抑郁症治疗反应预测的传统方法主要依赖临床试错，缺乏可靠的生物标志物来指导药物选择。然而，该文章通过分析重度抑郁症患者的脑成像数据，开发了基于机器学习的预测模型，发现即使整合大脑结构连接和功能活动两种不同模态的少量关键特征，仍能较准确地预测患者对舍曲林、艾司西酞普兰两种SSRIs药物及安慰剂的反应，且该生物标志物在独立队列中具有推广性。这一发现挑战了传统依赖单一治疗模式的生物标志物研究范式，揭示了大脑结构与功能信号中隐藏着可预测治疗反应的共享模式，为理解抗抑郁药物和安慰剂效应的神经机制提供了新的视角，也为临床精准选择抗抑郁药物提供了重要启示。

2025年12月，Nature Mental Health（IF=8.7）上发表题为“Generalizable structure–function covariation predictive of antidepressant response revealed by target-oriented multimodal fusion”的文章。该研究的创新之处在于，研究者首次通过现代机器学习技术，整合了大脑结构连接与功能活动两种不同模态的神经影像数据，建立了可预测抗抑郁药物反应的生物标志物模型。研究团队利用先进的稀疏正则化线性模型，结合重度抑郁症患者接受舍曲林、艾司西酞普兰或安慰剂治疗的随机对照试验数据，发现即使仅依赖少量关键脑连接特征，仍能较准确地预测不同患者对药物和安慰剂的反应，且该模型在独立队列中具有良好推广性。

这一发现颠覆了传统生物标志物研究仅关注单一治疗模式的认知，首次证明通过数据驱动的多模态融合方法，可以从复杂的脑网络中提取具有临床预测价值的共享信号。该研究不仅为理解抗抑郁药物和安慰剂效应的神经机制提供了新的视角，还为临床精准选择抗抑郁药物提供了重要启示，特别是在解决"哪种药物对特定患者最有效"这一长期困扰精神医学领域的关键问题上具有重要意义。此外，这一成果也为未来开发基于神经影像的个性化抑郁症治疗决策支持系统提供了理论基础。

图1 结构-功能协变性特征，预测抗抑郁药和安慰剂反应

抑郁症是全球最广泛的心理健康障碍之一，影响约4%的全球人口，其特征包括持续情绪低落、睡眠和饮食习惯紊乱、缺乏动力、兴趣丧失及无益思维模式。尽管现有心理治疗和多种抗抑郁药物，但确定最佳治疗方案往往困难，许多患者需反复尝试才能找到适合的药物，这对临床诊疗提出了重大挑战。

针对这一困境，斯坦福大学、利哈伊大学、德克萨斯大学奥斯汀分校等机构的研究人员探索了机器学习技术的应用潜力。该研究源于重度抑郁障碍（MDD）临床上的实际空白：许多患者对首次治疗无反应，且缺乏可靠的生物标志物帮助匹配治疗方案。神经影像学虽显示出希望，但此前大多数生物标志物仅专注于单一治疗模式。研究团队因此致力于以既具预测性又可解释的方式整合大脑结构与功能，并验证生物标志物在独立队列间的推广性。

他们发表在《Nature Mental Health》的研究聚焦于两种广泛运用的选择性血清素再摄取抑制剂（SSRIs）——舍曲林和艾司西酞普兰，尝试利用机器学习预测患者对这两种药物的反应。研究同时致力于区分药物特异性效应与安慰剂效应，因为安慰剂反应在抑郁症临床试验中可能干扰生物标志物的准确解读。

该研究基于MDD患者的脑成像数据，患者被随机分配接受舍曲林、艾司西酞普兰或安慰剂治疗。通过机器学习模型，团队系统性地识别出与症状改善相关的脑结构特征及脑区间连接模式。在建模方法上，该模型采用有监督的多模态融合策略，学习对特定临床预测重要的共享结构与功能信号；同时引入强稀疏正则化约束，仅保留少量具有预测价值的功能连接，提升可解释性并减少过拟合。由于模型呈线性端到端结构，预测结果可直接映射至特定神经环路和网络层面。

研究结果显示，该模型能够较准确预测患者对两种SSRIs及安慰剂的个体化反应，脑扫描数据揭示出可量化的神经响应模式，反映出这两种药物对大脑功能调控的共性机制，为个体化治疗选择提供了新的客观评估工具。

图2 安慰剂诱导抗抑郁反应的多模态神经影像生物标志物

研究团队发现介绍该框架还可帮助将药物相关反应与安慰剂相关反应分开，这对理解机制和生物标志物有效性非常重要。此外，该模型设计具有可解释性，它识别关键区域，并将整体预测模式分解为少数具有独特认知和人格关联的网络星座。”

未来，这项研究的结果可能为制定新策略提供参考，以确定哪些药物最适合特定个体，或识别可能对SSRIs及其他常见治疗方案反应不良的患者。这些策略可能缩短甚至消除许多被诊断为抑郁症患者在寻求专业帮助后所经历的反复试验过程。

参考文献

Tong, X., Zhao, K., Fonzo, G.A. et al. Generalizable structure–function covariation predictive of antidepressant response revealed by target-oriented multimodal fusion. Nat. Mental Health 4, 85–101 (2026).

资讯来源

https://medicalxpress.com/news/2026-01-machine-patients-responses-antidepressants-disentangling.html

编译：苏亚涛

审核：姜震宇