识别UK Biobank中与自杀未遂相关的行为和生理风险因素

神经病学 信息科学 人工智能 医学 精神病学 环境和公共卫生 遗传学 临床心理学 生命科学
自杀未遂 行为风险因素 生理风险因素 英国生物库 多因素分析

研究背景:

自杀是全球性的公共卫生挑战，但关于行为因素和生理因素与自杀企图（suicide attempts，SA）之间的关系仍然存在很大的不确定性。以往的研究往往集中于有限的假设因素，如精神疾病（如抑郁症）、个性和心理特征（如绝望感）以及社会和家庭因素（如低社会支持和生活压力）。这样的狭隘视角可能导致其他风险因素被忽视。为了填补这些研究空白，本研究团队开展了大规模的种系统分析和孟德尔随机化分析，以确定英国生物银行数据集中可能与SA相关的行为和生理风险因素。

研究来源:

此论文由以下研究人员撰写：Bei Zhang、Jia You、Edmund T. Rolls、Xiang Wang、Jujiao Kang、Yuzhu Li、Ruohan Zhang、Wei Zhang、Huifu Wang、Shitong Xiang、Chun Shen、Yuchao Jiang、Chao Xie、Jintai Yu、Wei Cheng和Jianfeng Feng。所属机构包括复旦大学、牛津大学等。论文发表于《Nature Human Behaviour》。

研究流程:

本研究通过英国生物银行的334,706名参与者的数据，估计了与SA相关的多基因风险评分（PRS），并进行了表型全基因组关联分析（PheWAS），涵盖了2291个因素。随后，进行了包含3558个SA病例和149,976个对照的病例对照分析，验证了行为和生理风险因素。进一步通过孟德尔随机化分析评估这些因素对SA的潜在因果关系。最后，构建了基于行为因素的机器学习分类模型，以区分有无SA历史的个体。

研究细节：

a) 研究的工作流程

  1. 多基因风险评分（PRS）的估计：

    • 数据来源：334,706名英国生物银行参与者。
    • 分析方法：使用PRS作为SA风险的代理，分析2291个因素，跨越行为和生理表型。

  2. 表型全基因组关联分析（PheWAS）：

    • 考虑的因素：共2291个，分为12个类别。
    • 样本特征：53.59%的参与者为女性，平均年龄为56.91岁。
    • 统计结果：发现246（63.07%）种行为相关表型和200（10.41%）种生理表型与SA-PRS显著相关。

  3. 病例对照分析：

    • 参与者：3558个SA病例和149,976个对照。
    • 结果：83%的行为相关因素和37%的生理相关因素在病例对照分析中也表现出显著关联。

  4. 孟德尔随机化分析：

    • 辅以双样本MR分析，验证了与SA相关的显著因素的潜在因果关系。
    • 结果：57种行为因素和1种生物标志物在Bonferroni校正后显示出因果关系。

  5. 机器学习分类模型：

    • 基于行为因素的模型AUC为0.909±0.006，表现出高度的区分准确性。

b) 主要研究结果

  1. PheWAS分析结果：

    • 共有246个行为表型（包括11个社会人口因素，43个生活方式因素，11个早期生活和家庭历史因素，36个身体测量，16个认知功能和129个（包含多项分类关联）精神健康因素）显示与SA-PRS显著相关。

  2. 生理表型的关联性：

    • 包括20个神经影像表型（如灰质体积和白质微结构），76个血液和代谢生物标志物（包括白细胞计数、血液生化指标和核磁共振代谢产物），和104个蛋白质。

  3. 案例对照分析确认的风险因素：

    • 277个行为表型和51个生理表型在病例对照分析中显著相关，其中，精神健康因素在行为表型中最为显著。

c) 研究结论

  1. 因果关系识别：

    • 57个行为因素和1个生物标志物在Bonferroni校正后确认为SA的因果因素。

  2. 机器学习模型的重要性：

    • 基于行为因素的机器学习模型显示出对有无SA历史的高区分准确性，特别是精神健康与生活方式变量表现出高度相关性。

  3. 精神健康的重要性：

    • 抑郁症状和神经质分数在预测SA风险中尤为重要。

研究亮点:

  1. 综合性强的分析方法：

    • 结合了大样本规模的PheWAS分析和双样本孟德尔随机化方法。

  2. 多维度风险因素的识别：

    • 不仅包括行为相关因素，还涵盖了神经影像、血液生物标志物和蛋白质等多方面的生理因素。

  3. 机器学习模型的应用：

    • 在SA风险评估中首次展示了基于行为因素的机器学习模型的高效性。

  4. 精神健康的重要贡献：

    • 强调了精神健康因素在SA风险中的核心作用。

研究的科学和应用价值:

  1. 预防和干预策略：

    • 研究结果为针对性预防和干预策略提供了重要依据，有助于早期识别高风险个体。

  2. 政策制定和公共卫生：

    • 为公共卫生政策制定者提供数据支持，旨在减少自杀行为的发生率。

性别分层分析:

研究还发现203个行为因素和87个生理因素在女性中显著相关，而男性中则有199个行为因素和73个生理因素显著相关。

研究局限性:

  1. 样本特点：

    • 主要是欧洲血统的中老年人，可能限制了研究发现的广泛可应用性。

  2. 健康志愿者偏差：

    • 志愿者的健康情况可能较好，可能导致研究结果的外推性受到限制。

未来的研究方向:

  1. 纵向数据分析：

    • 需要更长时间跨度的纵向研究，以捕捉自杀行为前后的动态变化。

  2. 不同种族和地区的研究：

    • 扩展样本规模，涵盖不同种族和文化背景的个体，以提高研究结果的普适性。

通过上述分析，此研究系统全面地揭示了行为和生理因素对自杀企图的影响机制，为未来的预防和干预措施提供了宝贵的数据支持和科学依据。