文献若只如初见-W3

01

ADHD subtyping

Subtyping是mental disorder中的一个重要的研究方向，实际意义在于personalized诊断和治疗。W2中的那篇OCD的文章(Luke., et al. 2020 AJP)其实也是类似于做了一个subtyping。

2021年初发在Journal of Child Psychology and Psychiatry，使用的是ENIGMA-ADHD的subcortical volume(7 ROIs)数据。首先使用回归去除了age, age^2, sex, site对数据的影响，对残差做EFA(exploratory factor analysis)分析。

在做EFA之前做了residulization，但是做EFA的时候还是将male和female分开。有可能是放在一起做结果不理想，当然也有可能是基于之前研究男女大脑差异的文章将男女分开。分开分析的结果也表明girl/woman组没有得到类似上图的factor，woman的factor结果和其他的group都不一样，原因可能是样本量不够，所以之后的分析只关注了boy/man。

之后对factor scores做community detection。首先被试之间标准化的factor score做相关得到network，使用r=0.5作为阈值，随后对超过阈值的连接做community detection。使用的2011年Sporns O组发在Neuroiamge上的detection的方法【和BCT toolbox中的几个算法(比如genlouvain)有什么区别有待进一步考证】。

由于ENIGMA的数据除了一些基本的信息比如age/sex/site/diagnosis外，很难有额外的相对完整的行为指标。所以后续只对subtype之间的脑差异进行分析。

Community detection和Clustering的区别？

02

Computational psychiatry

成瘾的一个表现便是shift from goal-direct to habitual control in decision-making【如果没记错的话】。两个过程也可以理解为在决策时是否符合（或基于）模型(model-based or model-free)。这个研究使用了一个特别的决策任务(a two-step sequential decision-making task)分离这两个过程。Andreas Heinz组使用这个任务做了很多model-based/model-free+addiction的研究。常用的MID任务learning/decision-making的部分可以说是比较少的，即使使用computational model也不能很好的分离这两个过程。

对146个健康被试使用该任务进行前测，随后的三年对饮酒情况进行追踪，用的是AUDIT和interview-based binge drinking score。【国外做一个140多人3年的追踪的设计，真的是很不容易👍】用基线脑数据对后续行为数据进行"预测"(latent growth model)。这个模型是longitudinal数据常用的一个分析方法，操作也比较简单。

结果表明：the unbalanced model-based and model-free control might be an important individual vulnerability in predisposing risky drinking behavior. 

03

BP 2020 review

来自TD Satterthaite组的review文章【他也是整个issue的编辑之一】。这个issue的主题是Convergence and Heterogeneity in Psychopathology。这篇文章从两个大的方向介绍了，single-view(只用一种类型的数据）和multiview（使用多类型/模态的数据）的分析方法。

文章中提到的bifactor models比较有意思，假设这些mental disorders有一个共同的潜在风险因素（P），就像智力中的G一样。就像文章里说的一样，mental disorders都发现很多共同的特征，比如更少的皮层厚度，一些共同的基因，共同的细胞类型(Tomas Paus组 2020年八月发在JAMA上的文章)等。  这个issue的另外一篇文章里有对bifactor模型的详细介绍。

这篇文章重点介绍了他们使用过的两个研究方法，1) sparse CCA，应该是相对于CCA更不容易overfitting，带sparse可能是有像lasso一样的regulation【猜的】。 2) HYDRA，一个升级版的SVM，可以对在case-control分离的基础上对病人做分类。

文章的一个观点就是这些方法在成年人被试中都用的差不多了，是时候用在青少年身上了，读完文章感觉这一点说了很多遍。除了讨论一些分析中的consideration，文末对循环论证的问题进行了讨论，比较有意思。简单的说你对大脑的数据进行聚类，目的就是为了更好的诊断，可是才开始用的就是通过类似DSM这样的诊断得到的标签（比如HYDRA就需要case-control的标签），很有可能得到的subtypes是broadly align with DSM categories。其实这是领域里面临的一个挑战，也是为什么成果难以转化到临床的原因之一。其他几个原因可以看Etkin2019年AJP的文章【也许会写个推送】。

推荐阅读全文，大部分都是科普性质的内容，可以一口气看完。

04

 Multiview latent analysis

Research gate推送了这一篇Neuroiamge 2021年1月24日online的文章，正好用的就是一个multiview的思路。第一次知道除了ABCD/IMAGEN还有一个longitudinal大样本在用MID任务（Tulsa-1000，n=476）。

使用R的GFA（group factor analysis）对248个ROI和13个行为数据进行分析。提取29个factor解释了63.6%的行为+脑数据的variance，其中包括了3个解释行为和脑varaicne>3%的factor (F1/F2/F3)，和2个解释了行为variance>10%的factor(F4/F5)。之后对这5个factor的median loading进行了分析。

5个factor的loading如下图。外圈是ROI，+表示的是MID中win条件的提取的数据，-表示是loss条件提取的数据。SR代表self-report的数据。条形图和error bar表示的是median loading和confidence interval。btw,这个图是用R做的，居然不是circos~ 

开始觉得结果有点arbitrary，但是是仔细看下，结果和解释还挺不错的。选择单独解释行为的factor的思路值得借鉴。

F1 arousal/genera task activation

F2 valence/condition discrimination

F3 region-specific

F4 self-report valence

F5 self-report arousal/response intensity

05

2020 NN GWAS

2020年3月份Nature Neuroscience文章，来自耶鲁医学院。对一部分已有的gwas结果做了meta ananlysis，样本量高达43万人(European-ancestry)。发现了19个和PAU（包括AUD和AUDIT-P)相关的新位点。在此基础上进行了一些列的后续分析比如PGRS和孟德尔随机，如下图。BioVU是一个独立的biobank( Vanderbilt University Medical Center’s biobank)并非UKB。

—END—