【摘要】华南理工大学生物医学科学与工程学院吴凯教授与广州医科大学附属脑科医院吴逢春主任团队合作，开展了基于个体化脑网络和肠网络分析的精神分裂症自动分类及生物学标志物研究。2025年1月，《Brain Research Bulletin》杂志在线发表了题为《MO-GCN: A multi-omics graph convolutional network for discriminative analysis of schizophrenia》的研究论文，华南理工大学生物医学科学与工程学院硕士研究生王海源同学为第一作者。

精神分裂症（Schizophrenia, SZ）是一种复杂的慢性精神疾病，通常在青春期晚期或成年早期发病，其症状涉及幻觉、妄想、认知能力下降、感知行为紊乱和思维障碍等方面。然而目前为止，SZ的神经病理机制和病因尚未完全明确，且临床诊断存在高度主观和漏诊误诊的局限性。因此，SZ的早期发现和识别干预显得尤为重要。

多组学数据的机器学习方法已被广泛应用于精神分裂症的判别分析，但这些研究大多忽视了网络的交互作用和拓扑属性。本研究旨在利用多组学数据构建个体化脑网络和肠网络，进而将脑图和肠图输入图卷积神经网络（GCN）进行SZ患者和正常对照的分类。研究人员采集了43名SZ患者和55名健康对照的人口学信息、功能磁共振图像、粪便、临床量表数据，通过构建多通道GCN模型实现了疾病分类，并对识别出的重要特征与临床量表进行了相关性分析。

图1 研究方案

研究发现，脑-肠多组学数据作为模型输入时的分类效果优于单组学数据，其中，以“BFs + GFs + GNFs”为输入且稀疏度为0.3时达到最佳平均分类准确率84.0%。解释性分析结果表示重要脑区主要位于海马、嗅皮质、尾状核、豆状苍白球等，重要菌群包括Dorea、Ruminococcus、Subdoligranulum、Bilophila、Clostridium等，且这些重要特征与临床量表具有显著相关性。

表1 分类性能

图2 研究结果