大うつ病性障害における脳ネットワークの制御可能性と遺伝的、個人的、家族的リスクの相関関係

Molecular Psychiatry volume 28、pages 1057–1063 (2023)この記事を引用

1766 アクセス

1 引用

6 オルトメトリック

メトリクスの詳細

精神医学における多くの治療的介入は、脳の大規模で動的なネットワーク状態の遷移に影響を与えようとする試みとみなすことができます。 コネクトームベースのグラフ分析と制御理論に基づいて構築されたネットワーク制御理論は、ネットワークの制御可能性、つまり動的なネットワーク状態の遷移に関して、ある脳領域が他の脳領域に及ぼす影響を定量化するための強力なツールとして浮上しています。 ネットワークの制御性が精神的健康に関連しているかどうか、またどのように関連しているのかは依然として解明されていません。 ここでは、拡散テンソル イメージング データから構造的接続性を推測し、計算されたネットワーク制御パラメータを推測して、大うつ病性障害と診断された患者 (MDD、n = 692) および健康な対照者 (n = 820) における遺伝的および家族的リスクとの関連を調査しました。 まず、制御可能性の尺度は健康な対照とMDD患者の間で異なるが、現在の症状の重症度や寛解状態によっては変わらないことを確立します。 第二に、MDD 患者のコントロール能力は、MDD の多遺伝子性スコアおよび精神医学的交差疾患リスクと関連していることを示します。 最後に、我々は、制御可能性が MDD および双極性障害の家族リスク、および BMI によって変化するという証拠を提供します。 要約すると、ネットワーク制御可能性は、MDD 患者における遺伝的、個人的、家族的リスクに関連していることを示します。 私たちは、ネットワークの制御可能性の個人差に関するこれらの洞察が、メンタルヘルスにおける治療反応予測と個別化された介入設計の機構モデルにどのように情報を提供するかを議論します。

複雑ネットワーク理論は、分散した脳領域間の相互作用に依存する動的システムとして脳を概念化します [1]。 したがって、脳は、解剖学的および機能的な接続を介してその活動を同期させる脳領域の複雑なネットワークとして見ることができます。 これに基づいて、数学的グラフ理論を利用して、脳の根底にある組織原理 [2、3] と健康と病気におけるそのトポロジカルな組織 [4、5] についての洞察が得られます。 たとえば、全体的異方性率（FA）の減少はうつ病患者の寛解状態と関連しているが、前頭、側頭、島、頭頂部の領域間の接続におけるFAは症状の重症度と負の関連があることが判明した[6、7]。 障害を越えたコネクトーム解析では、世界的なネットワークのコミュニケーションと統合の中心となる接続の混乱がさらに明らかになり、広範囲の精神的健康や神経学的状態におけるコネクトームの関与が強調されています[8]。 さらに、グラフの機械学習 (たとえば、グラフ畳み込みネットワークや強化学習ベースのグラフ分解 [9]) は、古典的なグラフ分析の実りある拡張として登場しつつあります。

古典的なコネクトーム解析は、健康と病気における脳のトポロジカルな組織化について多大な洞察をもたらしましたが、脳を能動的に操作および制御する能力を進歩させるものではありません。 しかし、脳の大規模なダイナミクスを制御するまさにこの能力こそが、精神医学における事実上すべての治療的介入を容易にするものである[10、11]。 つまり、薬物療法から心理療法に至るまで、あらゆる介入は、脳内の大規模で動的なネットワーク状態遷移を制御する試みとして概念化できます [1、12、13]。 動的システムを制御する研究と実践としての制御理論は医学と生物学 [14] のいたるところにあり、がん化学療法の最適化 [15、16] や人工臓器の設計 [17] からリアルタイム薬剤まで、あらゆる介入を枠組みとしています。管理上および非医薬品のパンデミック防御戦略 [18] - 制御問題として。

制御理論とネットワーク神経科学を統合することにより、ネットワーク制御理論の最近の進歩により、脳領域が脳状態間の動的遷移に及ぼす影響を定量化できるようになりました [1、12]。 この脳領域のいわゆる制御可能性は、異なる脳状態間の移行を制限またはサポートするその構造的接続特性に関連しており[19、20]、多数の認知領域と強く関連している[20]。 脳領域の制御性は、一般に 2 つの重要な指標によって捉えられます。一方で、平均制御性は、制御入力を拡散および増幅するシステムの能力を測定するため、低エネルギー状態遷移をサポートするノードの能力を示します。 一方、モーダル制御性は、特に急速に減衰する神経力学を制御する能力を表します [21]。 平均およびモーダル制御性尺度の正式な定義については、「方法」セクションを参照してください。

精神障害における制御可能性の変動と影響を解明することは、認知と行動の根底にある脳の大規模な状態遷移の制御が精神医学におけるすべての治療介入の中心であるため、特に興味深いものである[1、22]。 人間の脳は原理的に制御可能であるという証拠 [19] と、最近発見された認知との関連 [20、23] に後押しされて、小規模から中程度の患者サンプル数を対象とした研究で、精神障害におけるネットワークの制御可能性を調査し始めています。 まず、Jeganathan ら。 [24] は、健康な対照者 (n = 96) と比較して、双極性障害の若者 (n = 38) および遺伝的リスクの高い若者 (n = 84) では制御能力が変化していることを示しました。 同様に、ブラウンら。 [25] は、健康な対照者 (n = 178) と比較して、統合失調症患者 (n = 24) ではネットワーク制御特性が変化していることを示しました。 注目すべきことに、パークスら。 [26] は、8 歳から 22 歳までの若者の大規模サンプルを対象に、平均的な制御能力と陰性および陽性の精神病スペクトル症状との関連を調査しました。 精神障害に関連して、Kenett et al. [27] は、健康な対照者におけるベックうつ病インベントリ [28] を使用して測定した、制御能力と潜在性うつ病症状との地域的な関連性を示しました。

これらの進歩に基づいて、大うつ病性障害（MDD）における人口動態、疾患関連、遺伝的、個人的、家族的リスクに関する平均的および様式的制御可能性の個人差の包括的な特徴付けを提供します。 まず、平均とモーダル制御性に対する年齢と性別の影響を評価します。 次に、健康な対照とMDD患者の間の平均およびモード制御性を比較し、これらの尺度が年齢、性別、現在の症状の重症度、または寛解状態によって異なるかどうかをテストします。 次に、MDD 患者の平均およびモード制御性が、MDD [29]、双極性障害 [30]、および精神医学的交差障害 [31] のリスクの多遺伝子性スコア、ならびに MDD および双極性障害の家族リスクと関連しているかどうかを評価します。 最後に、平均的な MDD の脳構造の逸脱とモード制御性に関連すると以前に報告された個人の危険因子としての BMI の影響を定量化します [32、33]。

参加者はマールブルク・ミュンスター感情障害コホート研究（MACS）[34]の参加者であり、2つの異なる施設（ドイツのマールブルクとミュンスター）で募集されました。 研究プロトコルの詳細な説明については、[35]を参照してください。 参加者は18歳から65歳までで、新聞広告や地元の精神病院を通じて募集された。 すべての実験は倫理ガイドラインおよび規制に従って行われ、すべての参加者は検査前に書面によるインフォームドコンセントを受け取りました。 精神医学的診断またはその欠如を確認するために、精神障害の診断および統計マニュアルのための構造的臨床面接 - IV テキスト改訂版 (DSM-IV-TR) (SCID-I [36];) が使用されました。 MDD被験者には、現在急性うつ病エピソードがあり、うつ病が部分的または完全に寛解している人が含まれていました。 患者は入院患者、外来患者、または現在まったく治療を受けていない可能性があります。 除外基準には、神経学的異常の存在、発作の病歴、頭部外傷または意識喪失、重度の身体障害（例、癌、不安定な糖尿病、てんかんなど）、妊娠、適切な投薬を受けていない甲状腺機能低下症、閉所恐怖症、色覚異常、および一般的な MRI 禁忌が含まれていました。 （例：体内の金属物体）。 白人の被験者のみが分析に含まれました。 さらに、統合失調症、統合失調感情障害、双極性障害、または物質依存症の生涯診断は除外の理由となった。 前述の除外基準に従って被験者を除外した後、1,567 人の被験者の DTI データが利用可能でした。 DTI の品質が低いため、55 人の被験者が除外されました (品質保証手順の詳細については、以下を参照してください)。 n = 692 人の MDD 患者と n = 820 人の健康な対照の最終サンプルが制御性分析に使用されました。 社会人口統計データと臨床データのサンプル説明については、表 1 を参照してください。

MACS 研究では、マールブルク大学とミュンスター大学の精神科にある、ハードウェアとソフトウェアの構成が異なる 2 台の MR スキャナーがデータ収集に使用されました。 T1 データと DTI データは両方とも 3 T 全身 MRI スキャナー (マールブルク: Tim Trio、12 チャネル ヘッド マトリックス Rx コイル、Siemens、エアランゲン、ドイツ; ミュンスター: Prisma、20 チャネル ヘッド マトリックス Rx コイル、Siemens) を使用して取得されました。 、エアランゲン、ドイツ）。 GRAPPA 加速係数 2 が使用されました。 DTI イメージングでは、ギャップのない厚さ 2.5 mm の 56 枚のアキシャル スライスを、等方性ボクセル サイズ 2.5 × 2.5 × 2.5 mm3 (TE = 90 ms、TR = 7300 ms) で測定しました。 5 つの非 DW 画像 (b0 = 0) と、b 値 1000 秒/mm² の 2 × 30 DW 画像が取得されました。 イメージング パルス シーケンス パラメーターは、各プラットフォームで許可される範囲で両方のサイトにわたって標準化されました。 MRI の品質管理手順の説明については、[35] を参照してください。 マールブルクスキャナーのボディコイルは研究中に交換されました。 したがって、3 つのスキャナー部位 (マールブルクの古いボディ コイル、マールブルクの新しいボディ コイル、およびミュンスター) をモデリングする変数をすべての統計分析の共変量として使用しました。

コネクトームは次の手順で再構築されました [37]。 前処理の詳細については、[6] を参照してください。 [6] に従って、偽陰性ファイバー再構成と偽陽性ファイバー再構成の間の合理的なバランスを提供するために、より高度な拡散方向再構成方法ではなく、基本的な DTI 再構成を使用することにしました [38]。 各被験者について、FreeSurfer の Desikan-Killiany アトラス [39、40] の小区分の 114 領域と、これらの領域間の再構成された流線から構成される解剖学的脳ネットワークが再構築されました。 白質の接続は、連続追跡によるファイバー割り当て (FACT) アルゴリズムに基づく決定論的な流線トラクトグラフィーを使用して再構築されました [41]。 ネットワーク接続は、2 つのノード (つまり、脳領域) が少なくとも 3 つのトラクトグラフィー流線によって接続されている場合に含まれました [42]。 各参加者について、ネットワーク情報は構造的接続性マトリックスに保存され、行と列は皮質脳領域を反映し、マトリックスのエントリはグラフのエッジを表します。 エッジは、重み付けされていないグラフを作成するために、その有無によってのみ記述されます。

[6] に従って、外れ値検出の尺度には、1. 流線の平均数、2. 平均分数異方性、3. 各被験者の接続の平均普及率 (被験者が「奇数」の接続を持っている場合は低い値)、および 4 が含まれます。脳領域に接続されている各被験者の平均有病率 (被験者が一般的に見られる接続を見逃している場合は高い値)。 各指標について、四分位数 (Q1、Q2、Q3) と四分位範囲 (IQR = Q3–Q1) がグループ全体で計算され、データポイントの値が Q1 − 1.5*IQR を下回るか、Q3 + を上回る場合、そのデータポイントは外れ値として宣言されました。 4 つの指標のいずれかで 1.5*IQR。

以前に記載されているように、PsychArray BeadChip (Illumina、サンディエゴ、カリフォルニア州、米国) を使用してジェノタイピングを実施し、続いて品質管理と補完を行いました [43、44]。 簡単に言うと、補足方法で説明されているように、品質管理と母集団の下部構造分析は PLINK v1.90 [45] で実行されました。 データは、SHAPEIT および IMPUTE2 を使用して 1000 Genomes フェーズ 3 参照パネルに代入されました。

多遺伝子リスク スコア (PRS; [46]) の計算では、デフォルト パラメーターを使用して PRS-CS 法 [47] を使用して一塩基多型 (SNP) の重みを推定しました。 この方法では、ベイジアン回帰を使用して PRS 重みを推論し、1000 ゲノム参照パネルの EUR 超集団を使用してすべての SNP の局所的な連鎖不平衡パターンをモデル化します。 全体的な収縮パラメータ φ は自動的に決定されました (PRS-CS-auto; CD: φ = 1.80 × 10−4、MDD: φ = 1.11 × 10−4)。 PRS は、PLINK v1.90 で、交差疾患の症例 162,151 例と対照 276,846 例を含む、精神医学ゲノミクス コンソーシアム (PGC) によるゲノムワイド関連研究 (GWAS) の概要統計に基づく帰属線量データに基づいて、これらの重みを使用して計算されました。表現型 [31]、MDD の症例 59,851 例と対照 113,154 例 [29]。 692 人の MDD 患者のうち 637 人が PRS を利用できました。

特定の脳領域がさまざまな方法で他の領域に影響を与える能力を評価するために、制御可能性という制御理論の概念を採用します。 動的システムの制御可能性とは、外部制御入力によって動的システムの状態を特定の目標状態に駆動できる可能性を指します[48]。 状態は、単一時点における脳領域全体の神経生理学的活動の大きさのベクトルとして定義されます。 この論文では、構造的脳制御性の確立されたモデル [19] に従って、システムが式 1 のような離散ノイズのない線形時不変モデルに従うと仮定します。 1.

ここで、x は 114 の脳領域の時間的活動を表し、A は要素が 2 つの脳領域ごとの構造的接続を定量化する隣接行列、B は入力行列、u は制御戦略を示します。 制御理論における古典的な結果により、式 1 のシステムが保証されます。 1 は制御可能なノード K の集合からのもので、制御性グラミアン行列 \(W_K = \mathop {\sum}\nolimits_{i = 0}^\infty {A^iB_KB_K^T(A^T)^i} \ ) は可逆です (T は行列の転置を示します)。 脳ネットワークにおけるネットワーク制御可能性の厳密な数学的定式化は、[19] にあります。 グラミアン行列から、ネットワーク内の各ノード (脳領域) に対してさまざまな制御性の尺度を計算できます。 ここでは、脳ネットワークにおけるネットワーク制御可能性の以前の研究に基づいて、[19] で定義されているように、各参加者および各脳領域の平均制御可能性とモーダル制御可能性を計算します。

平均制御性。制御性グラミアン行列のトレースとして推定されます。すなわち \(Tr(W_j)\) ここで \(B = e_j\) は j 番目の正準ベクトル (j 番目の項目を除くすべての要素はゼロです) です。これは尺度です。制御入力を分散させる脳領域の能力。 したがって、平均制御性の高い領域を使用して、より多くの到達可能な近くの状態に向かって脳を駆動することができます。 これまでの研究では、楔前部、後帯状回、上前頭部、中心傍、中心前部、皮質下の構造など、平均して高い制御性を示す脳領域が特定されている[19]。

モード制御性 (MC) は、脳活動の急速に減衰するモード、つまり直観的に到達するのがより困難な状態を制御する脳領域の能力の尺度です。 数学的に、MC は \(\phi _j = \mathop {\sum}\nolimits_n^N {\left[ {1 - \xi _n^2\left( A \right)} \right]v_{nj}^ と推定されます。 2} \) ここで、ξj と vnj はそれぞれ A \(\left( {N = 114} \right)\) の固有値と固有ベクトル行列の要素を表します。 これまでの研究では、中心後皮質、縁上皮質、下頭頂皮質、眼窩部、内側眼窩前頭皮質、吻側中前頭皮質など、高いモード制御性を示す脳領域が特定されている[19]。

これらの定義に基づいて、単一ノードの制御性の尺度 (平均およびモーダル制御性) を推定し、全脳の制御性がすべてのノードにわたる単一ノードの制御性メトリックの平均として定義されます。

私たちの分析プロセスは次のとおりです (図 1): DTI データ (図 1a) に基づいて、一般的に使用されている解剖学的アトラスで脳全体を 114 の解剖学的に異なる脳領域 (ネットワーク ノード) に細分することにより、解剖学的脳ネットワークを定義しました [39] 、40]。 以前の研究（「イメージングデータの前処理」を参照）に従って、白質流線の数によってノード（脳領域）を接続し、各参加者にまばらで方向性のない構造的な脳ネットワークをもたらしました（図1b）。 次に、[19、48] に記載されているように、脳力学の簡略化されたモデルを適用してネットワーク制御をシミュレートし、各参加者の脳領域ごとの平均制御性とモード制御性を定量化しました。 図 1c は、時間の経過に伴う脳の動的な状態遷移を示しています。 私たちの分析では、脳の状態は 3 つではなく、アトラスに含まれる 114 の領域に対応する、時点ごとの 114 の値によって特徴付けられることに注意してください。 したがって、この空間内の点（図1cの色付きの点）は、さまざまな時点での脳の状態に対応します。 制御性パラメータは、特定の脳領域がこの空間内で動的な状態遷移を誘発する容易さに関係します (「ネットワーク制御性分析」を参照)。

拡散テンソル イメージング データ (a) から、各参加者の構造的接続性マトリックスを導き出し (b)、モーダルおよび平均の制御可能性、つまり、認知と行動の基礎となる脳状態間の動的遷移に脳領域が及ぼす影響を定量化しました (c)。 次に、それらと遺伝的、家族的、個人的リスクとの関連を調査しました (d)。

次に、年齢、性別、MRI スキャナ部位、および存在するエッジの数を共変量として ANCOVA アプローチを使用して、脳全体の平均制御性と局所的 (つまりノードごと) の制御性 (従属変数) を分析しました。 PRS を含むすべての分析では、祖先 (最初の 3 つの MDS コンポーネント) も制御しました。 また、平均値から標準偏差が 3 を超える値として定義される外れ値も削除しました。 MDD 患者のみを対象としたすべての分析では、以前の出版物 [6、49] に従って薬剤負荷をさらに制御しました。 すべての全脳分析の効果量として部分 η2 を報告し、置換を含む 1000 回の描画に基づいた 95% 信頼区間を提供します。 地域分析では、偽陽性率 0.05 で偽発見率 [50] を計算することで多重比較を制御したことに注意してください。 他のすべての構成要素 (年齢、性別、診断、症状の重症度、MDD および BD の家族性リスク、ならびに MDD、BD の多遺伝子スコア、および障害間リスク) は個別にテストされ、複数のテストでさらに補正されることはありませんでした。

まず、以前に示されているように、実年齢と性別が制御能力に関連しているかどうかを調べました [23, 51]。 実際、全脳の平均制御能力は、健康な対照者 (F(1,811) = 24.47、p < 0.001、ηp2 = 0.029292 [0.012970, 0.051426]) と MDD 患者 (F(1,686) = 15.08、p < 0.001、ηp2 = 0.021505 [0.007166, 0.043462])。 同様に、地域の平均制御性は、健康な対照とMDD患者のそれぞれ30および35の異なる地域で年齢とともに有意に変化しました（すべてp < 0.05、FDR補正。重要な地域関連性をもたらしたすべての分析の地域の完全なリストについては、補足を参照してください）結果表S1からS16）。 全脳モード制御能力は、両方の健常対照で年齢と正の相関があり (F(1,811) = 3.93、p = 0.048、ηp2 = 0.004821 [0.000101, 0.016141])、MDD 患者でも同様の傾向を示しました (F(1,685) = 2.91) 、p = 0.089、ηp2 = 0.004229 [0.000124、0.015783])。 健常対照とMDD患者の両方において、局所的なモード制御能力は33の領域で年齢とともに有意に変化した（すべてp<0.05、FDR補正）。 性別は、健康な対照（F(1,814) = 0.04、p = 0.839、ηp2 = 0.000051 [0.000004、0.004761]）またはMDD患者（F(1,687) = 0.08、p = 0.773、 ηp2 = 0.000121 [0.000003, 0.006214])。 対照的に、健康な対照とMDD患者では、地域平均制御性はそれぞれ12と13の地域で性別によって有意に異なりました（すべてp < 0.05、FDR補正）。 全脳モーダル制御性は、健康な対照では女性よりも男性の方が高く（F(1,814) = 7.58、p = 0.006、ηp2 = 0.009231 [0.001672, 0.022200]）、MDD 患者でも同様の傾向を示しました（F(1,687) = 3.73、p = 0.054、ηp2 = 0.005397 [0.000222、0.019111])。 局所的なモード制御性は、健常対照とMDD患者のそれぞれ16および18の領域で年齢とともに有意に変化した（すべてp<0.05、FDR補正）。

特に MDD における制御性に焦点を当て、患者は健常対照よりも低い全脳モード制御能力 (F(1,1505) = 7.96、p = 0.005、ηp2 = 0.005261 [0.001227, 0.012531]) を示したことを示します。 同様に、MDD 患者では全脳平均制御性値が高くなるという有意ではない傾向が観察されました (F(1,1505) = 3.08、p = 0.080、ηp2 = 0.002041 [0.000056, 0.007247])。

無症状うつ病対照者におけるこれまでの所見[27]とは対照的に、我々の結果は、ベックうつ病インベントリによって測定された現在の症状の重症度が全脳平均に及ぼす影響を裏付けるものではない(F(1,671) = 0.19, p = 0.665、ηp2 = 0.000279 [0.000005、0.006632])、または MDD 患者におけるモード制御性 (F(1,671) = 1.49、p = 0.222、ηp2 = 0.002222 [0.000038、0.011509])。 この観察と一致して、寛解状態は平均 (F(2,683) = 0.43、p = 0.649、ηp2 = 0.001264 [0.000188、0.013090]) ともモード制御性 (F(2,683) = 0.07、p = 0.935、 MDD 患者の全脳または領域レベルでの ηp2 = 0.000196 [0.000229, 0.009890])。 以前の論文と直接比較するために、健康な対照のみを分析しました。ここでも、現在の症状の重症度と全脳平均との間に有意な関連性は見つかりませんでした（F(1,793) = 0.86、p = 0.355、ηp2 = 0.001080 [ 0.000014, 0.008154]) またはモーダル制御性 (F(1,793) = 2.32, p = 0.128, ηp2 = 0.002923 [0.000053, 0.012674])。

次に、MDD 患者のコントロール能力が MDD および双極性障害の家族性リスクと関連しているかどうかを調べました。 我々は、自己申告によるMDDの家族性リスクを持つ患者の平均制御性が有意に高かったことを示し(F(1,685) = 4.87、p = 0.028、ηp2 = 0.007064 [0.000485, 0.022823])、これはMDDの平均制御性が傾向的に増加していることを反映している。患者と健康な対照者との比較。 これは、モード制御性の場合には当てはまりませんでした (F(1,685) = 2.40、p = 0.122、ηp2 = 0.003492 [0.000070, 0.015817])。

また、双極性障害の家族性リスクを持つ患者では平均制御能力も高く（F(1,685) = 10.30、p = 0.001、ηp2 = 0.014809 [0.002123, 0.038855]）、右縁上回、右下頭頂回、および右下頭頂回、および右縁上回に局所的な影響があった。楔前部。 同様に、双極性障害の家族性リスクを抱える患者では全脳モード制御能力が低く（F(1,685) = 9.69、p = 0.002、ηp2 = 0.013951 [0.002281, 0.033644]）、右縁上回に局所的な影響があった（詳細はこちら）地域分析、補足表 S15 および S16 を参照）。

この証拠に基づいて、我々は分析を多遺伝子性リスクスコアに拡張し、MDD [26] の多遺伝子性リスクスコアがモード制御性と負の相関があることを示しました (F(1,624) = 4.88、p = 0.028、ηp2 = 0.007757 [0.000446, 0.024640] ）。 同様に、疾患間リスクに関する多遺伝子リスクスコア[28]も、全脳モード制御性と負の相関があった(F(1,623) = 4.17、p = 0.042、ηp2 = 0.006650 [0.000322, 0.021361])。 さらに、MDD の多遺伝子リスク スコア [26] が平均制御性と正の相関があることを示します (F(1,623) = 3.86、p = 0.050、ηp2 = 0.006164 [0.000287, 0.021261])。 疾患間リスクに関する多遺伝子性リスクスコア[28]は、全脳の平均制御性と有意な相関はなかった(F(1,622) = 0.99、p = 0.320、ηp2 = 0.001590 [0.000012, 0.011372])。

双極性障害の家族性リスクに対する観察された効果とは対照的に、平均値 (F(1,624) = 0.21、p = 0.644、ηp2 = 0.000342 [0.000006, 0.007621]) やモード制御性 (F(1,623)) との有意な関連性は見つかりませんでした。 = 0.00、p = 0.990、ηp2 = 0.000000 [0.000011, 0.007404])、双極性障害の多遺伝子リスクスコアを伴う [30]。

BMI と MDD に関連する脳構造の逸脱を指摘する証拠が増えているため、BMI がコントロール能力に及ぼす影響を調べました。 平均的な制御性については、左上前頭回および後帯状回における負の相関、および上側頭回および左舌回における正の相関を含む9つの領域（p < .05、FDR補正）で関連性が見つかりました（補足表S13および表S13を参照）。 S14）。 正および負の領域関連性では、全脳効果は存在しませんでした (F(1,643) = 0.31、p = 0.579、ηp2 = 0.000478 [0.000008, 0.007147])。 モード制御性の分析により、6 つの領域 (p < 0.05、FDR 補正) の関与が明らかになり、左上前頭、後帯状回、上側頭回を含む同様の一連の領域が示され、予想通り相関方向が切り替わっていました。ここでも、一貫した全脳効果はありません (F(1,684) = 1.10、p = 0.294、ηp2 = 0.001611 [0.000014, 0.011596])。

結果の特異性を評価するために、身長と研究に参加する参加者の順序との関連性をさらにテストしました。 高さ (モーダル制御性: F(1,1410) = 0.88、p = 0.349、ηp2 = 0.000622 [0.000008, 0.004492]) も包含次数 (F(1,1410) = 0.41、p = 0.522、ηp2 = 0.000290 [ 0.000004、0.003831]) は、脳全体または局所レベルに何らかの重大な影響を示しました。

ネットワーク制御理論に基づいて、MDD 患者 (n = 692) および健康な対照者 (n = 820) における平均的およびモードのネットワーク制御性と遺伝的、家族的、および個人のリスクとの関連を調査しました。 まず、制御可能性の尺度は健康な対照とMDD患者の間で異なるが、現在の症状の重症度や寛解状態によっては変わらないことを確立しました。 第二に、我々は、MDD 患者のモードおよび平均制御可能性が、MDD および精神医学的交差障害リスクの多遺伝子性スコア、ならびに MDD および双極性障害の家族リスクとの関連に基づいて予測できることを示しました。 最後に、制御性が BMI に応じて変化するという証拠を提供します。 この証拠は、これらの変数の個人差が脳の制御構造に影響を与えるか（遺伝的影響の場合）、あるいは肥満指数などの場合のようにそれによって引き起こされることを示唆しています。

このような背景に対して、我々の結果は、人口動態、疾患関連、遺伝的、個人的、家族的危険因子の個人差が制御可能性に関連していることを示しています。 我々は、年齢と性別がMDD患者の制御性の尺度に影響を与えることを示した以前の研究結果[23、51]を再現した。 女性がMDDの影響を不釣り合いに受けていることを考えると、将来の研究では性差をより詳細に調査する可能性がある。

興味深いことに、主に脳全体の制御性との関連性がモーダルと平均の両方で見られ、これは脳内の単一領域だけでなく、より大きな領域のセットが状態遷移をどの程度効果的に駆動できるかについての微妙な変化を示唆しています。 これまでの研究では、事前に定義された最も制御性の高い 30 個の領域のセットに焦点が当てられており、それによってそのような脳全体の効果が潜在的に見えにくくなっているため、これは特に興味深いものです。 これは、脳を制御する一連の領域の研究に向けて電流制御性分析を拡張すること（たとえば [52] によって行われているように）が MDD にとっても有益である可能性があることを示唆しています。 さらに、すべての結果は存在するエッジの数について補正されており、基本的なグラフの特性を超えた特定の制御効果を示唆しています。

より根本的には、制御理論の概念の生物学的基礎に関する問題に対処する必要があります。この目的のために、He et al. は、制御理論の構成が脳内の灰白質の完全性、代謝、およびエネルギー生成に直接関連していることを示しました[53]。 具体的には、側頭葉てんかん患者では、健康なボランティアと比較して、大脳辺縁系ネットワークを活性化するためにより高い制御エネルギーが必要であることを示した。 同側側頭辺縁領域と対側側頭辺縁領域間のエネルギーの不均衡は、陽電子放出断層撮影法を用いて測定されたグルコース代謝の非対称パターンによって追跡され、これは非対称灰白質損失によって選択的に説明された。 この研究は、灰白質の完全性、代謝、およびエネルギー生成を制御理論の枠組みで統合する最初の理論的枠組みを提供します。 さらに、制御可能性は認知と関連しており[20、23]、MDD以外の精神障害における2つの指標が多くの研究で実証的に研究されている[24、25、26]。

制御というより一般的な観点から見ると、特定の刺激イベントの後に脳にどのような変化があるのか​​、またどの領域を刺激するのが最も効果的または効率的であるのかに答えることは、すべての治療介入にとって重要です。 電気的脳刺激という文脈でこれらの目標を達成する最初の試みが、最近有望な結果を示している[54、55]。 これに関連して、私たちの結果は、ネットワーク制御理論に基づいて将来の介入を設計する際に、個人の特性が関連する可能性があることを示唆しています。 次に、我々の結果は、経頭蓋磁気刺激や電気けいれん療法などの治療に対する反応の変動は、人口統計、疾患関連、遺伝的、個人的、家族的リスクから生じる制御可能性の違いによって説明できる可能性があることを示唆しています。 したがって、将来の研究では、ネットワーク制御理論に基づいた介入が現在のアプローチよりも効果的または効率的であるかどうかが調査される可能性があります。

いくつかの制限事項に注意する必要があります。 まず、平均制御性とモーダル制御性の計算は、脳ネットワーク制御理論に関する事実上すべての研究で採用されている、単純化されたノイズのない線形離散時間および時間不変ネットワーク モデルに依存しています [19、22、56]。 脳の明らかに非線形のダイナミクスを考慮すると、これは、1) 非線形動作は線形動作によって正確に近似できる可能性がある [57]、および 2) 線形システムと非線形システムの制御可能性は、制御可能な線形化システムが局所的に制御可能であるように関連しているため、正当化されます。非線形の場合 (詳細については [19] も参照)。

第 2 に、制御性の推定は拡散テンソル イメージング (DTI) トラクトグラフィーに基づいていますが、それ自体では構造コネクトームを正確に定量化する能力が限られています (概要については、[58] を参照)。 現在、灰白質からの推定 [59] や静止状態の機能ダイナミクス [56] など、制御性の定量化に対するいくつかの新しいアプローチが研究されています。 これらの方法による結果を経験的に比較し、理論的に調整することは、脳のネットワーク制御理論研究における堅牢なパラメータ推定にとって重要です。 さらに、例えばマールブルク・ミュンスター感情障害コホート研究（MACS [35];）から入手可能なDTI、灰白質、および安静状態の機能動態からの長期データにより、これらのアプローチの（差分）信頼性を評価することが可能になります。 。 機能的磁気共鳴画像法と組み合わせると、このアプローチは、ネットワーク制御と個々のタスク関連の活性化との関係をさらに特徴付ける機会も提供します [60]。

第三に、この研究で観察されたほとんどの効果量は小さかったことに注意する必要があります。 しかし、方法論的には、小さなサンプルは見かけの効果量を体系的に増大させるのに対し、このような大きなサンプルは真の効果量のより正確な推定値を提供することが示されています[61]。 最も重要なことは、MDD における制御性の個人差の特徴付けは、個別の影響を考慮していないが、広範な分析によって裏付けられていることです。

要約すると、ネットワーク制御理論の枠組み内で認知と精神病理学を研究する増え続ける文献を基礎にして、人口動態、疾患関連、遺伝的、個人的、家族的リスクがMDD患者の様式的および平均的な制御可能性に及ぼす影響を示します。 これにより、ネットワーク制御理論を使用して治療反応を予測し、治療計画を導き、MDD に対する新しい介入を設計する将来の研究を支援したいと考えています。

すべての PI は、それぞれの研究データとその構成要素の完全性に対して責任を負います。 すべての著者と共著者は、すべての研究データに完全にアクセスできました。

ブラウン U、シェーファー A、ベッツェル RF、トスト H、マイヤー リンデンバーグ A、バセット DS。 地図から精神障害の多次元ネットワークメカニズムまで。 ニューロン 2018;97:14–31。

CAS PubMed PubMed Central Google Scholar

Breakspear M. 大規模な脳活動の動的モデル。 ナット・ニューロシ。 2017;20:3 2017;20:340–52。

Google スカラー

バセットDS、ズルンP、ゴールドJI。 ネットワーク神経科学におけるモデルの性質と使用について。 Nat Rev Neurosci. 2018;19:566–78。

CAS PubMed PubMed Central Google Scholar

Bullmore E、Sporns O. 複雑な脳ネットワーク: 構造および機能システムのグラフ理論的分析。 Nat Rev Neurosci. 2009;10:186–98。

CAS PubMed Google Scholar

van den Heuvel MP、Sporns O. 脳の接続不全に関する障害を越えたコネクトームの状況。 Nat Rev Neurosci. 2019;20:435–46。

PubMed PubMed Central Google Scholar

Repple J、Mauritz M、Meinert S、de Lange SC、Grotegerd D、Opel N、他。 現在のうつ病の重症度と寛解状態は、大うつ病性障害における構造的なコネクトームの変化と関連しています。 モル精神科。 2020;25:1550–8。

PubMed Google Scholar

コルガオンカール MS、フォルニート A、ウィリアムズ LM、グリーブ SM。 異常な構造ネットワークは大うつ病性障害を特徴づけます: コネクトーム分析。 バイオル精神科。 2014;76:567–74。

PubMed Google Scholar

デ・ランゲSC、ショルテンスLH、ファン・デン・ベルクLH、ボクスMP、ボッツァリM、カーンW、他。 精神医学的および神経学的脳疾患全体でコネクトーム変化に対する共通の脆弱性。 ナット・ハムの振る舞い。 2019;3:988–98。

PubMed Google Scholar

Fan C、Zeng L、Sun Y、Liu YY。 深層強化学習を通じて、複雑なネットワーク内の主要なプレーヤーを見つけます。 ナット・マッハ・インテル。 2020;2:317–24。

PubMed PubMed Central Google Scholar

フォルニート A、ハリソン BJ。 脳の接続と精神疾患。 フロント精神科。 2012;0:72。

Google スカラー

Buckholtz JW、Meyer-Lindenberg A. 精神病理学と人間のコネクトーム: 精神疾患のリスクのトランス診断モデルに向けて。 ニューロン 2012;74:990–1004。

CAS PubMed Google Scholar

キム・JZ、バセットDS。 脳ネットワークの線形ダイナミクスと制御。 内: He B. 編集者。 神経工学。 チャム：スプリンガー。 2020年。

Uhlhaas PJ、Singer W. ニューロン力学と精神神経疾患: 機能不全に陥った大規模ネットワークのトランスレーショナル パラダイムに向けて。 ニューロン。 2012;75:963–80。

CAS PubMed Google Scholar

Thomas PJ、Olufsen M、Sepulcher R、Iglesias PA、Ijspeert A、Srinivasan M. 生物学と医学における制御理論: 特集号の紹介。 バイオルサイバー。 2019;113:1–6。

CAS Google スカラー

Moore H. 最適制御を使用して薬物療法を数学的に最適化する方法。 J Pharmacokinet ファーマコディン。 2018;45:127–37。

PubMed PubMed Central Google Scholar

スワンGW。 がん化学療法における最適制御理論の役割。 数学バイオサイエンス。 1990;101:237–84。

CAS PubMed Google Scholar

Smieja J. 生物学と医学における自動制御とフィードバック ループ。 インテリジェント システムとコンピューティングの進歩、vol. 920、シュプリンガー・フェルラーグ; 2020.p. 3～12。

Lin F、Muthuraman K、Lawley M. 非医薬品介入に対する最適制御理論のアプローチ。 BMC感染症 2010;10:32。

PubMed PubMed Central Google Scholar

Gu S、Pasqualetti F、Cieslak M、Telesford QK、Yu AB、Kahn AE、他構造的脳ネットワークの制御可能性。 ナットコミューン。 2015;6:1–10。

Google スカラー

Lee WH、Rodrigue A、Glahn DC、Bassett DS、Frangou S. 構造的脳制御性の遺伝性と認知的関連性。 大脳皮質。 2020;30:3044–54。

PubMed Google Scholar

Karrer TM、Kim JZ、Stiso J、Kahn AE、Pasqualetti F、Habel U 他制御性における方法論的考察の実践的なガイド。 J 神経工学 2020年。

リンCW、バセットDS。 脳ネットワークの構造、機能、制御の物理学。 自然のレビュー。 物理学 2019;1:318–32。

Google スカラー

Cornblath EJ、Tang E、Baum GL、Moore TM、Adebimpe A、Roalf DR、他。 若者の実行機能の予測因子としてのネットワーク制御能力の性差。 ニューロイメージ 2019;188:122–34。

PubMed Google Scholar

Jeganathan J、Perry A、Bassett DS、Roberts G、Mitchell PB、Breakspear M. 双極性障害の若者や遺伝的リスクが高い若者では、前頭脳辺縁系の接続不全が脳ネットワークの制御能力の障害につながります。 神経画像クリニック。 2018;19:71–81。

PubMed PubMed Central Google Scholar

Braun U、Harneit A、Pergola G、Menara T、Schaefer A、Betzel RF、他。 作業記憶中の脳状態の安定性は、ネットワーク制御理論によって説明され、ドーパミン D1/D2 受容体機能によって調節され、統合失調症では低下します。 arXiv プレプリント arXiv:1906.09290。 2019年。

Parkes L、Moore TM、Calkins ME、Cieslak M、Roalf DR、Wolf DH、他。 トランスモーダル皮質におけるネットワーク制御性は、精神病スペクトルの症状を予測します。 バイオル精神科。 2021;89:S370–S371。

ケネット YN、ビーティ RE、メダリア JD。 うつ病症状の計算ネットワーク制御理論分析。 個人的な神経科学。 2018;1:E16。

Beck AT、Steer RA、Brown G. Beck Depression Inventory – II (BDI-II) [データベース記録]。 APA 心理テスト。 https://doi.org/10.1037/t00742-000。 1996年。

ハワード DM、アダムス MJ、クラーク TK、ハファティ JD、ギブソン J、シラリ M、他うつ病のゲノムワイドなメタ分析により、102の独立した変異が特定され、前頭前野領域の重要性が強調されました。 ナット・ニューロシ。 2019;22:343–52。

CAS PubMed PubMed Central Google Scholar

Stahl EA、Breen G、Forstner AJ、McQuillin A、Ripke S、Trubetskoy V、他。 ゲノムワイド関連研究により、双極性障害に関連する 30 の遺伝子座が特定されました。 ナット・ジュネット。 2019;51:793–803。

CAS PubMed PubMed Central Google Scholar

Lee PH、Anttila V、Won H、Feng YCA、Rosenthal J、Zhu Z 他 8 つの精神疾患にわたるゲノム関係、新規遺伝子座、および多面発現機構。 セル 2019;179:1469–82.e11。

Google スカラー

オペル N、タラムトゥ A、ミラネスキ Y、グロテゲルト D、フリント C、リーニングス R 他肥満における脳の構造異常: 年齢、遺伝的リスク、および一般的な精神疾患との関係: ENIGMA MDD 作業グループの 6,420 人の参加者を含む単変量および多変量のメガ解析による証拠。 モル精神科。 2020;34:36。

Google スカラー

オペル N、レッドリッヒ R、グロテゲルト D、ドーム K、ハインデル W、クーゲル H、他。 肥満と大うつ病: ボディマス指数 (BMI) は、重篤な疾患の経過と特定の神経構造の変化に関連しています。 精神神経内分泌学 2015;51:219–26。

PubMed Google Scholar

Kircher T、Wöhr M、Nenadic I、Schwarting R、Schratt G、Alferink J、他。 主要な精神病の神経生物学: 脳の構造と機能に関するトランスレーショナルな視点 - FOR2107 コンソーシアム。 Eur Arch 精神科臨床神経科学。 2019;269:949–62。

PubMed Google Scholar

Vogelbacher C、Möbius TWD、Sommer J、Schuster V、Dannlowski U、Kircher T、他。 マールブルク・ミュンスター感情障害コホート研究 (MACS): MR 神経画像データの品質保証プロトコル。 ニューロイメージ 2018;172:450–60。

PubMed Google Scholar

Wittchen HU、Zaudig M、Fydrich T. SKID。 DSM-IV の構造化された臨床面接。 軸 I および II、手動。 ゲッティンゲン: ホグレフェ。 1997年

Collin G、van den Heuvel MP、Abramovic L、Vreeker A、de Reus MA、van Haren NEM、他 脳/ネットワーク解析により、双極性 I 型障害における影響を受けたコネクトーム構造が明らかに。 ハム脳マップ。 2016. 2016.2. 0 https://doi.org/10.1002/hbm.23017。

Sarwar T、Ramamohanarao K、Zalesky A. 拡散 MRI によるコネクトームのマッピング: 決定論的または確率的トラクトグラフィー? マグン・レゾン・メッド。 2019;81:1368–84。

PubMed Google Scholar

Hagmann P、Cammoun L、Gigandet X、Meuli R、Honey CJ、Van Wedeen J、他。 人間の大脳皮質の構造的中心部のマッピング。 PLoSバイオル。 2008。https://doi.org/10.1371/journal.pbio.0060159。

Cammoun L、Gigandet X、Meskaldji D、Thiran JP、Sporns O、Do KQ 他拡散スペクトル MRI を使用した複数のスケールでのヒト コネクトームのマッピング。 J Neurosci Methods。 2012年。https://doi.org/10.1016/j.jneumeth.2011.09.031。

モリ S、ヴァン ザイル PCM ファイバー トラッキング: 原理と戦略 - 技術レビュー。 NMRバイオメッド。 2002年。

デ・ロイスMA、ファン・デン・フーベルMP。 脳ネットワークにおける偽陽性と偽陰性の推定。 神経画像。 2013;70:402–9。

PubMed Google Scholar

Meller T、Schmitt S、Stein F、Brosch K、Mosebach J、Yüksel D、他。 統合失調症のリスク遺伝子 ZNF804A および CACNA1C と、健康な被験者における統合失調症および注意力の調節との関連性。 スキゾファー研究所。 2019;208:67–75。

PubMed Google Scholar

Andlauer TFM、Buck D、Antony G、Bayas A、Bechmann L、Berthele A 他エピジェネティックな制御に関与する新規多発性硬化症感受性遺伝子座。 科学上級 2016;2:e1501678–e1501678。

PubMed PubMed Central Google Scholar

チャン CC、チョウ CC、テリエ LCAM、ヴァティクティ S、パーセル SM、リー JJ。 第 2 世代の PLINK: より大規模で豊富なデータセットへの挑戦。 ギガサイエンス。 2015;4.

Andlauer TFM、Nöthen MM 精神疾患の多遺伝子スコア: 研究ツールから臨床応用まで。 Medizinische Genetik;32:39–45。

Ge T、Chen CY、Ni Y、Feng Y-CA、Smoller JW。 ベイジアン回帰および連続収縮事前分布による多遺伝子予測。 ナットコミューン。 2019;10:1776。

PubMed PubMed Central Google Scholar

タン・E、バセットDS。 コロキウム: 脳ネットワークのダイナミクスの制御。 Rev Mod Phys. 2018;90:31003。

Google スカラー

Meinert S、Repple J、Nenadic I、Krug A、Jansen A、Grotegerd D、他。 うつ病患者では、診断ではなく小児期の虐待が原因で分数異方性が減少します。 神経精神薬理学 2019;44:2065–72。

CAS PubMed PubMed Central Google Scholar

Benjamini Y、Yekutieli D 依存関係に基づく複数のテストにおける誤検出率の制御。 アン統計局 2001 年。https://doi.org/10.1214/aos/1013699998。

Tang E、Giusti C、Baum GL、Gu S、Pollock E、Kahn AE、他白質ネットワーク制御能力の発達による増加は、脳のダイナミクスの多様化をサポートします。 ナットコミューン。 2017;8:1252。

PubMed PubMed Central Google Scholar

Cui Z、Stiso J、Baum GL、Kim JZ、Roalf DR、Betzel RF、他エネルギー状態遷移軌道の最適化は、青少年期の実行機能の発達をサポートします。 Elife 2020;9:1–60。

Google スカラー

He X、Caciagli L、Parkes L、Stiso J、Karrer TM、Kim JZ 他エネルギー制御の生物学的基礎を明らかにする: 側頭葉てんかんにおけるエネルギー効率の構造的および代謝的相関。 科学上級 2022;8:2293。

Google スカラー

Stiso J、Khambhati AN、Menara T、Kahn AE、Stein JM、Das SR 他。 白質ネットワーク アーキテクチャは、最適な状態遷移を通じて直接電気刺激を導きます。 Cell Rep. 2019;28:2554–66.e7。

CAS PubMed PubMed Central Google Scholar

ヤン Y、コノリー AT、シャネチ MM。 制御理論的なシステム識別フレームワークと、脳電気刺激のためのリアルタイム閉ループ臨床シミュレーション テストベッド。 J 神経工学 2018;15:066007。

PubMed Google Scholar

Gu S、Deng S 機能的脳ネットワークに関する制御性分析。 2019:1–26。

Honey CJ、Sporns O、Cammoun L、Gigandet X、Thiran JP、Meuli R 他構造的な接続性から人間の安静状態の機能的な接続性を予測します。 Proc Natl Acad Sci USA。 2009;106:2035–40。

CAS PubMed PubMed Central Google Scholar

Jbabdi S、Johansen-Berg H. トラクトグラフィー: ここからどこへ向かうのか? ブレインコネクト。 2011;1:169–83。

PubMed PubMed Central Google Scholar

ジャマラバディ H、ズベラー A、クマール VJ、リー M、アリザデ S、モラディ AA 他脳の制御性の研究において灰白質の役割が欠けている。 https://doi.org/10.1101/2020.04.07.030015。

Taghia J、Cai W、Ryali S、Kochalka J、Nicholas J、Chen T、他認知時のパフォーマンスと意思決定を制御する隠れた脳状態のダイナミクスを明らかにします。 ナットコミューン。 2018;9:1–19。

CAS Google スカラー

Yarkoni T. 少数の研究における大きな相関関係: 誇張された fMRI 相関は低い統計力を反映している - Vul らに関する解説。 （2009年）。 心理科学の視点 2009;4:294–8。

PubMed Google Scholar

リファレンスをダウンロードする

この研究は、ドイツ研究財団 (DFG は TH に HA7070/2-2、HA7070/3、HA7070/4 を助成) およびミュンスター医学部の学際的臨床研究センター (IZKF) (助成金 Dan3/012/) から資金提供を受けました。 17 から UD、SEED 11/19 から NO、および MzH 3/020/20 から TH）。 HJ はテュービンゲン大学医学部の body jgrant (No. 2487-1-0) の支援を受けました。 この研究で使用される MACS データセットは、ドイツ研究財団 (Deutsche Forschungsgemeinschaft DFG; Forschungsgruppe/Research Unit FOR2107) の資金提供を受けたドイツ多施設コンソーシアム「感情障害の神経生物学。脳の構造と機能に関するトランスレーショナルな視点」の一部です。 FOR2107 コンソーシアムのそれぞれの責任分野を持つ主任研究者 (PI) は以下のとおりです: ワークパッケージ WP1、FOR2107/MACS コホートおよび脳画像検査: TK (講演者 FOR2107; DFG 助成番号 KI 588/14-1、KI 588/14-2)、 UD (共同スピーカー FOR2107; DA 1151/5-1、DA 1151/5-2)、アクセル・クルーグ (KR 3822/5-1、KR 3822/7-2)、IN (NE 2254/1-2)、カールステン・コンラッド（KO 4291/3-1）。 WP2、動物の表現型解析: Markus Wöhr (WO 1732/4-1、WO 1732/4-2)、Rainer Schwarting (SCHW 559/14-1、SCHW 559/14-2)。 WP3、miRNA: ゲルハルト シュラット (SCHR 1136/3-1、1136/3-2)。 WP4、免疫学、ミトコンドリア: Judith Alferink (AL 1145/5-2)、Carsten Culmsee (CU 43/9-1、CU 43/9-2)、Holger Garn (GA 545/5-1、GA 545/7-) 2)。 WP5、遺伝学: Marcella Rietschel (RI 908/11-1、RI 908/11-2)、MN (NO 246/10-1、NO 246/10-2)、Stephanie Witt (WI 3439/3-1、WI) 3439/3-2）。 WP6、マルチメソッドデータ分析: Andreas Jansen (JA 1890/7-1、JA 1890/7-2)、Tim Hahn (HA 7070/2-2)、Bertram Müller-Myhsok (MU1315/8-2)、Astrid Dempfle (DE 1614/3-1、DE 1614/3-2)。 CP1、バイオバンク: Petra Pfefferle (PF 784/1-1、PF 784/1-2)、Harald Renz (RE 737/20-1、737/20-2)。 CP2、管理。 TK (KI 588/15-1、KI 588/17-1)、UD (DA 1151/6-1)、カールステン・コンラッド (KO 4291/4-1)。 Projekt DEAL によって実現および組織されたオープンアクセス資金調達。

これらの著者は同様に貢献しました: Udo Dannlowski、Jonathan Reple。

トランスレーショナル精神医学研究所、ミュンスター大学、ミュンスター、ドイツ

ティム・ハーン、ニルス・R・ウィンター、ヤン・エルンスティング、マリウス・グルーバー、マルコ・J・マウリッツ、ルーカス・フィッシュ、ラモナ・リーニングス、ケルビン・サリンク、ジュリアン・ブランケ、ヴィンセント・ホルスタイン、ダニエル・エムデン、ニルス・オペル、ドミニク・グロテゲルト、スザンヌ・マイナート、ウド・ダンロウスキー＆ジョナサン補充する

ミュンスター大学、数学およびコンピュータサイエンス学部、ミュンスター、ドイツ

ヤン・エルンスティング & ラモーナ・リーニングス

ドルトムント工科大学統計学部、ドルトムント、ドイツ

マリー・ベイズマン

臨床研究学際的センター IZKF、ミュンスター大学、ミュンスター、ドイツ

ニルス・オペル

トランスレーショナル神経科学研究所、ミュンスター大学、ミュンスター、ドイツ

スザンヌ・マイナート

臨床放射線研究所、ミュンスター大学、ミュンスター、ドイツ

ウォルター・ハインデル

ドイツ、マンハイムのハイデルベルク大学マンハイム医学部、中央精神衛生研究所、遺伝疫学部門

ステファニー・ウィット＆マルセラ・リーチェル

人類遺伝学研究所、ボン大学医学部、ボン大学病院、ボン、ドイツ

マーカス M. ネーテン & アンドレアス J. フォースナー

フィリップス大学マールブルク精神医学・心理療法学科（ドイツ、マールブルク）

ティロ・キルヒャー、イーゴリ・ネナディッチ、アンドレアス・ヤンセン、ハミドレザ・ジャマラバディ

マールブルク大学医学部中核施設ブレインイメージング（ドイツ、マールブルク）

アンドレアス・ヤンセン

マックス・プランク精神医学研究所、ミュンヘン、ドイツ

バートラム・ミュラー・ミホク

ミュンヘン工科大学医学部神経内科、ミュンヘン、ドイツ

FMアンドラウアーまで

イエナ大学病院精神科・心理療法科（ドイツ、イエナ）

マーティン・ウォルター

アムステルダム自由大学神経ゲノミクスおよび認知研究センター、複雑形質遺伝学科、アムステルダム神経科学、アムステルダム、オランダ

マーティン・P・ファン・デン・フーベル

アムステルダム大学医療センター児童精神科、アムステルダム神経科学、アムステルダム、オランダ

マーティン・P・ファン・デン・フーベル

ドイツ、フランクフルトのゲーテ大学フランクフルト大学病院精神科、心身医学および心理療法科

ジョナサン・レプル

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

TH、UD、HJ、JR がこのアイデアを考案し、最初の草案を書きました。 NRW、JE、MG、MJM、LF、RL、KS、NO、DG、SM、WH、TK、IN、AJ、UD が患者を募集し、データを取得しました。 SW、MR、MMN、AJF、BMM、TFMA が遺伝データを処理し、PRS を提供しました。 MW、MPvdH、JR は、DTI 分析パイプラインを概念化し、実装し、実行しました。 NRW、JE、MG、MJM、LF、RL、KS、JB、VH、DE、MB は、統計および機械学習分析パイプラインを概念化、実装、実行し、計算インフラストラクチャを維持および実行しました。 TH、HJ、UD、JR が原稿を修正し、最終版を作成しました。

ティム・ハーンへの手紙。

著者らは競合する利害関係を宣言していません。

FOR2107 コホート プロジェクト (WP1) は、マールブルク大学 (アリゾナ州: 07/14) およびミュンスター大学 (アリゾナ州: 2014-422-bS) の医学部の倫理委員会によって承認されました。

発行者注記 Springer Nature は、発行された地図および所属機関の管轄権の主張に関して中立を保っています。

オープン アクセス この記事はクリエイティブ コモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブ コモンズ ライセンスへのリンクを提供し、変更が加えられたかどうかを示します。 この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブ コモンズ ライセンスに含まれています。 素材が記事のクリエイティブ コモンズ ライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。 このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Hahn、T.、Winter、NR、Ernsting、J. 他。 遺伝的、個人的、家族的リスクは、大うつ病性障害における脳ネットワーク制御能力と相関しています。 モル精神医学 28、1057–1063 (2023)。 https://doi.org/10.1038/s41380-022-01936-6

引用をダウンロード

受信日: 2021 年 9 月 8 日

改訂日: 2022 年 12 月 14 日

受理日: 2022 年 12 月 16 日

公開日: 2023 年 1 月 13 日

発行日：2023年3月

DOI: https://doi.org/10.1038/s41380-022-01936-6

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供