Оценка зависимости показателей мозговой активности от индивидуальной однонуклеотидной вариабельности генетических маркеров большого депрессивного расстройства с использованием анализа главных компонент

   Большое депрессивное расстройство (БДР) относится к наиболее широко распространенным психическим заболеваниям, что обусловливает необходимость поиска факторов повышенной предрасположенности к этому нарушению. В качестве молекулярно-генетических маркеров БДР часто рассматривают однонуклеотидные полиморфизмы генов нейромедиаторных систем мозга. Показатели индивидуальной однонуклеотидной вариабельности в генах нейромедиаторов применяются для оценки риска появления БДР до проявления его симптоматики на поведенческом уровне. Однако прогностические возможности анализа геномных вариаций для оценки риска депрессии до настоящего времени недостаточно надежны и дополняются поведенческой и нейрофизиологической информацией о пациентах. Нейрофизиологические маркеры БДР дают наиболее надежные оценки выраженности патологической симптоматики, но они отражают состояние человека в момент обследования, а не предрасположенность к возникновению этого патологического состояния и не позволяют выполнить оценку риска его появления в будущем. Большое депрессивное расстройство часто сопровождается отклонениями в способности человека контролировать двигательные реакции, включая возможность произвольно подавлять неадекватное поведение. «Стоп-сигнал-парадигма» (ССП) – экспериментальный метод для оценки функционального баланса между тормозными и активационными системами головного мозга в условиях выполнения целенаправленных движений. Объединенный с регистрацией ЭЭГ, этот экспериментальный метод позволяет учитывать не только поведенческие характеристики участников, такие как скорость или точность ответов, но и нейрофизиологические особенности головного мозга, ассоциированные с контролем над поведением.

   Цель настоящего исследования заключалась в оценке зависимости между особенностями ЭЭГ реакций в условиях парадигмы стоп-сигнал и индивидуальной однонуклеотидной вариабельностью в генах-кандидатах для выявления БДР.

   Размерность в исходных генетических и нейрофизиологических экспериментальных данных была снижена при помощи анализа главных компонент (РСA) для последующего выявления ассоциации между компонентами ЭЭГ реакций, регистрируемыми в условиях контроля произвольных двигательных реакций, и однонуклеотидными вариациями в генах, изменчивость которых ассоциирована с риском БДР. Установлено, что изменчивость в этих генах ассоциирована с амплитудными показателями мозговых ответов в условиях тестирования испытуемых методом ССП. Полученные результаты могут быть использованы для разработки систем ранней диагностики депрессии, выявления индивидуальных паттернов нарушения в работе головного мозга, подбора методов коррекции заболевания и контроля над эффективностью терапии.

1. American Psychiatric Association. Diagnostic and Statistical Manual of Mental Disorders (DSM­5). Arlington, VA: American Psychiatric Publishing, 2013;87-122. doi: 10.1176/appi.books.9780890425596

2. Band G.P.H., van der Molen M.W., Logan G.D. Horse-race model simulations of the stop­signal procedure. Acta Psychol. 2003; 112(2):105­142. doi: 10.1016/s0001-6918(02)00079-3

3. Benjamini Y., Hochberg Y. Controlling the false discovery rate: A practical and powerful approach to multiple testing. J R Stat Soc B. 1995; 57(1):289-300. doi: 10.1111/j.2517-6161.1995.tb02031.x

4. Cross­Disorder Group of the Psychiatric Genomics Consortium. Iden­tification of risk loci with shared effects on five major psychiatric disorders: a Genome­wide analysis. Lancet. 2013;381(9875):1371-1379. doi: 10.1016/s0140-6736(12)62129-1

5. Delorme A., Makeig S. EEGLAB: an open source toolbox for analysis of single­trial EEG dynamics including independent component analysis. J Neuroscience Methods. 2004;134(1):9­21. doi: 10.1016/j.jneumeth.2003.10.009

6. Duncan L.E., Pouastri A.R., Smoller J.W. Mind the gap: Why many geneticists and psychological scientists have discrepant views about gene–environment interaction (G×E) research. Am Psychol. 2014; 69(3):249­268. doi: 10.1037/a0036320

7. Flach P.A. ROC Analysis. In: Sammut C., Webb G. (Eds). Encyclo­pedia of Machine Learning and Data Mining. Springer, 2016. doi: 10.1007/978-1-4899-7502-7_739-1

8. Gewers F.L., Ferreira G.R., de Arruda H.F., Silva F.N., Comin C.H., Amancio D.R., da Costa L.F. Principal component analysis: A natu­ral approach to data exploration. ACM Comput Surv. 2021;54(4):70. doi: 10.1145/3447755

9. Haase J., Brown E. Integrating the monoamine, neurotrophin and cytokine hypotheses of depression: A central role for the serotonin transporter? Pharmacol Ther. 2015;147:1-11. doi: 10.1016/j.pharmthera.2014.10.002

10. Halldorsdottir T., Binder E.B. Gene × environment interactions: From molecular mechanisms to behavior. Annu Rev Psychol. 2017;68: 215­241. doi: 10.1146/annurev-psych-010416-044053

11. Ivanov R., Zamyatin V., Klimenko A., Matushkin Y., Savostyanov A., Lashin S. Reconstruction and analysis of gene networks of human neurotransmitter systems reveal genes with contentious manifestation for anxiety, depression, and intellectual disabilities. Genes. 2019;10(9):699. doi: 10.3390/genes10090699

12. Ivanov R., Kazantsev F., Zavarzin E., Klimenko A., Milakhina N., Matushkin Y.G., Savostyanov A., Lashin S. ICBrainDB: An integrated database for finding associations between genetic factors and EEG markers of depressive disorders. J Pers Med. 2022;12(1):53. doi: 10.3390/jpm12010053

13. Kolchanov N.A., Ignatyeva E.V., Podkolodnaya O.A., Likhoshvai V.A., Matushkin Yu.G. Gene networks. Vavilovskii Zhurnal Genetiki i Selektsii = Vavilov J Genet Breed. 2013;17(4/2):833-850 (in Russian)

14. Lopez-Calderon J., Luck S.J. ERPLAB: an open-source toolbox for the analysis of event­related potentials. Front Hum Neurosci. 2014;8: 213. doi: 10.3389/fnhum.2014.00213

15. Northoff G. Gene, brains, and environment – genetic neuroimaging of depression. Curr Opin Neurobiol. 2013;23(1):133­142. doi: 10.1016/j.conb.2012.08.004

16. Rokhlin V., Szlam A., Tygert M. A randomized algorithm for principal component analysis. SIAM J Matrix Anal Appl. 2010;31(3):1100­-1124. doi: 10.1137/080736417

17. Savostyanov A.N., Tsai A.C., Liou M., Levin E.A., Lee J.D., Yurganov A.V., Knyazev G.G. EEG­correlates of trait anxiety in the stop-signal paradigm. Neurosci Lett. 2009;449(2):112­116. doi: 10.1016/j.neulet.2008.10.084

18. Shetty T., Kashyap H., Mehta U.M., Binu V.S. Executive function and emotion regulation in depressive and anxiety disorders: A cross-sectional study. Indian J Psychol Med. 2025. doi: 10.1177/02537176251340586

19. Stone B., Desrochers P.C., Nateghi M., Chitadze L., Yang Y., Cestero G.I., Bouzid Z., … Bremner J.D., Inan O.T., Sameni R., Lynn S.K., Bracken B.K. Decoding depression: Event related potential dynamics and predictive neural signatures of depression severity J Affect Disord. 2025;391:119893. doi: 10.1016/j.jad.2025.119893

20. Subasi A., Gursoy M.I. EEG signal classification using PCA, ICA, LDA and support vector machines. Expert Syst Appl. 2010;37(12): 8659­8666. doi: 10.1016/j.eswa.2010.06.065

21. Wang Z., Zellers S., Piirtola M., Aaltonen S., Salvatore J., Dick D., Kuhn S., Kaprio J. Gene­environment interplay in the relationship between the visibility of the environment and self­reported depres­sion in early midlife: a Finnish twin cohort study. medRxiv. 2025. doi: 10.1101/2025.05.23.25328215

22. Whitney D.G., Shapiro D.N., Peterson M.D., Warschausky S.A. Factors associated with depression and anxiety in children with intel­lectual disabilities. J Intellect Disabil Res. 2019;63(5):408-417. doi: 10.1111/jir.12583

23. Willner P., Scheel-Krüger J., Belzung C. The neurobiology of depression and antidepressant action. Neurosci Biobehav Rev. 2013; 37(10 Pt. 1):2331-2371. doi: 10.1016/j.neubiorev.2012.12.007

24. Wong M.L., Licinio J. Research and treatment approaches to depression. Nat Rev Neurosci. 2001;2(5):343­351. doi: 10.1038/35072566

25. Zorina K.A., Kriveckiy A.A., Klemeshova D.I., Bocharov A.V., Karmanov V.S. Using machine learning methods to search for EEG and genetic markers of depressive disorder. In: IEEE 26^th International Conference of Young Professionals in Electron Devices and Materials (EDM), Altai, Russian Federation. 2025;1790-1793. doi: 10.1109/EDM65517.2025.11096763