精神分裂症是一种异质性极高的精神疾病，其临床表现、病程和治疗反应在不同患者之间存在显著差异。这种异质性使得个性化治疗和准确预后变得极为困难。尽管有多种典型和非典型抗精神病药物可供选择，但除了氯氮平在难治性精神分裂症中的有效性外，其他药物的疗效差异尚不明确。近年来，免疫失调在精神分裂症中的作用引起了广泛关注，研究表明血液、脑脊液和中枢神经系统中的免疫细胞数量、炎症标志物和抗体水平在精神分裂症患者中存在异常。这为通过炎症标志物识别生物标志物提供了新的可能性，有助于预测治疗反应或耐药性。

本研究旨在通过机器学习技术，基于血液中的炎症标志物，构建预测模型，将精神分裂症患者分为三类：抗精神病药物反应良好（ARE）、氯氮平反应良好（CRE）和氯氮平耐药（CRT）。研究共纳入了146名精神分裂症患者（49名ARE、68名CRE、29名CRT）和49名健康对照。通过Olink Target 96炎症面板对血浆中的免疫标志物进行定量分析，并使用支持向量机（SVM）分类器进行模型训练和评估。研究采用了留一法交叉验证，并通过递归特征消除（RFE）方法识别相关蛋白标志物。研究构建了三个独立的二元分类模型：第一个模型用于区分健康对照与精神分裂症患者（AUC = 0.74），第二个模型用于区分抗精神病药物反应良好与难治性患者（AUC = 0.88），第三个模型用于区分氯氮平反应良好与耐药患者（AUC = 0.78）。

图1 ：实验方法与实验设计

研究结果显示，机器学习模型能够有效区分不同治疗反应的患者群体。在区分健康对照与精神分裂症患者时，模型识别出18个最具影响力的蛋白标志物，其中11个在健康个体与精神分裂症患者之间存在显著差异。这些蛋白主要涉及炎症过程，如Jak-STAT、NF-κB、MAPK、RAS和TNF信号通路。在区分抗精神病药物反应良好与难治性患者时，模型识别出5个显著差异的蛋白标志物，其中CCL25是唯一与抗精神病药物反应相关的标志物。然而，在区分氯氮平反应良好与耐药患者时，未发现显著差异的蛋白标志物。

研究结果表明，机器学习技术在识别精神分裂症患者治疗反应的生物标志物方面具有显著优势。与传统的统计方法相比，机器学习能够同时处理多个特征，捕捉复杂的非线性关系，从而揭示传统方法可能忽略的细微信号。尽管模型在区分氯氮平反应良好与耐药患者时的表现有所下降，可能是由于样本量较小，但整体上，机器学习模型在预测精神分裂症患者的治疗反应方面表现出较高的准确性。

图2：机器学习模型与标准差异表达分析结果的差异

本研究展示了机器学习在精神分裂症治疗反应预测中的潜力，特别是通过炎症标志物的分析，能够为个性化治疗提供新的思路。未来的研究应进一步扩大样本量，并结合纵向数据，以验证这些生物标志物的稳定性和临床实用性。

原始出处：

Jie Yin Yee, Ser-Xian Phua, Yuen Mei See, Anand Kumar Andiappan, Wilson Wen Bin Goh, Jimmy Lee. Predicting antipsychotic responsiveness using a machine learning classifier trained on plasma levels of inflammatory markers in schizophrenia. Translational Psychiatry (2025) 15:51.

Tags： Translational Psychiatry：利用炎症标志物血浆水平的机器学习分类器预测精神分裂症患者的抗精神病药物反应