05）,进一步反映了糖脂和嘌呤代谢水平变化与早期预后中精神病理症状改善密切相关。第二、基于支持向量机回归（Support Vector Machine Regression,SVR）的抗精神病药物与SCZ早期代谢相关性研究。在本章节中,我们首先使用两因素重复测量方差分析验证影响SCZ预后疗效的显著性代谢指标,结果表明,从基线到6周,空腹血糖改变量在疗效高低两组间具有显著性差异（p<0.05）;从基线到1年,总胆固醇及胰岛素抵抗改变量均具有显著性差异（均p<0.05）;但是,仅在6周时发现,空腹血糖改变量与抗精神病药物每日剂量具有显著性负相关（r=-0.658,df=17,p=0.028）,在此基础上,采用SVR确定空腹血糖改变量与剂量之间存在非线性定量关系（R2=0.386）。上述发现反映了短期内抗精神病药物可通过影响代谢水平而改善精神病理症状,但长期内需重视其他因素的重要性。