Nature子刊：复旦团队开发机器学习模型，精准识别自杀行为风险因素
Nature子刊：复旦团队开发机器学习模型，精准识别自杀行为风险因素
复旦大学类脑智能科学与技术研究院冯建峰教授/程炜研究员团队在Nature子刊Nature Human Behaviour上发表重要研究成果。研究团队基于英国生物样本库（UK Biobank）30多万人的数据，通过多组学关联分析，识别出246个行为学风险因素和200个生物学风险因素与自杀行为显著相关，并开发了一种机器学习模型，能够以高准确度（AUC=0.909）预测个体的自杀风险。
研究背景与方法
研究团队基于英国生物样本库（UK Biobank）334,706名参与者的多维度数据，包括行为学、神经影像组学、血液和代谢组学及蛋白组学信息，通过全表型关联分析（PheWAS）和多基因风险评分（PRS）等方法，系统地识别与自杀行为相关的风险因素。
图1：研究的总体思路
关键发现
行为学风险因素
研究识别出246个与自杀行为显著关联的行为学风险因素，主要涉及以下几个方面：
- 社会经济环境：较低的家庭收入、居住质量、教育水平等
- 生活方式：睡眠问题、吸烟饮酒、饮食习惯、电子设备使用等
- 身心健康：躯体疾病（如癌症、糖尿病）、心理状态（抑郁症状、创伤事件）等
图2：PheWAS分析中与自杀行为PRS关联的行为学表型（图A）和病例-对照分析中与自杀行为关联的行为学表型（图B）
生物学风险因素
研究识别出200个生物学风险因素，涵盖多个维度：
- 神经影像学：13个脑区的灰质体积减小，7个脑区的白质微结构异常
- 血液和代谢标志物：白细胞指数、C反应蛋白、甘油三酯等指标异常
- 蛋白标志物：104种蛋白与自杀行为显著相关，其中炎症蛋白关联最为明显
图4：PheWAS分析中与自杀行为PRS显著关联的血液和代谢标志物以及蛋白标志物
验证与因果关系分析
研究团队通过逻辑回归分析验证了83%的行为风险因素，并利用孟德尔随机分析和中介分析，发现57个行为学因素和1个生物学因素（白细胞计数）是导致自杀行为的潜在因果因素。
图5：风险因素与自杀行为之间潜在的因果关系（部分）
机器学习模型开发
研究团队开发了一个基于行为学特征的机器学习模型，该模型能够以高准确度（AUC=0.909）区分有无自杀行为的个体。最重要的预测因素包括：
- 是否遭受精神痛苦
- 是否感到毫无价值
- 首次抑郁发作时的年龄
- 是否因焦虑或抑郁看精神病医生
- 是否在抑郁期间产生死亡想法
图6：基于行为学特征的机器学习分类模型预测因子的重要度排序和预测准确度
研究意义
这项研究不仅揭示了自杀行为的多维度风险因素，还开发了一个高准确度的预测模型，有助于早期识别高危人群。研究发现，除了精神痛苦和抑郁症相关因素外，童年经历和性侵犯受害等行为学因素也是重要预测因子，为临床预防策略提供了科学依据。