性格分類が大うつ病性障害の血中メタボローム解析とバイオタイピングを向上させる：2種の調査

/ /

日本語AIでPubMedを検索

PubMedの提供する医学論文データベースを日本語で検索できます。AI(Deep Learning)を活用した機械翻訳エンジンにより、精度高く日本語へ翻訳された論文をご参照いただけます。

J Affect Disord.2020 Sep;279:20-30. S0165-0327(20)32814-7. doi: 10.1016/j.jad.2020.09.118.Epub 2020-09-30.

性格分類が大うつ病性障害の血中メタボローム解析とバイオタイピングを向上させる：2種の調査

Personality classification enhances blood metabolome analysis and biotyping for major depressive disorders: two-species investigation.

Daiki Setoyama
Atsuo Yoshino
Masahiro Takamura
Go Okada
Masaaki Iwata
Kyohei Tsunetomi
Masahiro Ohgidani
Nobuki Kuwano
Junichiro Yoshimoto
Yasumasa Okamoto
Shigeto Yamawaki
Shigenobu Kanba
Dongchon Kang
Takahiro A Kato

PMID: 33038697 DOI: 10.1016/j.jad.2020.09.118.

抄録

背景:

うつ病とパーソナリティの関連性は以前から示唆されていたが、うつ病のバイオマーカー調査ではこの関連性はほとんど見落とされていた。

BACKGROUND: The relationship between depression and personality has long been suggested, however, biomarker investigations for depression have mostly overlooked this connection.

方法:

大うつ病性障害（MDD）の無投薬患者100名と健常者100名から、神経症（N）、外向性（E）などの5因子モデル（FFM）に基づいて性格特徴を収集し、LCMSを用いたメタボローム解析により63種類の血漿中代謝物プロファイルを取得した。

METHODS: We collected personality traits from 100 drug-free patients with major depressive disorders (MDD) and 100 healthy controls based on the Five-Factor Model (FFM) such as Neuroticism (N) and Extraversion (E), and also obtained 63 plasma metabolites profiles by LCMS-based metabolome analysis.

結果:

NEO-FFIデータを用いた分割クラスタリング分析により、全被験者を大きく3つのクラスタに分類した。クラスター1（C1：性格偏重の少ない群）に属する86名の被験者は、MDD患者の半数と健常者の半数を占めていた。C2はMDD患者を中心に50名（N +E ）、C3は健常者を中心に64名（N +E ）であった。メタボローム情報を用いて、機械学習モデルを最適化し、全被験者とC1のうち、それぞれMDD患者と健常対照者を識別した。その結果、全被験者では中程度の性能（AUC=0.715）であったが、C1に限定すると性能は極めて向上した（AUC=0.907）。トリプトファン、セロトニン、キヌレニンを含むトリプトファン経路の血漿中代謝物は、MDD患者、特にC1患者で有意に低かった。また、ストレス誘発性うつ病モデルの社会的敗北マウスを用いてメタボローム解析結果を検証した。

RESULTS: Partitional clustering analysis using the NEO-FFI data classified all subjects into three major clusters. Eighty-six subjects belonging to Cluster 1 (C1: less personality-biased group) constituted half of MDD patients and half of healthy controls. C2 constituted 50 subjects mainly MDD patients (N + E ), and C3 constituted 64 subjects mainly healthy subjects (N + E ). Using metabolome information, the machine learning model was optimized to discriminate MDD patients from healthy controls among all subjects and C1, respectively. The performance of the model for all subjects was moderate (AUC = 0. 715), while the performance was extremely improved when limited to C1 (AUC = 0. 907). Tryptophan-pathway plasma metabolites including tryptophan, serotonin and kynurenine were significantly lower in MDD patients especially among C1. We also validated metabolomic findings using a social-defeat mice model of stress-induced depression.

制限事項:

ケースコントロール研究のデザインとサンプルサイズは大きくない。

LIMITATIONS: A case-control study design and sample size is not large.

結論:

これらの結果は、性格分類がMDD患者の血液バイオマーカー分析を向上させることを示唆しており、性格特徴、ストレス、うつ病との生物学的関係を明らかにするために、さらなるトランスレーショナルな研究が必要であることを示している。

CONCLUSIONS: Our results suggest that personality classification enhances blood biomarker analysis for MDD patients and further translational investigations should be conducted to clarify the biological relationship between personality traits, stress and depression.