抑郁症作为一种全球高发的精神障碍，其病理机制涉及皮质-边缘系统多个脑区的协同功能障碍。氯胺酮因其快速抗抑郁效应备受关注，但其如何通过调控全脑网络动态发挥疗效仍不明确。本研究通过整合多脑区在体电生理记录、慢性社交挫败应激（CSDS）模型和机器学习方法，构建了介观全脑波动分析平台（MBFA），系统探究了抑郁状态下神经振荡与网络动力学的改变及氯胺酮的干预机制。

研究方法上，团队首先在C57BL/6小鼠8个脑区（PFC、BLA、NAc等）植入定制多通道电极阵列，通过10天CSDS建立抑郁模型。行为学测试包括社交互动（SI）、悬尾实验（TST）和蔗糖偏好（SPT），同步采集LFP信号。采用短时傅里叶变换计算功率谱密度（PSD）比值量化神经振荡变化，基于有向传递函数（DTF）构建脑网络并计算全局效率和信息流。特征选择聚焦于与行为指数显著相关的振荡和网络指标（p<0.05），通过支持向量机（SVM）进行二分类（对照组/CSDS组、氯胺酮/生理盐水组）和三分类（对照组/CSDS组/氯胺酮组）分析，采用十折交叉验证评估模型性能。

图1 ：用于在体神经记录的多脑区电极阵列

关键结果显示，CSDS小鼠表现出显著的社交回避（SI=0.46±0.08 vs 对照组1.30±0.06）和快感缺失（蔗糖偏好60.33%±1.48% vs 对照组77.54%±0.88%）。神经振荡分析发现，BLA的高θ波段PSD比值与社交指数呈强负相关（r=-0.5313），其单独特征对抑郁状态的分类权重最高（模型准确率降低5.47%±0.17%）。网络层面，抑郁小鼠在高θ波段的全局效率降低至0.0644±0.0022（对照组0.0724±0.0028），且PrL→vHPC信息流减弱。氯胺酮治疗后，高θ波段全局效率恢复至0.0744±0.0039（生理盐水组0.0569±0.0025），同时PrL信息输出增加2.3倍。机器学习模型揭示，网络特征对氯胺酮疗效的判别力显著优于振荡特征（AUC=0.9523±0.0018 vs 0.8599±0.0032），三分类模型中振荡特征对"氯胺酮补偿状态"的识别准确率达81.63%。

这些发现具有重要理论价值与临床意义。首先，MBFA平台首次在介观尺度上量化了抑郁的全脑网络失调特征，为基于网络生物标志物的精准诊断提供了新工具。其次，研究明确了氯胺酮通过增强PrL-vHPC等高阶皮层的信息整合发挥快速抗抑郁作用，为靶向网络调控的治疗策略提供了依据。值得注意的是，该研究也存在一定局限，如未考察氯胺酮长期疗效及剂量效应，未来可通过延长观察周期和纳入更多频段交叉耦合特征进一步提升平台预测效能。总体而言，该研究为理解抑郁症的全脑网络病理机制及氯胺酮的快速作用原理提供了全新视角。

原始出处

Cao, Q., Xu, X., Wang, X. et al. Mesoscale brain-wide fluctuation analysis: revealing ketamine’s rapid antidepressant across multiple brain regions. Transl Psychiatry 15, 155 (2025). https://doi.org/10.1038/s41398-025-03375-7

Tags： Translational Psychiatry：中国学者揭示氯胺酮抗抑郁机制新突破：介观全脑波动分析揭示神经振荡与网络动力学变化