导语。 睡眠问题是青少年中最常见的健康问题之一，影响着高达40%的青少年。睡眠不足与情绪障碍之间的关系已得到充分证实，但在神经层面的理解仍不充分。并非所有失眠的青少年都会发展为抑郁或焦虑，临床医生也缺乏可靠的生物标志物来区分最脆弱的群体。发表在 Biological Psychiatry: Cognitive Neuroscience and Neuroimaging 上的一项新研究通过使用生成式深度学习来识别有失眠症状青少年的不同神经解剖学生物型，朝着解决这一问题迈出了一步。
研究发现。 由北京邮电大学金千惠和魏永斌领导的研究团队，将生成对抗网络（GAN）应用于179名报告有失眠症状青少年的结构性MRI数据。该模型分析了全脑灰质体积，并发现了两个可重复的神经解剖学子型。
A型生物型的灰质体积偏差集中在颞顶叶和枕叶区域，主要涉及与感觉处理和空间注意力相关的区域。B型生物型则呈现出不同的体积改变模式，与这些区域部分重叠，但具有明显不同的临床意义。
两组之间的行为和遗传差异十分显著。与A型生物型相比，B型生物型的青少年在DSM-5抑郁评分上显著更高（p = 0.021），表现出更多的内化行为（p = 0.041），且焦虑/抑郁综合征评分升高（p = 0.048）。这些差异从自我报告测量延伸到了基因组水平：B型生物型在重度抑郁障碍（p < 0.037）和焦虑障碍（p < 0.033）方面均携带更高的多基因风险评分。
纵向随访证实，B型生物型的脆弱性增高并非一过性效应。这些青少年随着时间的推移继续表现出较高的内化行为和焦虑/抑郁症状（p < 0.041），表明神经解剖学差异追踪的是情感风险的持续性轨迹，而非短暂阶段。
重要的是，研究者在83名有自报失眠症状的独立成人样本中验证了他们的发现。同样出现了两种相同的生物型，且B型生物型与较高的抑郁和焦虑测量值之间的关联仍然存在，证明神经解剖学子型不仅限于青少年发育阶段。
为何重要。 这项研究将失眠相关的情感风险重新定义为根植于可测量的脑结构差异的问题，而非睡眠不足的统一后果。生成式深度学习模型的使用值得关注，因为传统聚类方法通常难以处理高维神经影像数据。GAN能够学习灰质模式的潜在分布并生成合成数据以稳定训练，这可能产生比传统方法更稳健的子型。
如果能够得到复制和优化，基于生物型的分层可能产生直接的临床意义。与其将所有失眠青少年视为同质群体，临床医生有朝一日或可利用神经影像学生物型来识别那些最有可能从早期、有针对性的心理健康干预中获益的个体。例如，被分类为B型生物型的青少年可能优先接受失眠认知行为疗法结合情绪监测，而A型生物型的青少年则可仅通过睡眠卫生教育进行管理。
该研究也为睡眠障碍和情感障碍共享重叠神经生物学的观点增添了证据。B型生物型携带较高的抑郁和焦虑多基因风险评分这一事实表明，失眠与情绪障碍之间的联系并非纯粹的行为或心理层面问题。它可能从早期就部分编码于脑结构之中。
局限性。 该研究存在若干重要注意事项。样本量较为有限，包括179名青少年和83名成人。需要更大规模的多中心队列来确保生物型具有可推广性，而非仅限于特定数据集。主要生物型识别采用横断面设计，无法确定灰质差异是出现在失眠之前、之后，还是由共同第三因素引起。尽管纵向随访支持了生物型的预测价值，但未来研究应扩大随访时间和样本保留率。
依赖于自我报告的失眠症状而非多导睡眠监测或体动记录仪等客观睡眠测量，引入了潜在的报告偏倚。此外，虽然基于GAN的方法在方法学上较为复杂，但如果潜在特征未能映射到有意义的生物变异上，深度学习模型可能产生稳定但临床无关的子型。
最后，该研究未探讨这些生物型是失眠所特有，还是可能与原发性抑郁症或焦虑障碍中观察到的神经解剖学子型重叠。纳入精神科对照组进行比较研究将有助于澄清特异性。
结论。 有失眠症状的青少年并非单调群体。通过对灰质体积数据应用生成式深度学习，可以识别出两种不同的神经解剖学生物型，其中一种生物型在行为和遗传水平上一致预测更高的抑郁和焦虑风险。这些发现为青少年失眠相关情感障碍的个性化风险分层和靶向干预开辟了道路，但需要更大、更多样化的样本才能将生物型转化为临床工具。
来源. Jin Q, Zhao S, Wang M, Wang Z, Qi T, Zhong S, Li A, Liu Y, Wei Y. Neuroimaging-derived biotypes of self-reported insomnia symptoms are differentially associated with affective symptoms. Biol Psychiatry Cogn Neurosci Neuroimaging. 2026. doi:10.1016/j.bpsc.2026.06.014. PMID: 42398825.
婷 翻译