HC：健康對照組（n=51）；高風險精神病組（CHR），隨訪5年（n=263）。

CHRr：隨訪期間癥狀緩解

CHRp：隨訪期間癥狀持續

CHRt：發展為精神病

人群：通過危險心理狀態評估（CAARMS）+全球功能評估分裂量表（GAF）發現了344位有高風險精神病的人，在第12和24個月重新評估一次，然后臨床隨訪5年，在隨訪期間，CHR組有50位發展為精神病。

1. CHR組與健康組在脂質組學中有差異。

2. 在CHR組中，基線期的脂質水平會與隨訪期的3個亞組相關，即癥狀持續，向精神病轉化，癥狀緩解。

1. PCA分析：分析是否有異常樣本。

2. 臨床指標分析：使用線性回歸計算回歸系數，篩選對組間脂質差異有影響的臨床指標。

3. 脂質模型聚類：通過貝葉斯信息準則對脂質進行聚類找出lipidomic clusters（LCs）。

4. sPLS-DA：Pairwise sparse partial least squares discriminant analysis，計算脂質的VIP值。

5. 偏相關分析：脂質與臨床指標的相關性分析。

6. 回歸LR：建立LR回歸模型篩選HC組和CHR組中的差異變量。

7. GAF得分值的差異分析

為了區分脂質水平在CHR組基線期和隨訪期的差異是否與GAF得分值有關，將隨訪期得分GAF＞65和GAF≤65分成兩組，分別對應生活功能性的強弱，使用Welch’s t test分析差異性。

1. 單變量+多元變量統計分析篩選差異脂質

HC+CHR：sPLS-DA的AUC≥0.6，回歸系數＞0.05，VIP＞1，p-adjusted＜0.1。

2. 回歸LR模型篩選

LR模型用來篩選CHR和HC，CHRt和CHRp+CHRr，CHRr和CHRp+CHRt的差異變量，AUC＞0.6作為篩選標準。

1. CHR組中的脂質分布

樣本中共測到173個脂質，根據圖1B可知，BMI、性別和年齡對脂質的差異貢獻較大，因此這幾個指標在后續的回歸分析時將被考慮進去。

圖1B. 與脂質差異有關的臨床指標
 

通過聚類分析得到了12個LCs，其中 LC2,9,10,11包括了TG類，LC1包括了CE,CER,PC,PI類, LC4包括了PC和SM類。由圖1C可知LC1,2,4,9,10,11在CHR組中顯著升高，結合LCs和臨床數據（圖1D）的LR模型可知，LC4和LC5在區分CHR和HC組上影響最大，而臨床數據影響較小。

圖1C. HC組和CHR組中LCs的差異分析；D. HC組和CHR組的回歸分析系數通過上述單變量及多元變量統計分析，在HC組和CHR組中共篩選出的差異脂質一半都是TG類（圖2A），作者發現在CHR組中含量高的TG類碳鏈和雙鍵更少。與此相反的是幾個包含了長鏈的多不飽和脂肪酰TG類在CHR中含量較低（圖2B）。

因為性別在LR模型結果中顯示對脂質差異影響較大大，因此作者研究發現有13個脂質在性別和組間差異都很明顯，大部分是SM類，它們在男性CHR組含量較低；相反，有4個TG類在男性CHR組更高（圖2C）。

圖2. （A）差異脂質；（B）TG類雙鍵和碳鏈長度的相關性；（C）與性別有關的差異脂質
 

2. CHR各亞組中的脂質分布

同樣的12個LCs用來比較3個CHR亞組和HC的脂質分布。有5個LCs在隨訪期發生了顯著改變，其中有4個（LC1,LC2,LC9,LC10），在CHRp和CHRt中顯著升高（圖3A）。相對于不會發展為精神病的CHRs和CHRr組，脂質在CHRt組中有一個下降的趨勢（圖3B）。在這些下降的脂質中，與CHRr+CHRp比，PC(O-22:2/22:3) 和 PC(O-32:0)在CHRt中顯著下降，而與HC比SM(d34:2) and SM(d18:1/24:0)在CHRr中顯著增加。

圖3.（A）HC組和3個CHR亞組的脂質分布；（B）在4組中發生顯著改變的脂質

 

3. 可作為精神病發展預測的脂質

然后，作者篩選出了在這幾組中顯著變化的脂質是否能用來預測疾病的發展。

使用LR模型篩選出8個脂質（Cer(d18:1/24:0), LPC(22:5), PC(38:4), PC(40:5), PC(O-32:0), SM(d18:1/24:0), SM(d36:0), and SM(d36:1)）可以區分CHR和健康對照組（圖4A），5個脂質（Cer(d18:1/24:0), LPC(22:5),PC(38:4), PC(40:5), and PC(O-32:0)）可以區分CHRt和其他不會發展為精神病的CHR亞組（圖4B），6個脂質（Cer(d18:1/24:0), LPC(22:5),PC(38:4), PC(40:5), PC(O-32:0), and SM(d18:1/24:0)）可以區分出CHRr與癥狀不會緩解的CHR亞組（圖4C）。

 

7.討論

作者首先發現CHR組中很多脂質的含量都高于HC組，然后運用機器學習的方法開發了一個可以區分CHR以及不同臨床亞組的診斷特征。模型的高準確性表明檢測血液中的脂質或許可以幫助提高高風險人群的發病預測能力。并且作者還發現了一個新的臨床因素，即脂質存在明顯的性別差異。