Objective: This study established a machine learning model based on the multidimensional data of resting-state functional activity of the brain and P11 gene DNA methylation to predict the early efficacy of antidepressant treatment in patients with major depressive disorder (MDD).
Methods: A total of 98 Han Chinese MDD were analysed in this study. Patients were divided into 51 responders and 47 nonresponders according to whether the Hamilton Depression Rating Scale-17 items (HAMD-17) reduction rate was ≥50% after 2 weeks of antidepressant treatment. At baseline, the Illumina HiSeq Platform was used to detect the methylation of 74 CpG sites of the P11 gene in peripheral blood samples. Resting-state functional magnetic resonance imaging (rs-fMRI) scan detected the amplitude of low-frequency fluctuations (ALFF), regional homogeneity (ReHo), and functional connectivity (FC) in 116 brain regions. The least absolute shrinkage and selection operator analysis method was used to perform feature reduction and feature selection. Four typical machine learning methods were used to establish support vector machine (SVM), random forest (RF), Naïve Bayes (NB), and logistic regression (LR) prediction models based on different combinations of functional activity of the brain, P11 gene DNA methylation and clinical/demographic features after screening.
Results: The SVM model based on ALFF, ReHo, FC, P11 methylation, and clinical/demographic features showed the best performance, with 95.92% predictive accuracy and 0.9967 area under the receiver operating characteristic curve, which was better than RF, NB, and LR models.
Conclusion: The multidimensional data features combining rs-fMRI, DNA methylation, and clinical/demographic features can predict the early antidepressant efficacy in MDD.
Objectif: La présente étude a établi un modèle d’apprentissage automatique basé sur les données multidimensionnelles de l’activité fonctionnelle au repos du cerveau et de la méthylation de l’ADN du gène P11 pour prédire l’efficacité précoce d’un traitement antidépresseur chez des patients souffrant du trouble dépressif majeur (TDM).
Méthodes: Un total de 98 TDM Chinois Ham ont été analysés dans cette étude. Les patients étaient divisés en 51 répondants et 47 non-répondants dépendamment de ce que le taux de réduction de l’échelle d’évaluation de la dépression de Hamilton-17 éléments (HAMD-17) était à ≥50% après deux semaines de traitement antidépresseur. À la base, la Plateforme Illumina HiSeq a servi à détecter la méthylation de 74 sites CpG du gène P11 dans des échantillons de sang périphérique. L’imagerie par résonance magnétique fonctionnelle (IRMf-rs) à l’état de repos a détecté l’amplitude des fluctuations basse fréquence (ALFF), l’homogénéité régionale (ReHo) et la connectivité fonctionnelle (CF) dans 116 régions du cerveau. La méthode d’analyse de l’opérateur de retrait et de sélection la moins absolue a été utilisée pour exécuter la réduction des fonctionnalités et la sélection des fonctionnalités. Quatre méthodes d’apprentissage automatique typiques ont été utilisées pour établir des modèles de prédiction de machine à vecteurs de support (MVS), de forêt aléatoire (RF), de Naïve Bayes (NB) et de régression logistique (LR) selon différentes combinaisons d’activité fonctionnelle du cerveau, de la méthylation de l’ADN du gène P11 et des fonctionnalités cliniques/démographiques après dépistage.
Résultats: Le modèle MVS basé sur ALFF, ReHo, FC, méthylation de P11 et fonctionnalités cliniques/démographiques a démontré la meilleure performance, avec 95,92% de précision prédictive et 0,9967 AUC, ce qui surpassait les modèles RF, NB et LR.
Conclusion: Les fonctionnalités des données multidimensionnelles combinant IRMF-rs, méthylation d’ADN et fonctionnalités cliniques/démographiques peuvent prédire l’efficacité précoce d’un antidépresseur dans le TDM.
Keywords: DNA methylation; IRMF au repos; antidepressants; antidépresseurs; apprentissage automatique; machine learning; major depressive disorder; méthylation de l'ADN; resting-state fMRI; trouble dépressif majeur.