与生物型酒精和尼古丁使用障碍功能连接的机器学习

论文总结

一、研究背景

1. 酒精使用障碍（AUD）、尼古丁使用障碍（NUD）病因高度异质，共病普遍，传统诊断缺少神经生物学亚型（生物型）支撑，不利于精准诊疗。
2. 静息态功能连接（FC）可揭示成瘾脑环路异常；现有分类模型未区分疾病亚型，预测效果有限；影像结合基因组有望挖掘亚型特异生物标记。
3. 提出跨诊断思路，结合无监督聚类、多任务神经网络（MTL）对 AUD/NUD 分生物亚型，同时挖掘影像与遗传标志物。

二、实验数据与预处理

1. 数据源：英国生物银行（UKB），最终 850 人：AUD140 例、NUD249 例、健康对照（HC）461 例；拆分发现集 765 人、独立验证集 85 人。
2. 数据类型：静息态 rsfMRI 提取 268 脑区、35778 组 FC；候选基因 SNP 基因型；抑郁、焦虑、物质滥用临床量表。
3. 预处理：校正头动、年龄性别混杂，筛选与成瘾、情绪显著相关 FC 特征；采用 UMAP 非线性降维。

三、核心研究方法

1. 生物亚型划分：筛选显著 FC 特征→UMAP 降维→K-means 聚类，通过轮廓系数确定最优 3 类亚型。
2. 三类神经网络对比：
   • 基线 ANN：单独分类 AUD/NUD，无多任务、无亚型信息；
   • MT-ANN：多任务联合预测 AUD、NUD，不使用亚型；
   • MT-ANN-WB：多任务学习 + 亚型得分作为模型输入（本文新方法）。
3. 遗传关联：将亚型归属得分作为数量性状，筛选跨数据集可重复 SNP 位点。

四、核心实验结果

1. 划分出 3 种稳定成瘾生物亚型（临床特征差异显著）
   • 单纯尼古丁型（Primary NUD）：以尼古丁成瘾为主，抑郁焦虑程度低；
   • 烟酒共病伴抑郁焦虑型：烟酒混用，情绪症状最重；
   • 烟酒混合型：酒精依赖占比最高，情绪症状轻微。
2. 脑功能连接标志物（小脑、视觉皮层为核心区分环路）
   • 单纯 NUD：脑岛、缘上回、额下回连接异常；
   • 伴情绪共病亚型：视觉皮层相关 FC 差异最多；
   • 三类亚型两两区分均依赖小脑与感觉皮层功能连接。
3. 分类性能：MT-ANN-WB 效果最优（AUD AUC=0.76，NUD AUC=0.74），显著优于基线单任务模型。
4. 遗传发现：TNRC6A 基因 rs11646987 位点在发现、验证集均与「烟酒混合亚型」显著相关，不分型时无法检出。

五、核心结论

1. 基于全脑功能连接可将 AUD/NUD 划分为 3 类神经生物亚型，各亚型拥有独特临床情绪、脑环路特征。
2. 融合亚型先验的多任务神经网络大幅提升成瘾疾病判别准确率，亚型划分可降低样本异质性。
3. 小脑、视觉皮层功能连接是区分成瘾亚型关键影像标记；TNRC6A 是烟酒共病亚型特异性遗传位点。
4. 跨诊断生物分型 + 多任务学习，为成瘾精准分型、生物标志物挖掘提供可行范式。

六、研究局限

1. 单中心 UKB 数据，缺少外部独立大队列验证；
2. 仅采用候选基因分析，未开展全基因组关联研究；
3. 抑郁 / 成瘾指标为问卷自评，无临床结构化诊断；横断面研究无法判断时序因果；未纳入多模态脑影像。

摘要

背景：磁共振成像为研究酒精使用障碍（AUD）、尼古丁使用障碍（NUD）及遗传学研究的神经表型提供了非侵入性工具。基于数据的跨诊断方法有望为AUD和NUD的神经生物学提供新的视角。方法：利用英国生物样本库中AUD患者（n=140）、NUD患者（n=249）和健康对照组（n=461）样本，我们整合了临床、神经影像和遗传标志物，识别AUD和NUD的生物型。我们根据与临床指标相关的静息-功能连接性（FC）特征，对AUD和NUD参与者进行了划分。训练了多任务人工神经网络，用于评估簇定义的生物型，并联合推断AUD和NUD诊断。结果：鉴定出三种生物型——原发性NUD、伴抑郁和焦虑的混合NUD/AUD以及混合AUD/NUD。包含生物类型知识的多任务分类器在曲线下面积（AUD：0.76，NUD：0.74）高于无生物类型区分的单任务分类器（AUD：0.61，NUD：0.64）。小脑FC的特征在区分这三种生物型中起到了重要作用。混合NUD/AUD伴抑郁和焦虑的生物型显示出最多的FC特征（n=5），均与健康对照组显著不同，并在复制样本中得到验证（p，0.05）。TNRC6A中的多态性与AUD/NUD混合生物型在发现组（p = 7.3 3 1025）和复制组（p = 4.2 3 1022）组中均有关联。结论：利用FC特征进行生物分型和多任务学习，可以表征AUD和NUD的临床和遗传特征，并帮助识别小脑和视觉回路标志，以区分AUD/NUD组与健康对照组。这些标记支持着不断增长的文献体系。

引言

酒精使用障碍（AUD）和尼古丁使用障碍（NUD）在病因上具有异质性，包含具有不同使用行为、后果和神经生物学基础特征的亚表型（1,2）。类型学研究帮助完善了DSM和ICD中物质使用障碍的分类（3,4）。然而，临床特征的实证亚型并不反映这种异质性，也无法指导治疗决策（5,6）。因此，为了增强亚型的有效性，美国国家精神卫生研究院制定了研究领域标准，包含生物和神经标记以识别生物型（7–10）。积累的证据支持一种跨诊断方法，突破传统诊断界限，或搁置传统界限，提供关于 AUD 和 NUD 病因及表现的新见解。由于吸烟和饮酒常共发生（11），单独的AUD或NUD神经回路功能障碍不太可能致病（12–14）。创新的机器学习方法可以帮助刻画AUD和NUD所独特或共享的神经回路。虽然遗传因素对精神疾病诊断异质性有贡献（6,15），但整合神经影像学和基因组数据有助于表征异质性，并揭示中间表型，从而将个体归类为一个广泛的诊断实体（16）。 研究已成功利用磁共振成像（MRI）量化AUD或NUD患者与健康对照组（HC）参与者之间的结构和功能脑部差异（17–20）。例如，酒精滥用对丘脑和海马体的影响尤为严重（21–24）。长期酗酒会导致丘脑功能障碍，极端表现为科尔萨科夫综合征（25）。吸烟可以通过基础前脑回路影响大脑功能，正如临床前研究所示，这些回路支持注意力和认知控制（26）。影像学研究还显示，大脑功能连接性（FC）与酒精和尼古丁滥用相关（27–30），这暗示了在AUD（31–36）和NUD（37–39）中静息状态和任务挑战期间的皮质壁连接障碍。然而，目前尚不清楚这些FC的变更是针对AUD和NUD的特有变化，还是与经常共存的AUD和NUD共享。 本研究中，我们使用英国生物样本库（UKB）（40）数据，根据其全脑FC特征，识别AUD和NUD患者的神经生物型，这些特征源自静息状态功能性MRI（RSFMRI）。首先，我们利用连接特征来识别生物型，比使用相同参与者但未进行生物型区分的分类方案更准确地区分AUD和NUD个体与头型参与者。其次，我们提出了并验证了一种新型人工神经网络（ANN），以利用生物型知识，通过多任务学习（MTL）共同推断AUD和NUD。MTL是一种机器学习原理，当假设任务（这里指预测AUD和NUD）相关时，可以联合估计多个推理任务的模型。第三，采用所提方法，我们识别出区分生物型的FC标志。最后，我们探讨了生物型的遗传关联，以识别仅比较AUD/NUD和HC组无法发现的变异

方法与材料

参与者与临床测量

我们评估了21,400名参与者的ICD-10（41）诊断代码，同时包含UKB数据库中的RSFMRI和T1解剖影像数据，并将F10和F17任意子代码的参与者分别归类为AUD和NUD组。我们排除了AUD/NUD样本中ICD-10编码其他精神或任何神经系统疾病（除轻度或未明确的抑郁和焦虑外）的参与者，并将无ICD-10编码的参与者识别为HC参与者。样本包括198名AUD患者（AUD组）、499名NUD患者（NUD组）和4956名HC参与者（HC组）。我们分析中使用的其他UKB临床变量包括抑郁和焦虑症状（“近期抑郁感”和“近期紧张或焦虑感”编码为1=完全无;2=数天;3=超过一半天;4=几乎每天出现，以反映症状严重程度的增加）以及ICD-10编码，表示个人精神活性物质滥用史（Z86.4）。 抑郁（F32.0轻度;F32.9 未明确说明）和焦虑（F40.9 未明确恐惧症;F41.9 未明确的焦虑）。 我们选择了规模最大的NUD和HC参与者组，这些组在年龄、性别、种族/族裔以及焦虑和抑郁症状程度上与AUD参与者（最小组）匹配。我们排除了图像不完整或质量较差的参与者，包括rsfMRI扫描时头部运动达到1.5毫米的参与者。最终样本850人包括AUD组140人、NUD组249人和HC组461人（统计数据见表S2）。

FC特征

UKB成像数据通过配备32通道磁头线圈的西门子Skyra 3T磁共振扫描仪，采用UKB成像工作组开发的协议采集。RSFMRI的成像参数此前已有描述（42,43）。简而言之，静息状态数据在睁眼6分钟时收集（重复时间=0.735秒，多频带加速度因子=8）。 RSFMRI数据采用SPM12处理（44）。首先对每位参与者的图像进行重新对齐（运动校正），并从重新对齐后的图像体积中构建平均功能图像体积。这些平均图像与高分辨率结构磁化制备的快速成像共存采集梯度回波图像，并进行分段进行仿射配准后进行非线性变换进行归一化。结构体积确定的归一化参数随后应用于每个参与者对应的功能图像体积。然后在半最大值下，用4毫米高斯核进行平滑处理。数据中剔除了无关紧要的协变量，包括线性、二次和立方漂移，运动参数的24参数模型（45），以及平均脑脊液、平均白质和全局信号。数据通过零均值单位方差低通高斯滤波器（截止频率约0.12 Hz）进行时间平滑处理。一个包含268个感兴趣区域（46）的相关矩阵为每个参与者生成了35,778个独特的FC标记。

基因型

136名AUD患者、238名NUD患者及452名头脑癌参与者的基因型数据均可查阅。DNA样本从血液中提取，并使用Applied Biosystem UK BiLEVE公理阵列或Applied Biosystem UK生物样本库Axiom阵列进行基因分型（47）。推估基因型使用单倍型参考联盟作为补值参考面板。尽管存在全基因组单核苷酸多态性（SNPs），但样本量不足以进行全基因组关联研究（GWAS）。因此，我们通过识别NHGRI-EBI（国家人类基因组研究所和欧洲生物信息学研究所）GWAS目录（48）中曾与AUD和NUD相关的基因，以及英国境内84个AUD和NUD相关基因中的12,772个SNPs，进行了候选基因分析。

机器学习分析

总体分析目标和日常。在850名参与者中，765人（90%，AUD n = 126，NUD n = 225，HC n = 414）用于发现，85人（AUD n = 14，NUD n = 24，HC n = 47）用于复制。发现集进一步分为训练组（n=680，其中AUD组111个，NUD组201个，HC组368个）和验证组（n=85;AUD组15个，NUD组24个，HC组46个），以便无需使用复制集即可验证分类器。表S3显示了训练和重复样本的人口统计和临床特征。 图1展示了解析过程。尽管性别是关键因素，但由于性别分层分析降低了可用统计能力，我们在计算每个FC特征时，通过在训练数据的线性模型中回归年龄和性别，考虑了协变量效应（49,50）。验证和复制数据集均使用相同的线性训练数据模型进行校正。训练样本用于识别具有特定FC特征的生物型，并创建分类器，以区分AUD或NUD组与HC组。验证样本用于比较分类器并选择分类准确率最高的模型。选定的分类器为每位参与者生成定量评分，反映其特定生物型的归属，这些评分也作为遗传关联测试中的定量性状。在复制过程中，经过验证的分类器为应用于复制样本以评估分类准确性。发现过程中识别出的FC和遗传标记也进行了复制测试。

特征选择、维度缩减与生物类型鉴定的聚类分析。首先，我们搜索与《参与者与临床指标》中描述的任一临床特征显著相关（Spearman排名顺序）的顶尖FC特征。为了根据与AUD/NUD相关的FC特征识别生物型，我们根据Wilcoxon秩和检验，选择了HC组与AUD或NUD组之间显著差异的顶尖FC特征。我们将这些特征结合进行聚类分析，将显著性阈值设为p = 0.05、p = .01、p = .005和p = .001，以识别出4组FC特征。我们选择了生物分型表现最好的那组。 我们使用统一流形近似与投影（UMAP）降低了数据的维度，这是一种新颖的非线性维度降减和可视化技术（51）。UMAP 在寻找低维空间以映射高维数据时，保持参与者在样本中的接近度。我们使用UMAP将4个识别出的FC特征集分别压缩为2、3和4维，形成了12个不同的UMAP表示。对于每个表示，使用K均值和层级聚类推导参与者聚类，聚类数量（2–4）由平均轮廓系数决定，该系数是群组内相似度与其他聚类的比值，广泛应用于机器学习（52）、生物信息学（53）和神经科学（54）研究。我们为12种生物型分析方案分别训练了分类器，并选出了表现最佳的方案。最后的群组在人口统计学、临床特征及FC特征方面进行了比较。

区分AUD和NUD个体与头型肝细胞参与者。生物型分析有助于减少参与者间酒精和尼古丁相关FC特征的异质性，并促进AUD和NUD组的分类。我们构建了一个人工神经网络，进行MTL分析，以同时区分AUD组或NUD组与HC组。生物型评分计算后用于预测AUD或NUD组成员资格（工作流见图S1）。所得的分类器随后被应用于对复制受试者进行分类以进行绩效评估。人工神经网络的输入是一个全脑FC矩阵，包含35,778个不同对两项相关性，涵盖268个感兴趣区域。为了减少人工神经网络中可训练参数数量及模型过拟合风险，人工神经网络进行了特征提取，将高维全脑FC矩阵映射为低维表示（补充方法）。 为检验生物分型和/或MTL是否改善分类，训练了3个ANN模型并比较其表现：1）一个训练用于将AUD/NUD个体与HC直接分类的模型，2）一个训练用于联合分类AUD/NUD个体的模型，3）我们的方法，首先根据上述低维表示计算生物型评分。随后，我们利用MTL联合推断AUD和NUD分数，使分类器能够同时使用AUD和NUD样本进行训练。为训练该MTL模型，我们最小化了一个新的目标函数，测量生物型分类误差，同时测量整体AUD和NUD分类误差（对比对照组）。另外两种模型的目标函数详见补充方法。通过比较验证样本中所得AUD和NUD分类器在接收机工作特征曲线（AUCs）下的面积，我们选择了最佳的聚类解和相应的分类器。 通过置换检验，统计显著性被估算为上述三种分类器中是否有一者表现显著优于偶然。我们随机排列了发现和复制组中的AUD、NUD和HC标签。对于每个置换发现数据集，我们使用这三种方法训练人工神经网络分类器，在复制样本中分类AUD/NUD，并测试置换分类性能是否显著差于非置换人工神经网络。我们重复了这一过程1000次，并报告了分类准确率的统计显著性。我们利用自助法（55），考察了生物类型知识和MTL是否提升了分类表现。对于这3个模型，我们从训练、验证和复制数据集中进行了替换抽样，使得3个新的（自助）数据集大小与原始数据集相同。我们使用自助式数据集来训练、选择和评估人工神经网络模型。在重复了1000次自助法后，我们报告了三款模型自助法结果差异的统计显著性。

生物型的交叉验证。我们通过将训练组中的所有参与者分为4个170个验证折叠来进行交叉验证。对于每个折叠，我们用剩余3个折叠的样本训练人工神经网络模型（n=510）。利用拟合的人工神经网络模型，我们为验证折面参与者生成生物型预测并计算AUC。 该过程对四个验证折叠中重复进行。生物型效度通过进行置换检验（1000项试验）评估，以检验交叉验证的AUC是否显著优于偶然（0.5）。验证折叠还被用来确定将最终分类器的概率输出转换为生物型分配的阈值，方法是最小化分类器特异性与灵敏度之间的绝对距离。我们应用该阈值将复制集中38名AUD/NUD参与者分配到不同的生物型，以验证发现过程中识别的所有FC特征。

遗传关联分析。人工神经网络分类器计算了生物型在生物型评分层的成员得分，以及在最后一层测量AUD和NUD概率的得分（见图S1）。最佳人工神经网络模型中的生物型成员关系和AUD/NUD评分被作为定量性状进行遗传关联分析，以识别SNP。我们使用GEMMA软件（56）对训练样本中的5个性状进行了关联测试，年龄和性别为协变量，并在复制集中复制已识别的遗传标记。GEMMA采用线性混合模型，修正通过高质量推算的全基因组单核细胞偏好（SNP）计算出的遗传关系矩阵，关联个体之间的相关性（信息评分$0.75），适用于所有参与者。排除了适用于 0.95% 参与者或 HardyWeinberg 平衡 p 值为 1.0 3 1027 的 SNP。每个性状的关联测试中去除了5%次要等位基因频率的SNP。最后，80个基因中剩下3096个SNP（详见表S4）。由于对所有SNP进行Bonferroni校正会对非真正独立的SNP进行过度校正，我们估计了独立SNP的数量（57）。我们识别了选定SNP的连锁不平衡（LD）区块，并通过统计每个LD区块1个SNP加上区块外的所有SNP来评估该数量。由于训练和复现参与者中有0.90%是英国白人，我们仅考察了英国白人参与者的结果。样本的人口统计数据汇总于表S5。完整样本的结果收录于表S6和S7中。

图2。功能连接性（FC）特征显著区分了每种生物型。（A）原发性尼古丁使用障碍（NUD），（B）混合性NUD和酒精使用障碍（AUD）伴抑郁和焦虑生物型，以及（C）健康对照组在发现组和重复组中混合使用AUD/NUD组（Wilcoxon秩和检验，p，0.05，Bonferroni校正）。感兴趣区域以颜色编码，节点大小按节点度数比例。边缘根据特征效应进行颜色编码：红色，生物型的FC值。平均而言，控制;蓝色，生物型，对照，平均而言，而边缘厚度对应于FC特征差异平均值的绝对值。脑轴视图中的数字是关注区域的索引，其轴向、冠状、矢状切片视图及三维渲染视图可见图S3。关于FC功能的详细信息可见表S9a。每个面板中，从左到右分别展示了脑部的矢状面、轴向和冠状体视图。IFG，下额回（眼域部）;ITG，下颞回;左左;PSC，初级感觉皮层;右边是R;SMG，上缘回;SVC，次级视觉皮层;VAC，视觉联想皮层。

结果

AUD/NUD 生物型及 FC 特征

图3。功能连接性（FC）特征显著区分了这三种生物型。（A） 原发性尼古丁使用障碍（NUD）与混合性NUD及酒精使用障碍（AUD）伴抑郁和焦虑，（B） 原发性NUD与混合AUD/NUD，以及（C）混合NUD/AUD伴抑郁和焦虑与混合AUD/NUD，均在发现组和重复组中进行（Wilcoxon秩和检验，p，0.05，Bonferroni校正）。感兴趣的区域以颜色编码，节点大小按节点度数缩放。边缘根据特征效果进行颜色编码：红色，前者的FC值。后者生物型平均分布;平均而言，蓝色、前者、后者生物型，而边缘厚度对应于FC特征差异的平均值。脑轴视图中的数字是关注区域的指标，其轴向、冠状、矢状面切片及三维渲染视图可见图S3。关于FC功能的详细信息可见表S9b。每个面板中，从左到右分别展示了脑部的矢状面、轴向和冠状体视图。AX，焦虑;DE，抑郁症;左左;PSC，初级感觉皮层;右边是R;STG，上颞回;SVC，次级视觉皮层。

在校正年龄和性别后，基于训练集的Spearman秩相关和Wilcoxon秩和检验分别识别出9344、2240、1155和237个FC特征，分别为p、0.05、p、0.01、p、0.005和p为0.001。对于四个特征集中的每个，UMAP将322名AUD和NUD参与者的数据简化为更少维度（维度=2、3和4）。按照机器学习分析中描述的分析流程，通过对4维UMAP空间中237个FC特征（对应p，0.001）进行K均值聚类，实现了三簇生物类型分析，结果显示验证AUC的几何平均值最高（AUD： 0.81， p = ：003;NUD：0.87，p ， .001，置换检验）用于AUD和NUD分类器。对3种生物型的交叉验证分别得出1、2和3型的AUC值为0.77、0.79和0.70（p，0.005，置换检验）（见图S2）。 生物型和头盔参与者在人口统计学上相当（见表S8）。表1列出了三种生物型之间以及生物型与头脑癌参与者之间显著差异的临床指标。所有生物型在大多数酒精使用和精神指标上得分均高于HC组，且在抑郁和焦虑的严重程度以及AUD或NUD参与者比例上存在显著差异。生物型1的大多数参与者（81.4%）患有NUD;我们把它命名为Primary NUD。生物型2和3的AUD和NUD比例混合，生物型2的AUD低于3（38.9%对52.7%）。生物型2的抑郁和焦虑症状比生物类型1和3更严重。因此，我们将生物型2命名为混合NUD/AUD伴抑郁和焦虑（DE/AX），并将生物型3命名为混合抗核和核反应障碍（NUD）。 我们比较了237个选择的FC特征中的生物型和对照组参与者。表S9提供了FC中Wilcoxon秩和检验的结果和可重复性显著区分任何生物型与对照组的特征（p ， .05， Bonferroni 校正）（详见表S10）。在图2中，使用BrainNet Viewer（58）——一种用于人类脑连接组学的可视化工具，我们展示了在复制集中验证的FC特征（p，0.05）。图3中，我们还区分了三种生物型中的FC特征。

区分AUD和NUD患者与头发型参与者：生物分型的影响

我们比较了复制组中3个模型的AUC：基线ANN、MTL ANN和MTL ANN与生物类型知识。结合生物分型和MTL，人工神经网络模型在预测AUD（0.76，p， .001，置换检验）和NUD预测（0.74，p = .001）方面均获得最高AUC。即使是仅有MTL的人工神经分析（澳元：0.75，p = .001;NUD：0.68，p = 0.01）优于基线人工神经线（无MTL，无生物型，AUD：0.61，p = 0.01;NUD：0.64，p = 0.02）。自助法检测显示，在区分AUD和HC时，结合生物类型知识的MTL ANN（AUC = 0.71 6 0.10）显著优于基线ANN（AUC = 0.68 6 0.09，p = .002）和MTL ANN（AUC = 0.68 6 0.09，p = .01）;对NUD分类也得出相同结果，自助法测试分别得出p = 7.2 3 1026（0.70 6 0.08 vs. 0.67 6 0.08）和p = 8.8 3 1024（0.70 6 0.08 vs. 0.68 6 0.08）（见图4）。

遗传关联分析

图4。人工神经网络（ANN）分类器的自助测试（n = 1000）：1）ANN：基线人工神经网络，分别训练用于直接分类酒精使用障碍（AUD）或尼古丁使用障碍（NUD），并将其与健康对照组（HC）参与者区分开;2）MT-ANN：ANN训练能同时分类AUD和NUD但不了解生物型;3）MT-ANN-WB：ANN接受培训，能够同时分类AUD/NUD生物型。*p ， .05， **p ， .005， ***p ， .0005.AUC，即接收机工作特征曲线下的面积;MTANN、带有多任务框架的ANN;MT-ANN-WB，ANN，具备多任务框架和生物类型知识。

在训练集中的3096个SNP中，我们识别出364个LD区块和317个区块外的SNP。考虑到681有效Bonferroni校正检验中，发现时显著阈值设为7.4 3 1025，复制阈值为0.05。表2列出了三种生物型中识别出的前3个SNP。发现过程中无SNP与AUD或NUD诊断显著相关。TNRC6A中一个SNP（rs11646987）与混合AUD/NUD显著相关（发现p = 7.3 3 1025，复制组p = 0.042）。在整体样本中，同一SNP的p值较低（p = 4.9 3 1025 vs. p = .042）。

讨论

我们利用连接性标记对AUD和NUD个体进行了生物分型。与对照组区分了三种生物型——原发性NUD型、混合NUD与DE/AX以及混合AUD/NUD型，均具有明显的FC特征和临床特征。支持生物型的许多FC特征涉及小脑和视觉皮层。重要的是，生物型分化和MTL均提高了人工神经网络在区分AUD和NUD参与者与头顶参与者的准确性，这一点可从复制结果中得到证明。当前研究结果强调了对AUD和NUD参与者进行生物分型对提升深度学习模型预测AUD/NUD表现的重要性。生物分型还发现了一个在未分化样本中未明显的遗传标记。这些发现通过减少FC特征的异质性，进一步推动AUD（59–61）和NUD（62,63）诊断生物标志物的开发，从而区分AUD和NUD个体与对照组，并通过应用从AUD（或NUD）样本中交叉学习的知识在MTL中应用，提高分类准确性。 FC特征与精神病诊断呈高度非线性关系（64,65）。线性降维（例如使用主成分分析）得出较差的聚类解（见图S4）。作为一种非线性算法，UMAP 通过迭代过程在保持样本接近性的情况下，在低维空间中寻找坐标，从而降低 FC 特征的维数。在这里，维度缩减有助于 AuD/NUD 个体的 K 均值聚类。FC特征对分类有非线性贡献;因此，我们使用Wilcoxon秩和检验来识别区分生物型的连通性特征。 主要NUD生物型与对照组相比，岛叶和下额回（眼眶部部分）连接性发生改变，这与之前关于岛叶在维持吸烟成瘾中关键作用（66）以及重度吸烟者边缘上回整体效率降低（67）的发现一致。区分HC参与者其他两种生物型的复制FC特征是小脑和次级视觉皮层。虽然小脑以其在条件反射、学习和感觉运动控制中的作用而闻名，但最新研究强调其在奖励、动机和认知控制中的作用，以及其回路功能障碍是导致酒精和尼古丁等物质滥用的因素（68–72）。早期研究发现，酒精依赖可能影响次级视觉皮层的静息状态FC特征（73,74），尼古丁滥用会影响视觉信息处理（75）。例如，许多人直接证明了慢性重度饮酒中视觉皮层及其他脑区FC特征的变化（76–78）。长期尼古丁暴露与视网膜电图和视觉诱发电位改变相关（79），以及在无视觉刺激的情况下条纹外区域活动升高（80）。此外，吸烟还引发了视网膜的多种分子变化，影响视觉皮层的处理（81,82）。最后，在抑郁和焦虑评分较高的视觉皮层相关FC特征中，与混合NUD/AUD与DE/AX组的组别相比，HC组的显著差异大于混合AUD/NUD组组，可能影响视力障碍与抑郁症的关联（83,84）。 这三种生物型可成对区分，FC特征涉及小脑。混合NUD/AUD伴DE/AX与小脑FC中与主发性NUD的混合型不同，而主发性NUD和混合AUD/UD与小脑FC中与初级感觉皮层的差异也不同。这些发现与小脑在情感功能中的作用（85页）以及酗酒个体中小脑功能障碍（86页）相符。由于小脑与初级和关联感觉皮层的连接，在处理感觉信息方面起到了重要作用，而小脑功能障碍可能引发神经精神疾病中已观察到的多种感知障碍（87）。 TNRC6A中的SNP（rs11646987）与混合AUD/NUD生物型显著相关，且在LD调整后的Bonferroni校正p值为7.3 3 1025，并在复制组中得到验证（p = .04）。早期GWAS报告TNRC6A与酒精（88,89）和尼古丁滥用（90,91）指标相关，与当前发现一致。值得注意的是，我们仅通过生物分型识别了该SNP与AUD和NUD性状的关联。 我们的研究存在局限性。首先，发现和重复样本均来自单一研究;需要独立的测试样本以排除潜在的研究特异性混杂因素。为最大化验证发现的客观性，我们排除了重复集，这与之前的AUD和NUD分类研究不同[例如，（92–97）]。其次，尽管UKB数据集规模庞大，但经过质量控制和排除后，仅有少数参与者同时拥有RSFMRI T1解剖和遗传数据。因此，我们没有进行GWAS，而是从之前的GWAS中提取SNP，并鉴定出1个显著相关的SNP。第三，UKB未包含临床验证的抑郁、焦虑或物质使用指标，且自述的低分辨率抑郁与焦虑评分或AUD/NUD代码可能限制了分析。此外，本研究中使用的诊断代码来自于影像扫描前收集的患者健康记录。目前没有关于当前药物使用的数据，这也可能影响影像学结果。第四，当前研究是横断面研究，尚待观察这些已识别的连接特征在吸烟者和饮用者的生物分型中是否保持稳定。最后，尽管我们在生物分型和分类方案中未纳入灰质体积和图论网络测量等其他神经标记（98–101），但未来工作应利用多模态成像标记在物质使用障碍生物分型中的潜力。