0 引言

       睡眠障碍是抑郁症（major depressive disorder, MDD）最常见的临床核心症状之一^[1]。KUPFER等^[2]首次发现MDD患者有着更短的快速眼动睡眠潜伏期。睡眠障碍与MDD的病因和发病机制密切相关^[3]，也是MDD患者疾病复发或自杀的风险因素^{[4, 5]}。探究MDD患者睡眠障碍症状的神经机制对于MDD的诊断和疗效评价具有重要的临床参考价值^[6]。

       利用功能磁共振成像（functional magnetic resonance imaging, fMRI）可计算得到功能连接（functional connectivity, FC）^{[7, 8]}。fMRI揭示出MDD患者最显著的改变之一是其FC存在异常变化^{[9, 10]}。默认网络（default mode network, DMN）是报道最一致的异常网络^{[11, 12, 13]}。但迄今，MDD患者睡眠症状相关的脑功能机制尚未明晰。既往研究中，LEERSSEN等^[14]发现伴有更严重失眠的MDD患者在脑岛和额叶等区域有着更小的皮层表面积。CHENG等^[15]基于健康大样本量数据集探究抑郁与低睡眠质量之间关联的神经基础，发现两者都与负责短时记忆、自我和负性情绪等功能的相关脑区的FC强度升高有关。BAGHERZADEH-AZBARI等^[16]发现MDD和失眠症间存在重叠的潜在神经机制，主要集中在突显网络和DMN中主要枢纽点在其各自网络内和网络间的FC异常。TASHJIAN等^[17]探索发现拥有低睡眠质量（而非睡眠时长）的青少年在休息时表现出较弱的DMN内部连接。DE HAVAS等^[18]发现与正常休息组相比，睡眠剥夺组的静息态DMN连接减少，表明DMN的固有连接易受极端改变的睡眠行为的影响。综上，探究抑郁和睡眠关系的研究主要聚焦于MDD患者伴或无睡眠症状、抑郁情绪与睡眠质量、失眠症与MDD，以及睡眠质量与DMN等四个方面的研究。虽然上述研究结果间存在不一致，但基于FC的研究中，较为一致地发现疾病或健康状态下，睡眠与DMN内或DMN与其他脑功能网络的FC都有着重要的关系。

       本研究聚焦于探究DMN相关的FC对MDD患者的睡眠障碍因子分是否具有预测性。基于多中心数据集，从DMN内部FC和DMN脑区节点与非DMN脑区节点的FC（简称DMN外部FC），分别探究两者对MDD患者睡眠障碍因子分的预测能力。本研究旨在加深理解DMN在MDD睡眠障碍症状中的重要作用，以期为MDD的诊断和疗效评价提供线索和帮助。

1 材料与方法

1.1 一般资料

       本实验被试数据来自中国科学院心理研究所严超赣于2016年组织和发布的REST-meta-MDD公开数据集（http://rfmri.org/REST-meta-MDD）^[13]，其参与单位有17家医院和25个研究小组，共招募了1300例MDD患者（其中女性患者826例），是目前全球最大的MDD患者静息态fMRI公开数据集之一。所有被试均为汉族右利手，年龄为18~65岁。所有MDD患者被试纳入时均采用精神障碍诊断与统计手册第四版的诊断标准进行，且在影像数据扫描当天采用17项汉密尔顿抑郁量表（17-item Hamilton Rating Scale for Depression Scale, HAMD）对MDD患者进行评估。其中562例为MDD首发患者，包括318名首发初用药MDD患者和160名在接受抗抑郁治疗期间入组的MDD患者（其中84人用药信息不详）。282名复发MDD患者，其中121人在接受抗抑郁治疗期间入组（其中85人用药信息不详），76人没有接受过抗抑郁药物治疗。另有456名MDD患者无法获得发作（首次或复发）和抗抑郁药物治疗信息。本研究遵守《赫尔辛基宣言》，所有被试在入组时都提供了书面知情同意书，所有数据都去识别和匿名化。所有站点的相关研究都获得了当地机构审查委员会和伦理委员会的批准。

1.2 纳入与排除标准

       根据本实验的研究目标，本研究在1300例MDD患者中进一步筛选。纳入标准如下：（1）年龄18~65岁；（2）HAMD子条目4（入睡困难），条目5（睡眠不深）和条目6（早醒）的评分之和大于零。排除标准如下：（1）MDD患者扫描时的HAMD总分低于8；（2）无详细的HAMD子分项记录；（3）基本的人口学信息（如年龄、性别和教育年限）不全；（4）扫描时头部运动过度或影像数据质量较差；（5）经过前4项排除项后，单个站点中MDD被试的静息态fMRI数据不足10例的站点数据。最终有来自9个站点的326例被试满足以上条件纳入分析（表1）。

点击查看表格

表1  被试情况信息表
Tab. 1  Demographic and clinical information of subjects

1.3 方法

1.3.1 睡眠障碍因子分

       在本研究中，睡眠障碍评分采用基于HAMD中睡眠障碍因子分来评估。具体来说，睡眠障碍因子评分为HAMD量表中第4项入睡困难，第5项睡眠不深和第6项早醒评分的累加和^{[6, 19]}。各站点睡眠障碍因子分概括见表1。

1.3.2 静息态fMRI影像数据采集信息

       各个站点的详细的fMRI序列扫描参数如表2所示。

点击查看表格

表2  静息态fMRI序列扫描参数
Tab. 2  Scanning parameters of resting fMRI sequence

1.3.3 影像数据预处理和FC计算

       Rest-meta-MDD数据集仅提供了基于多个脑图谱所提取的时间序列。这些fMRI时间序列在提取前都已使用脑影像处理平台DPARSF V4.3（http://rfmri.org/DPARSF）在各站点内进行了标准化预处理流程^[13]，包含去除前10个时间点的数据，时间层校正，头动校正，空间标准化，以及时间滤波（0.01~0.10 Hz）。为控制头动和生理噪音信号，将Friston-24头动参数^[20]，线性趋势，以及白质、脑脊液和全脑信号从fMRI影像数据中都进行了回归。此外，每个被试都计算了平均逐帧位移（framewise displacement, FD），并剔除了FD>0.2 mm的被试^[21]。

       本研究基于Power模板^[22]的264个脑区节点的平均时间序列，采用皮尔逊相关分析计算任意两个脑区之间的时间序列信号的相关性，以此表示该对脑区间的FC强度。Power模板是由分布在整个人脑中直径为10 mm的264个球形节点组成，可以将人脑分成包括DMN在内的14个功能网络。DMN内部FC共包含58个节点。DMN外部FC共包含231个节点，但该类FC边中不含DMN中58个节点间相互的连接，只包含DMN与感觉/躯体运动网络、带状盖任务控制网络、听觉网络、腹侧注意网络、视觉网络、额顶网络、突显网络、皮下核团网络、小脑网络，以及背侧注意网络等10个网络间的FC连接。采用Fisher Z变换使得FC值分布满足正态特性。

       分别回归五个协变量（即站点、性别、年龄、受教育程度和FD）对FC值和睡眠障碍因子分的影响（采用R语言V4.1.1版本中glm函数）。此外，本研究按照约9∶1的比例对整个数据集中326例数据进行随机划分，其中292例数据视为发现数据集，34例数据划分为独立验证集。由于所用数据来自多个站点，本研究在所得到的FC矩阵中采用Combat协调算法^[23]进行站点标准化，以解决由于不同机器扫描导致的数据异质性问题。在发现数据集中进行Combat协调计算，并将其估计模型应用于独立验证集数据中。

1.4 回归预测分析

       本研究采用SHEN等^[24]提出的基于连接组的预测模型（connectome-based predictive modeling, CPM）进行回归模型构建和预测。为降低模型过拟合的风险，本研究采用留一交叉验证方式在发现数据集中进行CPM计算。基于研究目的，提取了DMN内部FC和DMN外部FC作为CPM的输入特征，分别独立地预测MDD患者的睡眠障碍因子分。CPM预测流程包含以下6个步骤（图1）：（1）将发现数据集292例被试按留一交叉法进行划分，训练集为291例，剩下的1例为测试数据。（2）在训练集上，将所有被试的FC特征与真实睡眠障碍因子分采用简单线性相关方法获得它们间的相关性。（3）基于前一步所得到的相关结果，本研究将正负相关的FC分开进行后续不同的预测模型构建。具体过程中对步骤（2）所得相关结果的P值进行阈值选择，以获得最佳的特征集来构建预测模型。因为DMN内部FC共1653条，而DMN外部FC共有10 034条。对于DMN内部FC，实验中设置的阈值范围为0.05~0.000 5（间隔步长为0.000 1）。而对于DMN外部FC设置的阈值范围为0.05~0.000 001（间隔步长为0.000 1）。在某个确定的阈值下，当前FC与睡眠障碍因子分相关性的P值小于该阈值时，便遴选进入后续计算。（4）针对每个被试，计算在步骤（3）中保留的所有FC强度值的和构成一个新的特征。对照步骤（3）中正相关的FC强度相加，负相关的FC强度相加，正相关FC强度和减去负相关FC强度和，从而得出3个不同的新特征。这3个新特征分别构建三种不同的线性预测模型。（5）基于3个新特征，利用线性模型回归预测MDD患者的睡眠障碍因子分。（6）利用步骤（1）所得的线性模型预测所留的测试数据。在发现数据集中重复以上步骤（1）~（6），最后得到发现集中所有被试的睡眠障碍因子分的预测值。模型性能的评价指标为测试集中预测值和真实值间的皮尔逊相关性。以上所有的步骤在基于DMN内部FC和DMN外部FC的两类特征上分别进行。最终得到两种特征集各自的最佳预测结果。

       为了验证CPM方法构造模型的泛化性能，本研究将发现数据集的所有被试按照DMN内部FC和DMN外部FC两种特征集，分别将训练时所得的最佳P阈值固定到CPM模型中，得到各自特征集上统一的回归预测模型。接着，分别在34例独立验证集中进行回归测试。

点击查看大图

图1  CPM流程图。CPM：基于连接组的预测模型。
Fig. 1  The pipeline of CPM. CPM: connectome-based predictive modeling.

2 结果

2.1 回归预测结果

       在一系列不同的阈值下，DMN内部FC特征在发现数据集上预测的最佳结果如图2A所示（阈值P=0.001，与睡眠障碍因子分呈正相关的FC特征），真实睡眠障碍因子分与预测值间存在着显著的正相关（r=0.244，P<0.001）。独立验证集中预测值与真实值也存在显著的正相关（r=0.345, P=0.046）（图2B）。DMN外部FC特征在阈值P=0.000 1，与睡眠障碍因子分呈负相关的FC特征上出现最好的预测结果。其中发现数据集中的预测值与真实值间存在显著正相关（r=0.238，P<0.001）（图2C），而在独立测试集中的预测值与真实值间无显著相关性（r=0.256，P=0.143）（图2D）。

点击查看大图

图2  基于DMN FC的CPM模型预测性能。2A~2B为基于DMN内部FC特征的CPM模型分别在发现数据集和外部独立验证集上的预测结果；2C~2D为基于DMN外部FC特征的CPM模型分别在发现数据集和外部独立验证集上的预测结果。真实值为MDD患者的真实睡眠障碍因子分；预测值为CPM模型预测的MDD患者睡眠障碍因子分。DMN：默认网络；FC：功能连接；CPM：基于连接组的预测模型；MDD：重度抑郁症。
Fig. 2  Prediction performances based on the FC of DMN in the CPM models. 2A and 2B refer the predictive results in the discovery dataset and the independent validation dataset, respectively. 2C-2D are the prediction results of CPM model based on DMN external FC feature on discovery data set and external independent verification set respectively. The actual values refers to the real scores of sleep disturbance in depressed patients, whereas the predicted values are based on CPM predictions for sleep disturbance scores in these individuals. DMN: default mode network; FC: functional connectivity; CPM: connectome-based predictive modeling; MDD: major depressive disorder.

2.2 具有高贡献性的特征分布

       图3展示了基于DMN内部FC特征在独立验证阶段，所构建的CPM模型中被选择的44条FC特征边的分布情况。如图3所示这44条DMN内部FC主要集中在与内侧额叶方向所连的FC。表3列出了44条FC所对应的Power图谱中节点标号，以及将其与自动解剖图谱（anatomical automatic labeling, AAL）的第一个版本对应后涉及的脑区名称。

点击查看大图

图3  DMN内部FC对睡眠障碍因子分预测具有高贡献性的特征分布图。3A：冠状视图；3B：轴状视图； 3C：矢状视图。连接边的粗细表示功能连接与睡眠障碍因子分的相关系数值。DMN：默认网络；FC：功能连接。
Fig. 3  The high contribution feature map based on the intra- FC of DMN to predict sleep disturbance score. 3A: Coronal view; 3B: Axial view; 3C: Sagittal view. The thickness of the edge reflects the correlation coefficient value between functional connectivity and sleep disturbance score of the depressed patient. DMN: default mode network; FC: functional connectivity.

点击查看表格

表3  DMN内部对睡眠障碍因子分预测具有高贡献性的FC特征的脑区名及强度值
Tab. 3  Intra- DMN FCs brain region names and their intensities, which have strong contributions to predicting sleep disturbance scores

3 讨论

       本研究主要探究DMN相关的FC是否能预测MDD患者的睡眠障碍因子分。实验结果显示在发现数据集上，DMN内部FC特征和DMN外部FC特征对MDD患者的睡眠障碍因子分的预测结果P值均小于0.001。但在独立验证集上，只有DMN内部FC特征所预测的结果P<0.05，且r=0.345，具有更好的泛化性能。这表明基于DMN内部FC特征所构建的CPM模型不仅在发现数据集具有一定预测MDD患者的睡眠障碍因子分的能力，而且能泛化到外部验证集上。基于DMN外部FC特征所构建的CPM模型在发现数据集中对MDD患者的睡眠障碍因子分具有一定预测能力，但这种能力在独立验证集中泛化能力稍欠，预测值和真实值间具有相关趋势。总体来说，MDD患者DMN内部FC的活动强度与患者的睡眠障碍因子分存在更为显著的关系。

3.1 DMN内部FC对MDD患者的睡眠障碍因子分的预测

       DMN是一个大尺度的脑功能网络，在解剖学上被识别为内侧前额叶皮层的前后中线区域（包含腹内侧额叶皮层和前扣带皮层），内侧顶皮层（后扣带皮层、楔前叶和压后皮质）和外侧颞顶皮层（缘上回、角回和颞上沟）。人在静息状态下DMN中脑区的代谢活动处于高水平，该网络参与众多认知过程，如涉及走神、自我参照心理活动，以及自传体记忆检索^[25]。先前的众多研究显示DMN与MDD、失眠症，以及睡眠都存在关系。DMN中静息态FC异常为MDD的主要特征^{[26, 27]}。据估计，90%的MDD患者主诉存在睡眠障碍。自20世纪70年代首次报道MDD患者的快速眼动潜伏期短以及睡眠剥夺对MDD的影响以来，许多睡眠研究对MDD的病因和病理生理学进行了广泛的研究和理论假设^[3]。相对而言，这其中从DMN角度来探究抑郁与睡眠的相关研究鲜有。XU等^[28]研究者利用静息态fMRI发现在健康年轻女性人群中DMN与背侧注意网络间的FC介导睡眠时间对抑郁情绪的影响。一项基于人脑连接组项目中上千例的大样本研究^[15]显示睡眠质量和抑郁问题都与多个重叠脑区间FC强度改变有关。而这些重叠脑区分别参与到了不同的脑功能网络活动中，比如DMN、突显网络，以及中央执行网络^[16]。失眠症、白天打瞌睡，以及睡眠质量低都与休息时DMN的FC异常有关^{[29, 30]}。FASIELLO等^[31]在综述中指明，虽然因在失眠症中可用实验数据不足，难以对DMN在该疾病中的重要性得出明确的结论。但可以确定的是失眠症患者中观察到的DMN过度活跃状态可能与更高水平的自我参照和内省过程、担忧和反刍直接相关。通过探索青少年的睡眠质量，发现低睡眠质量的被试在休息时表现出更弱的DMN内部连接^[17]。通过对成年人的睡眠剥夺实验发现DMN的内在FC易受极端改变的睡眠行为影响^[18]。这些研究都表明DMN与睡眠，无论是健康人群还是有睡眠障碍的患病人群（MDD和失眠症）都有着重要关系。本实验结果从预测性角度为支持DMN内部FC与MDD患者睡眠障碍因子分间存在一定的关系提供了一个有力的证据。值得注意的是，既往文献报道DMN与其他脑功能固有网络（比如突显网络和中央执行网络等）间的交互在失眠症或MDD中存在异常FC变化^{[16, 28, 32]}。但本实验的报道结果中显示，DMN外部FC在发现数据集上对MDD患者睡眠障碍因子分有一定的预测性，不过该预测能力在独立验证集上并不能进行泛化。这突出了DMN内部FC与MDD患者睡眠障碍间存在更为重要的关系。

3.2 CPM模型中高贡献性FC模式

       本研究中采用CPM方法进行回归分析，该方法使用交叉验证从FC数据中构建脑与行为关系的预测模型，其中包含4个步骤，分别是特征选择、特征值累加、模型构建及预测。本研究进一步分析了基于DMN内FC特征的CPM模型中遴选出来的特征，发现共有44条FC且其主要分布在以内侧前额叶/前扣带回相连的前DMN内。DMN的内侧前额叶可细分为腹内侧前额叶和背内侧前额叶，分别参与情绪处理和自我参照心理活动^[33]。有文献报道内侧前额叶可能通过将情绪偏见信号纳入决策过程，在整合情绪和认知过程中发挥重要作用^[25]。一些失眠症研究发现DMN内亚区间FC下降，特别是与前额叶方向相连的FC^{[34, 35]}，这一发现也与失眠症中前额叶的结构损伤相一致^[36]。最近的采用功能近红外光谱成像技术发现相对于不伴有睡眠障碍的MDD患者，伴有睡眠障碍的MDD患者内侧前额叶存在较低的氧合血红蛋白浓度^[37]。来自神经影像学的研究发现DMN的前部和后部参与不同的认知功能。有观点认为，DMN前后部成分间的平衡维持了健康的睡眠、情绪和认知^[38]。一些研究报道在失眠症和MDD患者中都存在DMN前后部FC受损模式^{[39, 40, 41]}，这表明两种疾病的病理机制存在着部分相似。本实验中发现具有高贡献性的特征分布主要与前DMN相关，与既往的相关研究吻合，进一步表明前DMN与MDD患者睡眠间存在非常密切的关系。

3.3 本研究的局限性

       本研究存在如下三点不足和局限：（1）样本量相对不大。虽然Rest-meta-MDD总MDD样本量有上千例，但大量被试HAMD量表不完整，因此在本实验中无法使用。（2）对MDD患者睡眠障碍的评价单一，只采用了HAMD中的三个子分（子项4~6的和分）来评估。缺少一些专门针对个体睡眠情况评测的评分数据，比如匹兹堡睡眠质量指数量表。（3）DMN外部FC对MDD患者睡眠障碍因子分的预测性能表明基于DMN外部FC特征所构建的CPM模型在发现数据集中对MDD患者的睡眠障碍因子分具有一定预测能力，但这种能力在独立验证集中泛化性稍欠，预测值和真实值间仅具有相关趋势。但本研究并不能得出DMN外部FC特征一定不能用于预测MDD患者睡眠障碍因子分的结论，从实验结果来看该类特征还是有可预测的潜能。只是从目前的实验结果来看，与DMN内部FC相比，DMN外部FC在预测的泛化性上稍差。未来需要在更多的数据集上对这一结果进行验证。

4 结论

       综上所述，本研究发现采用DMN内FC，特别是与内侧前额叶相连的DMN前部FC，对MDD患者的睡眠障碍因子分具有一定的预测性，表明它们与MDD患者的睡眠障碍存在重要关系。本研究为MDD患者睡眠障碍症状的研究提供了新的证据和线索。在未来的研究中需要进一步扩大样本量和完善对个体睡眠质量的评估手段，以检验本实验的结论。