双極性障害統合的病期分類：バイオマーカーを段階進行に組み込む (BOARDING-PASS)

背景 双極性障害（BD）は、非常に有病率が高く（一般人口の約1%）、慢性かつ進行性の経過を特徴とする障害である。BDの自然経過は通常、初期の無症状期、続く前駆期、その後初回の症候群エピソード（うつ病性または躁病性）の発症を含み、通常は完全なエピソード間回復を伴わずに反復エピソードが続く。増え続けるエビデンスは、BDの縦断的経過が、進行性の脳の変化と機能障害を特徴とする神経進行の能動的プロセスと関連しているという概念を支持している。いくつかの臨床的要因（感情エピソードの数、精神医学的および医学的併存疾患の存在、ストレスフルなライフイベントへの曝露、精神疾患の家族歴など）が障害の軌跡に影響を与える可能性がある。神経画像研究は一貫してBDにおける神経進行仮説を支持し、疾患が進行するにつれて徐々に現れる構造的および機能的脳の変化を実証している。大規模神経ネットワークのレベルでも異常が報告されている。特に、デフォルトモードネットワークは、感情系、前頭頭頂系、注意系との過剰接続および低接続の変化パターンを示し、効率的な大規模脳コミュニケーションを担う主要なハブを含む。さらに、BD患者の非罹患親族においても構造的および機能的変化が確認されている。BDにおける追加のバイオマーカーを調査した研究は、特に脳由来神経栄養因子（BDNF）と炎症性サイトカインに関して、障害の段階関連進行を支持するさらなるエビデンスを提供している。全体として、BDの臨床病期分類の分野における最近の進歩と、生物学的マーカー（例：遺伝子転写調節、神経栄養シグナリング、免疫炎症経路、マイクロバイオータ）および神経画像（大規模脳システムの構造と機能）の同定における進歩は、多次元病期分類モデルの開発に対する強力な根拠を提供している。このようなモデルは臨床的および神経生物学的データを統合し、より高い診断、予後、治療精度を可能にする。

具体的な目的と実験デザイン

BOARDING PASS研究には以下の目的がある：

1. Kupka & Hillegersの病期分類モデルを用いて、18か月間にわたるBDの臨床的進行を縦断的に評価すること；
2. BDの病期移行における生物学的および神経画像マーカーの役割を調査すること（すなわち、遺伝子転写調節、炎症、マイクロバイオーム、構造的および機能的神経画像測定）；
3. 臨床的、生物学的、神経画像データの統合に基づく予測MLモデルを実装し、BD病期移行の個別化されたデータ駆動型予測を提供すること。

本研究は、4つの参加センターのうち3つ（UO1（ASST Fatebenefratelli-Sacco、ミラノ）、UO2（ASST Papa Giovanni XXIII、ベルガモ）、UO3（ASL 2 Abruzzo、ランチャーノ・ヴァスト・キエーティ））で登録された120名の対象者の連続的な募集を含む。包含基準と除外基準は以下に詳述する。

包含基準：

1. KupkaおよびHillegersモデルで定義された臨床病期に該当する、BDに罹患しているおよび罹患していない対象者、すなわち：病期0（リスク増大：精神症状がない状態で、第一度近親者にBDがいること）；病期1（非特異的精神症状またはうつ病エピソード（複数可）が存在する状態で、第一度近親者にBDがいること）；病期2（DSM-5（APA、2013）に従って双極性障害I型またはII型の診断を可能にする初回軽躁／躁病エピソード）；病期3（反復エピソード（複数可）：うつ病性、軽躁／躁病性、または混合性）；病期4（持続的非寛解障害：急速交代を含む慢性うつ病性、躁病性、または混合性エピソード）；

2. 両性の個人；
3. 年齢 ≥ 18歳および ≤ 70歳；
4. 有効な書面によるインフォームドコンセントを提供する能力。

除外基準：

1. 有効な書面によるインフォームドコンセントを提供できないこと；
2. 知的障害の存在；
3. 重篤な併存医学的状態の存在；

4. 現在の物質使用障害の存在。書面による参加同意を提供した後、登録対象者はベースライン評価（T0）を受け、その後18か月の追跡期間（T1（T0の6か月後）、T2（T0の12か月後）、T3（T0の18か月後）の3つの時点）に入る。T0およびその後の各時点で、参加者評価には以下が含まれる：（i）臨床的および心理測定学的評価；T0、T2、T3のみで、（ii）生物学的マーカー評価；および（iii）構造的および機能的MRIデータ取得のための脳磁気共鳴画像。

   臨床的および心理測定学的評価

   ベースライン（T0）で、各研究参加者について、主な社会人口統計学的および臨床的変数が収集され、匿名化データベースに入力される。これらには以下が含まれる：（a）社会人口統計学的データ：年齢、性別、民族性、教育レベル、婚姻状況、職業状況；（b）臨床的特徴：精神疾患の家族歴、BDサブタイプ、BDの発症年齢および関連するストレスフルライフイベント、疾患期間、未治療疾患期間、初回うつ病エピソードおよび軽躁／躁病エピソードの発症年齢、初回および最近の感情エピソードの極性、優勢極性、生涯感情エピソード総数、混合または急速交代性の特徴の存在、現在および過去の精神薬理学的治療、医学的および精神医学的併存疾患、物質使用障害の病歴、生涯入院回数、自殺企図。これらの変数は、KupkaおよびHillegersモデル（Kupka & Hillegers、2012）に従ってT0での臨床病期を割り当てるために使用される。その後の各時点で、社会人口統計学的および臨床的データが更新され、対応する病期を再割り当てし、臨床変数とより進行した疾患段階への進行確率との間の潜在的な関連を評価する。臨床評価にはさらに、以下の心理測定尺度および質問票の実施が含まれる：Test di Intelligenza Breve（TIB; Sartori, 1997; Colombo, 2002）、実施時間約5分；Hamilton Depression Rating Scale（HDRS-21; Hamilton, 1960; Cassano et al., 1991）、実施時間約20分；Hamilton Anxiety Rating Scale（HARS; Hamilton, 1959; Cassano et al., 1991）、実施時間約15分；Montgomery-Åsberg Depression Rating Scale（MADRS; Montgomery & Åsberg, 1979; Palma et al., 1999）、実施時間約15分；Young Mania Rating Scale（YMRS; Young et al., 1978; Palma et al., 1999）、実施時間約15分；およびGlobal Assessment of Functioning（GAF; Hall, 1995; APA, 1996）、実施時間約2分；Family Interview for Genetic Studies（FIGS）；Drugs Abuse Screening Test（DAST-10）、実施時間は約5分と推定される。TWEAKテスト、完了時間約2分。Childhood Trauma Questionnaire（CTQ）、5-10分を要し、ベースラインで実施される。Paykel Scale for Recent Life Events、実施に約15分を要し、ベースラインで実施される；Clinician Rating Scale（CRS）、各時点で約2分で記録され、患者の薬物治療遵守を評価することを目的とする。

   生物学的マーカー評価：遺伝子転写調節、炎症、マイクロバイオームデータ

   遺伝子発現、炎症、マイクロバイオーム分析のための生物学的サンプルは、ベースライン、T2、T3で収集される。具体的には：

   1. 無刺激唾液サンプル（すなわち、味覚、咀嚼、または薬理学的刺激なしの安静条件下で収集された全唾液）は、綿頬スワブ（Salivette、Sarstedt、Nümbrecht、ドイツ）を使用して取得され、ゲノムDNA（gDNA）抽出まで-20℃で保存される。エクソソームも唾液から単離され、エクソソームRNA抽出キットを使用してmiRNAが精製される。

   2. 末梢静脈血サンプルは、クエン酸ナトリウムを含む2本の5ml真空採血管に収集される。血清および細胞成分が分離され、PBMCから総RNAおよびgDNAが抽出される。

      3つの募集サイト（ユニット1、2、3）で収集されたすべての生物学的サンプルは、標準化された処理および分析のために中央研究所（ユニット4）に移送される。これらには以下が含まれる：- LIPIDOMICS：唾液から抽出した短鎖脂肪酸（SCFAs）を分析するため、LC-MS/MS分析のための誘導体化が行われる。分子生物学的研究：- 遺伝子発現分析。PBMCにおけるmRNA種の相対存在量は、リアルタイムRT-PCRおよびデジタルPCRによって評価される。- 血液および唾液細胞におけるDNAメチル化 a. 一般的なDNAメチル化状態は、Reduced representation bisulfite sequencing（RRBS）法（SBS sequencing of the SURFseq5000 platform）を使用して分析される； b. 遺伝子特異的DNAメチル化研究は、増幅されたビスルファイト（BS）処理DNAに対して行われ、メチル化レベルはPyroMark Q48（64）を使用して分析される。- 唾液エクソソームmiRNA：miRNOme分析およびネットワーキング分析後の選択miRNAをRealTime PCRおよびデジタルPCRで行う。

      • 転写因子DNA結合。ALPHAScreenTMアッセイ技術を用いて、遺伝子プロモーターで同定された認識要素が異なる転写因子に結合するかどうか、およびこの結合がCpGモチーフのメチル化度によって直接調節されるかどうかを確認する。
      • 16S rRNAマイクロバイオームシーケンシングによる唾液マイクロバイオータ組成。

   神経画像評価

   MRI評価は、T0、T2、T3で3Tスキャナーを使用して実施され、以下を含む：- 構造的MRI（sMRI）：3D T1強調画像は、SPGRシーケンス（TE = 最小（フル）；フリップ角、6°；FOV、250 mm；帯域幅、31.25；マトリックス、256 x 256）を使用して、1.3 mm厚の124軸方向スライスで取得される。皮質表面再構成後、FreeSurfer v7.1.0を使用してDesikan Atlasに基づく68の分割皮質領域について局所回旋指数が計算される。次に、ジャックナイフバイアス推定手順が適用され、各個人のグループレベルの共分散構造への寄与が決定され、68×68の個人別距離行列が生成される。得られた構造的共分散ネットワークのトポロジー組織は、その後Graph Analysis Toolboxを使用して分析される。- 安静時機能的MRI：rs-fMRI画像は、36軸方向スライス（TE = 30 ms；TR = 2000 ms；ボクセルサイズ：3×3×4 mm3；マトリックスサイズ：64×64；FOV：192×192 mm2）の勾配エコーEPIシーケンスを使用して、インターリーブ順で取得される。各安静時セッションは400ボリュームで構成される。前処理は、FMRIB's Software Library（FSL）とカスタムMATLABスクリプトの組み合わせを使用して実施される。パイプラインには以下のステップが含まれる：（1）標準空間への再配向；（2）外れ値ボリュームの検出、続いて外れ値時点のスプライン補間；（3）モーション補正（MCFLIRT）、時間的高域フィルタリング、空間的平滑化（FWHM = 5 mm）を含む空間的および時間的前処理；（4）構造画像の脳抽出；（5）FSL-FNIRTを使用したMNI152標準空間への非線形登録。静的および動的機能的コネクトームは、採用された分割スキームにおけるすべての脳領域ペア間のz変換ピアソン相関係数を計算することによって推定される。動的接続性は、30 TRのウィンドウ長と2 TRのステップサイズを持つスライディングウィンドウアプローチを使用して計算される。これらのステップは、MATLABで開発された社内ソフトウェアを通じて実装される。グラフ理論的尺度は、Brain Connectivity Toolbox（MATLAB）を通じて計算される。神経画像データのサイト間変動を最小限に抑えるために、構造的および機能的MRI取得は、それぞれ3 Tスキャナーを備えた2つの画像センターで調和されたプロトコルを使用して実施される。MLアルゴリズム MLフレームワークは、収集された臨床的、生物学的、神経画像データを統合することにより、BDにおける臨床病期移行を予測するために開発される。マルチモーダルデータの統合を管理するために、データ正規化、外れ値検出、欠損値処理のための代入法（例：k最近傍法または多重代入）を含む堅牢な前処理パイプラインを採用する。ML分析は研究開始6か月目から開始され、MATLABのStatistics and Machine Learning Toolboxを使用して実施され、当初はNeuroMinerソフトウェア（http://proniapredictors.eu/neurominer/index.html）によってサポートされる。NeuroMinerは、異種データセットを管理するために設計された検証済みソフトウェアプラットフォームである。NeuroMinerは、幅広い交差検証フレームワーク、前処理戦略、教師あり学習アルゴリズム、特徴選択ツール、外部検証方法を提供する。MLアプローチは、主にサポートベクターマシン（SVM）とベイジアンモデルに基づく教師あり分類器に基づく。予備段階では、分類器は予備データセットで訓練およびテストされ、制御された設定で代替予測モデルを比較し、最高性能のアルゴリズム構成を特定する。その後、特徴選択手順が採用され、候補特徴のプールから最も識別力のある変数が特定される。このステップは、モデルの解釈可能性を高め、特にマルチモーダル研究に典型的な小標本高次元データセットにおける過学習を防ぐために重要である。実際、入力変数の数を減らすことで、特徴選択はノイズを最小化し、モデルの複雑さを低下させ、ML予測の一般化可能性を改善する。必要に応じて（すなわち、特徴空間の次元がまだ高すぎる場合）、過学習と計算負荷をさらに軽減するために、主成分分析が適用される可能性がある。SVM分類器は、高次元小標本データを扱う際の堅牢性から優先される。さらに、クラス重み付けが適用され、少数病期での誤りがより重く罰せられ、不均一なグループサイズによって導入されるバイアスが減少する。モデル性能は、交差検証技術（例：データ構造とクラス分布に応じて、leave-one-outまたは層化k分割）を使用して評価され、感度、特異度、F1スコア、全体的な精度の観点から評価され、潜在的なクラス不均衡を考慮する。完全データセットへのモデル展開には、事前定義された最小目標精度90%が必要である。研究サイトおよび組織構造 BOARDING-PASS研究は、4つの運用ユニット（UO）で実施され、それぞれが高品質なデータ取得と標準化された臨床手順を確保するために定義された役割を持つ。- UO1（ASST Fatebenefratelli-Sacco、ミラノ）は調整センターであり、患者募集およびベースライン診断評価、臨床的および生物学的データの標準化された収集を担当する。UO1研究者は、多施設研究ネットワーク内での調整および監督を提供し、臨床医、研究者、技術スタッフ間の効果的なコミュニケーションを維持する。

   • UO2（ASST Papa Giovanni XXIII、ベルガモ）は、参加者募集、診断評価、生物学的サンプル収集、UO1に代わっての構造的および安静時MRIデータ取得、および構造的神経画像分析を担当する。
   • UO3（ASL 2 Lanciano-Vasto-Chieti）は、参加者募集および評価、データ収集および管理、生物学的サンプル収集、ならびに構造的および機能的神経画像データ取得を実施する。
   • UO4（テラモ大学）は、生物学的分析、特に遺伝子転写調節およびマイクロバイオータ分析を担当する集中施設として機能する。UO4はまた、機能的神経画像データの分析およびMLアルゴリズムの実装を担当する。