ログイン
ランキング
お知らせ
ログイン
文献詳細
特集 精神疾患の生物学的診断指標—現状と開発研究の展望
計算論的神経科学に基づく精神疾患バイオマーカー開発の現状と今後の展望
著者： 八幡憲明1
所属機関： 1国立研究開発法人量子科学技術研究開発機構放射線医学総合研究所分子イメージング診断治療研究部
ページ範囲：P.835 - P.842
文献概要
はじめに
症候に基づいて類型化される精神疾患において，その神経生物学的な基盤に対する理解は未だ不十分であり，臨床場面で患者の診断や治療計画の決定に資するバイオマーカーも現時点では開発の途上にある。ここでは，計算論的神経科学(computational neuroscience)の手法を精神医学研究に適用することで，疾患の現象論的側面と病態生理学的側面を架橋し，生物学的根拠が明確な指標のもとで疾患体系を捉え直すことを目指した近年の試みを概観する。
従来，この種のアプローチでは理論主導(theory-driven)の研究が多く行われてきた。例えば強化学習モデルやゲーム理論モデルなどの構築を通じて，分子・細胞から神経回路に至る階層構造を持った脳で疾患特異的に生じる変化と，表出される行動とを対応付けるための検討が重ねられてきた8,10)。快楽消失や不注意，実行機能の低下などといった精神疾患を規定する症候の多くについて，理論モデルによる説明が試みられている。
一方，疾患にかかわる生物学的な特徴量がデータに内在するものとして，これを特定の研究仮説を設けることなく，解析的に見出そうとする「データ駆動(data-driven)」の研究手法が今日新たな潮流となりつつある7)。本稿では，その現状と今後の展望について，特に神経画像を用いた研究を取り上げながら詳述する。
たとえば，機械学習の手法を大規模画像データに適用し，個人の疾患傾向が定量可能な指標の確立を目指す研究がこれにあてはまる。近年，個人の状態予測(たとえば疾患か健常か)が高精度に行われたとの報告も頻繁に目にするようになってきた。しかし，これを臨床へ橋渡しする道程はまだ長く，より多くの症例による信頼性の検証や，いくつかの重要な技術的課題の克服が残されていることに留意すべきである。
最後に，データ駆動のアプローチで見出された疾患特異的な特徴をニューロフィードバックなどの治療に活かす可能性について論じる。このような研究開発は，神経画像によって精神疾患の診断と治療を融合し，臨床精神医学において初めて「セラノスティクス(theranostics)」を実現する可能性を秘めている9)。
症候に基づいて類型化される精神疾患において，その神経生物学的な基盤に対する理解は未だ不十分であり，臨床場面で患者の診断や治療計画の決定に資するバイオマーカーも現時点では開発の途上にある。ここでは，計算論的神経科学(computational neuroscience)の手法を精神医学研究に適用することで，疾患の現象論的側面と病態生理学的側面を架橋し，生物学的根拠が明確な指標のもとで疾患体系を捉え直すことを目指した近年の試みを概観する。
従来，この種のアプローチでは理論主導(theory-driven)の研究が多く行われてきた。例えば強化学習モデルやゲーム理論モデルなどの構築を通じて，分子・細胞から神経回路に至る階層構造を持った脳で疾患特異的に生じる変化と，表出される行動とを対応付けるための検討が重ねられてきた8,10)。快楽消失や不注意，実行機能の低下などといった精神疾患を規定する症候の多くについて，理論モデルによる説明が試みられている。
一方，疾患にかかわる生物学的な特徴量がデータに内在するものとして，これを特定の研究仮説を設けることなく，解析的に見出そうとする「データ駆動(data-driven)」の研究手法が今日新たな潮流となりつつある7)。本稿では，その現状と今後の展望について，特に神経画像を用いた研究を取り上げながら詳述する。
たとえば，機械学習の手法を大規模画像データに適用し，個人の疾患傾向が定量可能な指標の確立を目指す研究がこれにあてはまる。近年，個人の状態予測(たとえば疾患か健常か)が高精度に行われたとの報告も頻繁に目にするようになってきた。しかし，これを臨床へ橋渡しする道程はまだ長く，より多くの症例による信頼性の検証や，いくつかの重要な技術的課題の克服が残されていることに留意すべきである。
最後に，データ駆動のアプローチで見出された疾患特異的な特徴をニューロフィードバックなどの治療に活かす可能性について論じる。このような研究開発は，神経画像によって精神疾患の診断と治療を融合し，臨床精神医学において初めて「セラノスティクス(theranostics)」を実現する可能性を秘めている9)。
参考文献
1) Arbabshirani MR, Plis S, Sui J, et al：Single subject prediction of brain disorders in neuroimaging：Promises and pitfalls. NeuroImage 145：137-165, 2017
2) Beckmann CF, DeLuca M, Devlin JT, et al：Investigations into resting-state connectivity using independent component analysis. Philos Trans R Soc Lond B Biol Sci 360：1001-1013, 2005
3) Brown MRG, Sidhu GS, Greiner R, et al：ADHD-200 Global Competition：Diagnosing ADHD using personal characteristic data can outperform resting state fMRI measurements. Front Syst Neurosci 6：69, 2012 doi：10.3389/fnsys. 2012.00069
4) Clementz BA, Sweeney JA, Hamm JP, et al：Identification of distinct psychosis biotypes using brain-based biomarkers. Am J Psychiatry 173：373-384, 2016
5) Di Martino A, Yan CG, Li Q, et al：The autism brain imaging data exchange：Towards a large-scale evaluation of the intrinsic brain architecture in autism. Mol Psychiatry 19：659-667, 2014
6) Drysdale AT, Grosenick L, Downar J, et al：Resting-state connectivity biomarkers define neurophysiological subtypes of depression. Nat Med 23：28-38, 2017
7) Huys QJM, Maia TV, Frank MJ：Computational psychiatry as a bridge from neuroscience to clinical applications. Nat Neurosci 19：404-413, 2016
8) Kishida KT, King-Casas B, Montague PR：Neuroeconomic approaches to mental disorders. Neuron 67：543-554, 2010
9) Lai CY, Scarr E, Udawela M, et al：Biomarkers in schizophrenia：A focus on blood based diagnostics and theranostics. World J Psychiatry 6：102-117, 2016
10) Maia TV, Frank MJ：From reinforcement learning models to psychiatric and neurological disorders. Nat Neurosci 14：154-162, 2011
11) Megumi F, Yamashita A, Kawato M, et al：Functional MRI neurofeedback training on connectivity between two regions induces long-lasting changes in intrinsic functional network. Front Hum Neurosci 9：160, 2015 doi：10.3389/fnhum.2015.00160
12) Power JD, Schlaggar BL, Petersen SE：Studying brain organization via spontaneous fMRI signal. Neuron 84：681-696, 2014
13) Smith SM, Fox PT, Miller KL, et al：Correspondence of the brain's functional architecture during activation and rest. Proc Natl Acad Sci U S A 106：13040-13045, 2009
14) Smith SM, Vidaurre D, Beckmann CF, et al：Functional connectomics from resting-state fMRI. Trends Cogn Sci 17：666-682, 2013
15) Takagi Y, Sakai Y, Lisi G, et al：A neural marker of obsessive-compulsive disorder from whole-brain functional connectivity. Sci Rep 7：7538, 2017 doi：10.1038/s41598-017-07792-7
16) Thibault RT, Lifshitz M, Raz A：The self-regulating brain and neurofeedback：Experimental science and clinical promise. Cortex 74：247-261, 2016
17) Wegener G, Rujescu D：The current development of CNS drug research. Int J Neuropsychopharm 16：1687-1693, 2013
18) Whelan R, Garavan H：When optimism hurts：inflated predictions in psychiatric neuroimaging. Biol Psychiatry 75：746-748, 2014
19) Yahata N, Kasai K, Kawato M：Computational Neuroscience Approach to Biomarkers and Treatments for Mental Disorders. Psychiatry Clin Neurosci 71：215-237, 2016
20) Yahata N, Morimoto J, Hashimoto R, et al：A small number of abnormal brain connections predicts adult autism spectrum disorder. Nat Commun 7：11254, 2016 doi：10.1038/ncomms11254
21) Yamada T, Hashimoto R, Yahata N, et al：Resting-State Functional Connectivity-Based Biomarkers and Functional MRI-Based Neurofeedback for Psychiatric Disorders：A Challenge for Developing Theranostic Biomarkers. Int J Neuropsychopharmacol(2017), https://doi.org/10.1093/ijnp/pyx059
22) Zang Y, Jiang T, Lu Y, et al：Regional homogeneity approach to fMRI data analysis. Neuroimage 22：394-400, 2004
23) Zou QH, Zhu CZ, Yang Y, et al：An improved approach to detection of amplitude of low-frequency fluctuation(ALFF)for resting-state fMRI：Fractional ALFF. J Neurosci Methods 172：137-141, 2008
掲載誌情報
