2.1   候选药物相关基因的识别   从DGIdb数据库共检索到2 725个可成药基因，通过系统性文献综述额外识别出4 302个可成药基因，合并数据集并去除重复项后，整理出包含6 959个不重叠的可成药基因的综合列表用于后续分析。pQTL数据来源于UKB-PPP和deCODE Genetics，用于提取血浆蛋白质遗传关联的汇总统计数据，合并数据集并去除重复项后获得10 001个pQTL整合数据。UKB-PPP覆盖了54 219名UK Biobank参与者队列中2 923种蛋白质的血浆pQTL数据。deCODE Genetics则包含了从4 907名冰岛人进行的35 559次适体检测中所获得的7 258种血浆蛋白水平数据。设定错误发现率(False Discovery Rate，FDR) < 0.05作为显著性阈值。这些数据集的详细描述可在原始文献的补充表格中找到。
2.2   重度抑郁症有效基因的筛选   利用eQTLGen联盟提供的eQTL数据和pQTL数据对筛选出的6 959个和10 001个可成药基因进行了潜在暴露变量的评估。在eQTL数据集和pQTL数据集中分别鉴定出2 478个和7 954个可成药基因，对这些基因进行孟德尔随机化分析。采用Benjamini-Hochberg FDR法校正P值，识别出21个与重度抑郁症显著相关的可成药基因，其中BTN3A3(嗜乳脂蛋白亚家族3成员A3)、CISD1(CDGSH铁硫结构域1)和PSMB4(蛋白酶体20S亚基β4)最值得关注(表1)。对鉴定出的基因进行进一步的敏感性分析以评估多效性和异质性，未观察到显著的多效性效应或异质性证据。
2.3   定位分析结果   在21个显著基因中，结果显示BTN3A3(H4.abf=0.642)、PSMB4(H4.abf=0.574)和 CISD1(H4.abf=0.522)的H4.abf 值均超过0.5，表明通过孟德尔随机化分析鉴定出的BTN3A3、PSMB4、CISD1与重度抑郁症之间高度存在共享因果变异的




可能性(图2)。
2.4   显著基因功能分析   对21个潜在靶点进行GO富集分析，可以看出这些候选基因主要涉及“抗原加工与呈递”“蛋白质降解与加工”“线粒体外膜”“免疫受体活性”等多个与重度抑郁相关的功能通路(图3)。具体而言，生物过程中，“抗原加工与呈递”和“蛋白质水解过程”显著富集，提示候选基因可能调控重度抑郁症患者的免疫激活状态与细胞应激反应，在抗原呈递过程在该过程中可能发挥促进作用[35]；细胞成分中，多个候选基因富集于“线粒体外膜”与“蛋白酶体复合体”，线粒体功能异常被认为是抑郁症的重要发病机制之一，尤其在中枢神经系统中能量代谢不稳可影响神经递质合成与神经元可塑性[36]，说明它们可能参与调控细胞能量代谢和蛋白质稳态，与慢性应激诱导下的能量障碍、线粒体功能紊乱及突触结构异常密切相关；分子功能中，富集项如“免疫受体活性”与“结合酶调节活性”提示候选基因可能通过调节免疫通路信号的识别与转导，免疫受体在细胞识别炎症信号并介导跨膜信息传导中扮演关键角色，说明它们可能与慢性疼痛或慢性低度炎症密切相关[37]。
为深入探究这些可成药基因在抑郁症中潜在的治疗机制，进一步进行了KEGG通路分析。结果显示，重度抑郁相关的显著可成药基因主要集中于免疫调控、代谢应答和信号转导相关的关键通路。例如，“抗原加工与呈递”和“T细胞受体信号通路”均与重度抑郁症中常见的免疫激活及外周炎症反应密切相关。慢性应激状态下，外周免疫系统活化和T细胞功能失衡可通过炎症因子影响中枢神经系统功能，导致情绪调节失衡。“鞘磷脂信号通路”和“AMP依赖的蛋白激酶信号通路”与能量代谢和细胞存活密切相关。研究表明，鞘磷脂代谢失衡与神经元膜结构损伤和凋亡有关，而AMP依赖的蛋白激酶作为能量代谢调控的核心分子，可影响神经元可塑性、突触传递和应激反应，在抑郁症模型中已被证实是潜在的抗抑郁药物靶点[38]。另外，其他通路如“催产素信号”则直接与情绪调控、社会行为和压力反应相关，催产素水平下降已在多项抑郁症临床研究中观察到[39]，提示该调节通路可能在重度抑郁治疗中具有潜力(图4)。
2.5   靶蛋白的蛋白质-蛋白质相互作用网络   利用STRING数据库构建了包含这 21个药物靶基因的蛋白质-蛋白质相互作用网络，如图5所示。该网络包含代表蛋白质的 21个节点和代表相互作用的14条边，网络的局部聚类系数为 0.508，表明所鉴定蛋白间存在中等程度的连通性。
BTN3A3、PSMB4与CISD1在网络中具有较多的直接互作伙伴，处于互作网络的中心区域，提示这些蛋白可能为调控抑郁症关键路径的“中枢节点”。其中，PSMB4作为蛋白酶体20S核心粒子的组成部分，广泛参与细胞内蛋白降解，与神经免疫调节密切相关[40]。CISD1则与线粒体铁代谢调控有关，在调节神经元氧化应激反应中可能发挥重要作用[41]。这些关键蛋白在网络中的突出位置，提示其可能在重度抑郁的发病机制中处于核心调控地位，为靶向干预提供了理论依据。
2.6   药物富集结果   利用药物特征基因集数据库鉴定潜在的治疗化合物，根据关联基因的数量筛选出前5位候选药物作为潜在的治疗药物(表2)。值得注意的是，吉西他滨(CID 60750)、岩藻糖(CID 17106)和异古柯碱(CID 2826)的结果最为突出，它们分别与BTN3A3、PSMB4和CISD1相关联，并与大多数已鉴定的可成药基因存在联系，表明它们具有调节重度抑郁症相关生物学通路的潜力。
2.7   候选药物的分子对接分析   分子对接的结合能计算揭示了5个稳定的药物-蛋白质相互作用(表3)，每次相互作用产生结合能，结合能越低，结合效果越好、亲和力越高。对接结果的可视化分别为结合全景图与局部细节图，突出了参与结合的关键氨基酸残基以及氢键长度(图6)。其中，BTN3A3表现出最低的结合能(-52.74 kJ/mol)，表明它具有高度稳定的结合亲和力及潜在的治疗相关性。在BTN3A3-异古柯碱对接模型中，异古柯碱通过2个氢键与残基Ser76和Glu112形成稳定连接，同时形成疏水作用网络覆盖Val80与Ile115，有助于稳定其构象[42]；在CISD1-岩藻糖对接模型中，通过极性相互作用与残基Asn39和Tyr42形成稳定键合，提示该位点可能为药物敏感结构域[43]；在PSMB4-吉西他滨对接模型中，吉西他滨通过氢键与Thr20和Gln26结
















合，同时与疏水残基Leu23发生堆积作用，说明它对蛋白酶体亚基的强亲和力。

[1] SOLIS EC, CARLIER IVE, KAMMINGA N, et al. Economic Evaluation of Self-Management for Patients with Persistent Depressive Disorder and their Caregivers.  J Ment Health Policy Econ. 2024;27(4): 129-143. [2] ZHANG ZQ, YANG MH, GUO ZP, et al. Increased prefrontal cortex connectivity associated with depression vulnerability and relapse. J Affect Disord. 2022;304:133-141.  [3] KESHAVARZ K, HEDAYATI A, REZAEI M, et al. Economic burden of major depressive disorder: a case study in Southern Iran. BMC Psychiatry. 2022; 22(1):577.  [4] ANDERSON E, CRAWFORD CM, FAVA M, et al. Depression - Understanding, Identifying, and Diagnosing. N Engl J Med. 2024;390(17):e41.  [5] ŁYSIK A, LOGOŃ K, SZCZYGIŁ A, et al. Innovative approaches in the treatment-resistant depression: exploring different therapeutic pathways. Geroscience. 2025. doi: 10.1007/s11357-025-01615-8. [6] RAKEL RE. Depression. Prim Care. 1999; 26(2):211-224.  [7] FERKINGSTAD E, SULEM P, ATLASON BA, et al. Large-scale integration of the plasma proteome with genetics and disease. Nat Genet. 2021;53(12):1712-1721.  [8] FRESHOUR SL, KIWALA S, COTTO KC, et al. Integration of the Drug-Gene Interaction Database (DGIdb 4.0) with open crowdsource efforts. Nucleic Acids Res. 2021;49(D1):D1144-D1151.  [9] QIU-QIANG Z, WEI-WEI Y, SHAN-SHU H, et al. Mendelian randomization of individual sleep traits associated with major depressive disorder. J Affect Disord. 2024;365:105-111.  [10] LI Y, LV MR, WEI YJ, et al. Dietary patterns and depression risk: A meta-analysis. Psychiatry Res. 2017;253:373-382.  [11] MENG X, NAVOLY G, GIANNAKOPOULOU O, et al. Multi-ancestry genome-wide association study of major depression aids locus discovery, fine mapping, gene prioritization and causal inference. Nat Genet. 2024;56(2):222-233.  [12] JAMET C, DUBERTRET C, LE STRAT Y, et al. Age of onset of major depressive episode and association with lifetime psychiatric disorders, health-related quality of life and impact of gender: A cross sectional and retrospective cohort study. J Affect Disord. 2024;363:300-309.  [13] BRUFFAERTS R, CAYWOOD K, AXINN WG. Early-life risk factors for depression among young adults in the United States general population: Attributable risks and gender differences. J Affect Disord. 2024;363:206-213.  [14] LIU S, XU D. Causal relationship between educational attainment and chronic pain: A Mendelian randomization study. Medicine (Baltimore). 2024;103(37): e39301.  [15] WANG Z, LI S, CAI G, et al. Mendelian randomization analysis identifies druggable genes and drugs repurposing for chronic obstructive pulmonary disease. Front Cell Infect Microbiol. 2024; 14:1386506.  [16] VÖSA U, CLARINGBOULD A, WESTRA HJ, et al. Large-scale cis- and trans-eQTL analyses identify thousands of genetic loci and polygenic scores that regulate blood gene expression. Nat Genet. 2021; 53(9):1300-1310.  [17] FINAN C, GAULTON A, KRUGER FA, et al. The druggable genome and support for target identification and validation in drug development. Sci Transl Med. 2017; 9(383):eaag1166.  [18] SUN BB, CHIOU J, TRAYLOR M, et al. Plasma proteomic associations with genetics and health in the UK Biobank. Nature. 2023; 622(7982):329-338.  [19] KELLY KM, SMITH JA, MEZUK B. Depression and interleukin-6 signaling: A Mendelian Randomization study. Brain Behav Immun. 2021;95:106-114.  [20] ZHOU H, JI Y, SUN L, et al. Exploring the causal relationships and mediating factors between depression, anxiety, panic, and atrial fibrillation: A multivariable Mendelian randomization study. J Affect Disord. 2024; 349:635-645. [21] WANG Z, LIN X, CHEN X, et al. Genetic causality and metabolite pathway identifying the relationship of blood metabolites and psoriasis. Skin Res Technol. 2024;30(7):e13840.  [22] FAN M, YUN Z, YUAN J, et al. Genetic insights into therapeutic targets for gout: evidence from a multi-omics mendelian randomization study. Hereditas. 2024;161(1):56.  [23] STALEY JR, BLACKSHAW J, KAMAT MA, et al. PhenoScanner: a database of human genotype-phenotype associations. Bioinformatics. 2016; 32(20):3207-3209.  [24] BURGESS S, DAVEY SMITH G, DAVIES NM, et al. Guidelines for performing Mendelian randomization investigations: update for summer 2023. Wellcome Open Res. 2023;4:186.   [25] ZHANG C, HE Y, LIU L. Identifying therapeutic target genes for migraine by systematic druggable genome-wide Mendelian randomization. J Headache Pain. 2024;25(1):100. [26] GIAMBARTOLOMEI C, VUKCEVIC D, SCHADT EE, et al. Bayesian test for colocalisation between pairs of genetic association studies using summary statistics. PLoS Genet. 2014; 10(5):e1004383.  [27] RASOOLY D, PELOSO GM, GIAMBARTOLOMEI C. Bayesian Genetic Colocalization Test of Two Traits Using coloc. Curr Protoc. 2022; 2(12):e627.  [28] GIAMBARTOLOMEI C, ZHENLI LIU J, ZHANG W, et al. A Bayesian framework for multiple trait colocalization from summary association statistics. Bioinformatics. 2018; 34(15):2538-2545.  [29] IMPRIALOU M, PETRETTO E, BOTTOLO L. Expression QTLs Mapping and Analysis: A Bayesian Perspective. Methods Mol Biol. 2017;1488:189-215.  [30] HU S, LUO Y, ZHANG Z, et al. Protein function annotation based on heterogeneous biological networks. BMC Bioinformatics. 2022;23(1):493. [31] SZKLARCZYK D, KIRSCH R, KOUTROULI M, et al. The STRING database in 2023: protein-protein association networks and functional enrichment analyses for any sequenced genome of interest. Nucleic Acids Res. 2023; 51(D1):D638-D646.  [32] KIM S, CHEN J, CHENG T, et al. PubChem 2023 update. Nucleic Acids Res. 2023; 51(D1):D1373-D1380.  [33] BERMAN HM, WESTBROOK J, FENG Z, et al. The Protein Data Bank. Nucleic Acids Res. 2000;28(1):235-242.  [34] MORRIS GM, HUEY R, LINDSTROM W, et al. AutoDock4 and AutoDockTools4: Automated docking with selective receptor flexibility. J Comput Chem. 2009;30(16):2785-2791.  [35] WU H, HUANG J, ZHONG Y, et al. DrugSig: A resource for computational drug repositioning utilizing gene expression signatures. PLoS One. 2017; 12(5):e0177743.  [36] BHATTACHARYYA U, JOHN J, LAM M, et al. Circulating Blood-Based Proteins in Psychopathology and Cognition: A Mendelian Randomization Study. JAMA Psychiatry. 2025;82(5):481-491.  [37] TKACHEV A, STEKOLSHCHIKOVA E, VANYUSHKINA A, et al. Lipid Alteration Signature in the Blood Plasma of Individuals With Schizophrenia, Depression, and Bipolar Disorder. JAMA Psychiatry. 2023;80(3):250-259.  [38] MA C, ZHANG D, MA Q, et al. Arbutin inhibits inflammation and apoptosis by enhancing autophagy via SIRT1. Adv Clin Exp Med. 2021;30(5):535-544.  [39] WANG X, RIBEIRO C, NILSSON A, et al. Oxytocin Receptor Expression and Activation in Parasympathetic Brainstem Cardiac Vagal Neurons. eNeuro. 2025;12(8):ENEURO.0204-25.2025.  [40] CHEN B, CHEN Y, HE Z, et al. S146 and M148 within the mature chain domain of PSMB4 are crucial for degrading PRRSV nsp1α. Cell Mol Life Sci. 2025; 82(1):148.  [41] LV J, LIU G, WANG Z, et al. Internalized polystyrene nanoplastics trigger testicular damage and promote ferroptosis via CISD1 downregulation in mouse spermatocyte. J Nanobiotechnology. 2025;23(1):537.  [42] VERONA F, DI BELLA S, SCHIRANO R, et al. Cancer stem cells and tumor-associated macrophages as mates in tumor progression: mechanisms of crosstalk and advanced bioinformatic tools to dissect their phenotypes and interaction. Front Immunol. 2025;16:1529847. [43] SI S, LIU H, XU L, et al. Identification of novel therapeutic targets for chronic kidney disease and kidney function by integrating multi-omics proteome with transcriptome. Genome Med. 2024;16(1):84.  [44] GERARDS WL, HOP FW, HENDRIKS IL, et al.Cloning and expression of a human pro(tea)some beta-subunit cDNA: a homologue of the yeast PRE4-subunit essential for peptidylglutamyl-peptide hydrolase activity. FEBS Lett. 1994;346(2-3):151-155.  [45] YANG C, YU P, YANG F, et al. PSMB4 inhibits cardiomyocyte apoptosis via activating NF-κB signaling pathway during myocardial ischemia/reperfusion injury. J Mol Histol. 2021;52(4):693-703.  [46] ZHANG X, LIN D, LIN Y, et al. Proteasome beta-4 subunit contributes to the development of melanoma and is regulated by miR-148b. Tumour Biol. 2017;39(6):1010428317705767.  [47] WANG H, HE Z, XIA L, et al. PSMB4 overexpression enhances the cell growth and viability of breast cancer cells leading to a poor prognosis. Oncol Rep. 2018;40(4):2343-2352.  [48] LI X, SHEN A, ZHAO Y, et al. Mendelian Randomization Using the Druggable Genome Reveals Genetically Supported Drug Targets for Psychiatric Disorders. Schizophr Bull. 2023;49(5):1305-1315.  [49] LIU J, CHENG Y, LI M, et al. Genome-wide Mendelian randomization identifies actionable novel drug targets for psychiatric disorders. Neuropsychopharmacology. 2023;48(2):270-280.  [50] HU J, FU J, CAI Y, et al. Bioinformatics and systems biology approach to identify the pathogenetic link of neurological pain and major depressive disorder. Exp Biol Med (Maywood). 2024;249:10129.  [51] DATTILO V, AMATO R, PERROTTI N, et al. The Emerging Role of SGK1 (Serum- and Glucocorticoid-Regulated Kinase 1) in Major Depressive Disorder: Hypothesis and Mechanisms. Front Genet. 2020; 11:826.  [52] JI D, LIU W, CUI X, et al. A receptor-like kinase SlFERL mediates immune responses of tomato to Botrytis cinerea by recognizing BcPG1 and fine-tuning MAPK signaling. New Phytol. 2023;240(3):1189-1201. [53] BALHARA P, SHARMA S, VASUDEVA N, et al. Modulation of Nrf-2/HO-1/HIF-1α/TFAM pathways by Arbutin in rat model of cerebral ischemic stroke. Mol Cell Neurosci. 2025;134:104034.  [54] JAIN A, GOEL V, SONI S, et al. Comparative Efficacy and Toxicity of Modified FOLFIRINOX and Gemcitabine Plus Nab-Paclitaxel in Advanced Pancreatic Ductal Adenocarcinoma: A Real-World Retrospective Analysis. Cureus. 2025;17(7): e87389.   [55] ZHOU J, HU Y, JING P. Antidepressant-Like Effect of Saffron (Crocus sativus L.) in Mice Exposed to Chronic Unpredictable Mild Stress via Attenuating Neuroinflammation and Recovering Neuroplasticity. Mol Nutr Food Res. 2025:e70201. doi: 10.1002/mnfr.70201.  [56] SUDHOLZ H, MENG X, PARK HY, et al. Core fucosylation of IL-2RB is required for natural killer cell homeostasis. Cell Rep. 2025;44(8):116101.  [57] VOLNIN A, PARSIKOV A, TSYBULKO N, et al. Ergot alkaloid control in biotechnological processes and pharmaceuticals (a mini review). Front Toxicol. 2024;6:1463758.

[1]	吴治林, 何 秦, 王枰稀, 石 现, 袁 松, 张 骏, 王 浩. DYRK2：基于东亚和欧洲人群揭示类风湿关节炎合并骨质疏松症的治疗新靶点[J]. 中国组织工程研究, 2026, 30(6): 1569-1579.
[2]	张清烽, 王超逸, 杨敬言, 李涵玉, 赵余炀, 郝华焘, 于 栋. 脊椎滑脱的潜在靶基因：基于欧洲人群生物数据库可成药基因组分析[J]. 中国组织工程研究, 2026, 30(6): 1592-1601.
[3]	刘鸿涛, 武 欣, 姜鑫雨, 沙 斐, 安 琪, 李高彪. 年龄相关性黄斑变性与深静脉血栓形成：全基因组关联数据分析[J]. 中国组织工程研究, 2026, 30(6): 1602-1608.
[4]	郭 英, 田 峰, 王春芳. 类风湿关节炎潜在药物靶点：来自欧洲数据库的大样本分析[J]. 中国组织工程研究, 2026, 30(6): 1549-1557.
[5]	高增杰, 蒲 翔, 李来来, 柴艺汇, 黄 华, 覃 裕. 甾醇酯增加骨质疏松病理性骨折风险：来自IEU-GWAS与芬兰数据库的证据[J]. 中国组织工程研究, 2026, 30(5): 1302-1310.
[6]	刘凤芝, 董玉娜, 田文艺, 王春雷, 梁晓东, 鲍 霖. 基因预测731种免疫细胞表型与类风湿性关节炎的关系[J]. 中国组织工程研究, 2026, 30(5): 1311-1319.
[7]	张翠翠, 陈欢语, 于 俏, 黄宇轩, 姚耿圳, 邹 旭. 血浆蛋白与肺动脉高压的关系及潜在治疗靶点[J]. 中国组织工程研究, 2026, 30(5): 1331-1340.
[8]	曾 浩, 孙鹏程, 柴 源, 黄有荣, 张 驰, 章晓云. 甲状腺功能和骨质疏松症的关联：欧洲人群全基因组数据分析[J]. 中国组织工程研究, 2026, 30(4): 1019-1027.
[9]	容向宾, 郑海波, 莫学燊, 侯 坤, 曾 平, . 血浆代谢物、免疫细胞与髋骨关节炎的因果推断：GWAS数据欧洲群体资料分析[J]. 中国组织工程研究, 2026, 30(4): 1028-1035.
[10]	何启旺, 陈 波, 梁复超, 康泽伟, 周 原, 季桉旭, 唐夏林, . 阿尔茨海默病和肌少症及体质量指数的关系：欧洲人群GWAS数据集分析[J]. 中国组织工程研究, 2026, 30(4): 1036-1046.
[11]	丁 宇, 陈婧雯, 陈秀燕, 施慧敏, 杨雨蝶, 周美启, 崔 帅, . 循环炎症蛋白与心肌肥厚：来自GWAS Catalog与芬兰数据库欧洲群体的大样本分析[J]. 中国组织工程研究, 2026, 30(4): 1047-1057.
[12]	赵非凡, 曹玉净. 强直性脊柱炎与银屑病共有基因人工神经网络模型及基于机器学习的挖掘和验证[J]. 中国组织工程研究, 2026, 30(3): 770-784.
[13]	刘 楚, 丘博元, 童思文, 何林宇威, 陈浩博, 欧志学. 遗传学视角揭示血液代谢物与骨坏死的关系：基于芬兰FinnGen数据库信息分析[J]. 中国组织工程研究, 2026, 30(3): 785-794.
[14]	黄 哲, 尚宝令, 姚耿圳, 潘光明, . 免疫细胞与心血管疾病风险的关联：欧洲人群全基因组关联研究[J]. 中国组织工程研究, 2026, 30(23): 5992-5999.
[15]	张 政, 张艺博, 许 斌, 颜士朝, 郭 徽. 肌肉减少症与非酒精性脂肪肝：肠道微生物群分析[J]. 中国组织工程研究, 2026, 30(23): 6000-6009.

重度抑郁症是一种复杂的神经精神疾病，主要临床表现以持续性情绪低落、兴趣或愉悦感丧失及反复出现的自杀念头为主，通常还伴有明显的情绪、认知及身体功能障碍[1]。这些症状不仅严重影响患者的生活质量，还可能加剧其所患的其他疾病与社会适应困难，进一步扩大了疾病的总体负担[2]。目前，重度抑郁症已被列为全球致残负担最重的疾病之一，其患病率持续上升，特别是在 COVID-19大流行之后，全球抑郁症患者人数迅速增至约 2.46 亿人[3]。
重度抑郁的发生通常与遗传因素与环境因素相关[4]。目前，重度抑郁症的诊断仍主要依赖于临床访谈及症状评估，缺乏明确且可重复的生物学标志物，容易造成误诊与漏诊，延误治疗时机[5]。重度抑郁症因高患病率、高致残性与高复发性已成为全球亟待应对的公共卫生挑战，对社会和经济系统构成了沉重压力[6]。重度抑郁症的病理生理机制极为复杂，病因学机制迄今未被完全阐明。有研究表明，重度抑郁的发生可能涉及多个交织的病理过程，包括单胺类神经递质失衡[7]、神经网络可塑性损伤[8]、慢性应激激活下的神经炎症反应、下丘脑-垂体-肾上腺轴功能异常、线粒体功能障碍及肠脑轴紊乱等因素[9]。其中，神经免疫炎症假说近年受到广泛关注，认为促炎因子在外周和中枢的过表达可影响神经元功能和情绪调节回路。尽管现有抗抑郁药物可在部分患者中改善症状，但总体疗效不高、起效慢，30%-40%患者对初始治疗无反应，并且长期使用常伴随性欲减退、体质量增加、胃肠道不适等不良反应[10]。因此，探索新型治疗靶点和作用机制已成为重度抑郁症干预策略的重要突破口。有研究显示遗传因素在抑郁症的发生发展中起着关键作用，一项基于21个队列(含88 316例患者及902 757例对照)的全基因组关联研究分析鉴定出53个具有显著关联的新基因位点，进一步强调了遗传易感性在抑郁症病因学中的重要性[11]。然而，与其他神经精神疾病相比，除具有相对较高的遗传度外，环境和生物学因素在重度抑郁的发病中同样扮演着重要角色[12]。值得注意的是，有研究表明童年期创伤与成年期罹患重度抑郁的风险增加存在强关联[13]。
孟德尔随机化分析作为一种统计推断方法，使用随机分配在人群中的遗传变异作为工具变量来评估暴露和结果之间的因果关系，由于遗传变异在减数分裂过程中是随机分配的，并且等位基因一旦生成就固定，不再受到混杂因素的影响，因此可以模拟随机对照试验的效果[14]。然而，孟德尔随机化本质上属于统计工具，虽然可以提供因果推断线索，但并不能直接解释背后的生物学机制，也无法替代实验层面的功能验证。因此，此次研究在孟德尔随机化分析的基础上，通过整合全基因组关联研究数据与表达数量性状位点(expression quantitative trait loci，eQTL)及蛋白质数量性状位点(protein quantitative trait loci，pQTL)，进一步引入蛋白互作网络的构建、富集分析以及药物预测等方法，以求从遗传角度解释新型治疗靶点[15]。此次研究希望通过孟德尔随机化分析来探索与重度抑郁症相关的可成药基因，筛选与重度抑郁治疗相关的基因靶点，希望为开发更有效和靶向的治疗药物提供有价值的指导。
中国组织工程研究杂志出版内容重点：干细胞；骨髓干细胞；造血干细胞；脂肪干细胞；肿瘤干细胞；胚胎干细胞；脐带脐血干细胞；干细胞诱导；干细胞分化；组织工程

1   资料和方法   Data and methods
1.1   设计   首先，从以往文献中获取可成药蛋白编码基因，以及eQTLGen联盟提供的表达数量性状位点数据，从英国生物银行蛋白质组计划(UKB-PPP)和deCODE Genetics获取血浆蛋白质数量性状位点数据，整合后作为暴露，并与重度抑郁的全基因组关联研究数据进行双样本孟德尔随机化分析，以筛选与重度抑郁症高度相关的可成药基因；随后，进行共定位分析，用于确定2个或多个表型是否由同一区域的同一个因果变异位点驱动，以验证结果的关联性；最后，对所有重要基因进行基因本体论(Gene Ontology，GO)与京都基因与基因组百科全书(Kyoto Encyclopedia of Genes and Genomes，KEGG)富集分析、蛋白质网络构建、药物预测和分子对接(图1)。
1.2   资料
1.2.1   生物信息数据库及分析工具   芬兰数据库FinnGen Biobank (https://www.finngen.fi/en)，eQTLGen联盟 (https://www.eqtlgen.org/)，英国生物银行制药蛋白质组学项目UK Biobank Pharma Proteomics Project (https://www.ukbiobank.ac.uk/)，解码遗传学deCODE (https://www.decode.com/summarydata/)，药物-基因相互作用数据库DgiDB (https://www.dgidb.org/)，蛋白互作数据STRING (https://cn.string-db.org/)，有机小分子生物活性数据库PubChem (https://pubchem.ncbi.nlm.nih.gov/)，蛋白质结构数据库PDB (https://www.rcsb.org/)，在线分子对接网站CB-Dock2 (https://cadd.labshare.cn/cb-dock2/php/index.php)。分析工具R包 4.4.1版本，TwoSample MR 0.5.6软件包，Mendelian Randomization 0.7.0软件包，coloc 5.2.3软件包，clusterProfiler 4.10.1软件包。

1.2.2   可成药基因数据   通过2024年6月更新的药物-基因相互作用数据库[16]、FINAN等[17]整合了2个来源

可成药基因组的综述，获取可成药基因组数据，将二者取交集后用于后续的QTL数据分析。

1.2.3   暴露数据   eQTL数据来自eQTLGen联盟开展的一项包含31 684份外周血样本的大型荟萃分析研究。pQTL数据来自UKB-PPP和deCODE Genetics，用于提取与血浆蛋白质遗传关联的汇总统计数据[17-18]，分别包括2 033例和5 921例外周血样本。在每个基因组位置上下游10 000 kb区域内筛选单核苷酸多态性位点，据此分别在常染色体上鉴定出2 478个可成药基因的eQTL和7 954个可成药基因的pQTL[19]。将这些数据下载，准备用于接下来的两样本孟德尔随机化分析。
1.2.4   结局数据   重度抑郁症的数据来源于开放GWAS数据库(https://gwas.mrcieu.ac.uk/)，GWAS数据库于2008年由美国国立人类基因组研究所建立，旨在应对快速增长的全基因组关联分析数据。来自英国生物样本(UK Biobank)数据库(https://www.ukbiobank.ac.uk/proteomics)的数据集包含113 769病例和208 811对照，英国生物样本数据库是由维康信托基金和英国政府资助，并注册成为一家慈善公司，该数据库是一个试点项目，旨在将英国电子医疗记录中的数据与遗传数据联系起来，从而建立一个更全面的英国国民健康保险制度生物库。来自FinnGen数据库(https://www.finngen.fi/en/access_results)的数据集包含63 698病例和236 510对照，重度抑郁症在数据库中的编号为finngen_R11_F5_DEPRESSION_DYSTHYMIA，FinnGen研究项目自2017年起计划收集约500 000个样本，致力于通过分析芬兰人群的遗传数据，探索对人类健康的理解。
此次研究所采用的数据均源自已发表的研究和公开数据库，这些数据已获得美国疾病控制与预防中心研究伦理审查委员会的批准，并且所有参与者都已提供知情同意，因此，此次研究不再需要额外的伦理审查。
1.2.5   药物与基因关系的基因集   为对药物-基因相互作用和基因的成药性潜力进行评估，在DSigDB数据库中获取所有药物与基因关系的基因集的详细文本文件(DSigDBv1.0 Detailed.txt)。
1.3   方法 
1.3.1   孟德尔随机化分析   将下载好的可成药基因组的eQTL与pQTL数据作为暴露，筛选与暴露因素密切关联的单核苷酸多态性作为工具变量，关联显著性阈值设定为P < 5×10⁻⁸，最小等位基因频率≥0.01，并限定在基因中心上下游 ±10 Mb范围内物理距离窗口，根据F检验值去除 F < 10的弱工具变量。通过设置阈值(r2 < 0.001且距离> 10 000 kb)来修剪单核苷酸多态性以减少连锁不平衡，再剔除效应等位基因频率大于1的无效点位[20]。根据暴露变量和结局变量中所使用的效应等位基因，通过等位基因协调暴露数据和结果数据之间的效应，并对所有单核苷酸多态性的方向进行统一，修正因效应等位基因方向不一致导致的效应方向冲突。再去除具有中等效应等位基因频率的模糊回文单核苷酸多态性，确保所纳入的遗传变异具有代表性和稳定性。将工具变量与重度抑郁的数据进行两样本孟德尔随机化分析，同时以逆方差加权法作为评估模型[21]。当出现单一工具变量情况时，采用Wald比率法估计因果效应；当出现多个工具变量情况时，模型选择取决于可用工具变量的数量：包含两三个工具变量时，采用逆方差加权固定效应模型；包含超过3个工具变量时，采用基于乘法随机效应模型的逆方差加权法[22]。
通过Cochran Q统计量评估孟德尔随机化结果的异质性，通过MR-Egger regression的截距项判断基因的水平多效性，采用留一法依次去除每个单核苷酸多态性，计算所剩单核苷酸多态性的合并效应，同时敏感性分析评价任一单核苷酸多态性是否对暴露与结局的关系产生影响[23]。该文统计学方法已经长春中医药大学生物统计学专家审核。
1.3.2   共定位分析   为评估通过孟德尔随机化分析识别出的可成药基因是否与糖尿病表型共享相同的遗传变异，此次研究进一步开展了贝叶斯共定位分析。贝叶斯共定位分析基于区域水平的统计推断框架，旨在判断两类表型信号(如基因表达与疾病风险)是否由同一遗传驱动因素介导，从而提高因果推断的可信度[24]。为量化共定位的可能性，使用了coloc 软件包(v5.1.1)，该方法基于汇总数据，采用贝叶斯算法来估计存在共同因果遗传变异的概率。当单个单核苷酸多态性位于2个或多个基因的区域时，它对重度抑郁的影响主要是由不同基因混合的因素所决定。共定位分析用于确认重度抑郁症和eQTL与pQTL之间物理位置的潜在共同因果遗传变异。
为了鉴定显著靶点与重度抑郁症是否由某一个区域的同一个遗传变异位点驱动，以加强二者的关联证据，在确定2个性状中的每一个性状在此区域有1个真正变异位点的前提下，提出5个互斥的假定模型(H0-H4)[25]：①H0：重度抑郁症与显著靶点在某个基因组区域的所有单核苷酸多态性位点无关；②H1/H2：重度抑郁症与显著靶点在某个基因组区域的所有单核苷酸多态性位点都显著相关；③H3：重度抑郁症与显著靶点在某个基因组区域的所有单核苷酸多态性位点都显著相关，但它们由不同的变异位点驱动；④H4：重度抑郁症与显著靶点在某个基因组区域的所有单核苷酸多态性位点都显著相关，但它们由同一个变异位点驱动。之后使用后验概率(posterior probability，PP)来量化对所有假定模型的支持，其中若PPH4 ≥ 0.5，即可认为H4假定模型成立，该区域内存在一个单核苷酸多态性为重度抑郁与显著靶点共享。区域范围限定在100 kb，以保证共定位分析结果的稳健性。在此分析中，作者考虑了一个包含Q个遗传变异的基因组区域，每个性状由一个长度为Q的二元向量表示，其中值为1表示存在与该性状的因果关联，且约束条件为每个向量中仅有一个元素可为非零值[26]。每一对性状向量被归类为以下5种假设之一：H0与任一性状均无关联；H1仅与性状1关联；H2仅与性状2关联；H3通过不同的单核苷酸多态性与2个性状均关联；H4通过一个共享的单核苷酸多态性与2个性状均关联[27]。共定位问题的核心即为评估对假设H4的支持程度。该贝叶斯方法整合了所有可能的配置，并在单核苷酸多态性水平上分配先验概率。然后，通过计算所有配置的概率并纳入先验信息，得出每个假设的后验概率[28]。由此得到5个后验概率：PP.H0、PP.H1、PP.H2、PP.H3和PP.H4。较高的PP.H4.abf值表明存在2个不同因果单核苷酸多态性的有力证据，每个单核苷酸多态性分别与不同的性状关联；其中，PP.H4的概率值是判断共定位关系的关键标准。此次研究以PP.H4.abf ≥ 0.5作为共定位证据的阈值，认为该值以上代表基因表达与重度抑郁表型在遗传层面存在共享的遗传变异[29]。
1.3.3   生物信息富集分析   为探究所识别出的可成药基因的生物学意义，对所有显著靶点进行富集分析。GO分析是将基因分为3个功能类别：生物过程、分子功能和细胞成分[30]。KEGG通路分析即识别与这些基因相关的代谢和信号通路。
1.3.4   蛋白互作网络的构建   为阐明可成药基因间的相互作用，构建了蛋白质-蛋白质相互作用网络。使用STRING数据库(https://string-db.org/)，设定置信度评分阈值为0.7以确保纳入高置信度的相互作用[31]。所有参数均设置为默认值，以便更清晰地可视化蛋白质之间的相互作用。
1.3.5   候选药物预测   利用药物特征数据库识别潜在的治疗药物。该数据库包含22 527个基因集和17 389种化合物，覆盖19 531个基因[32]。将筛选出的显著可成药基因(校正后P值筛选条件设定为0.05)上传至药物特征数据进行药物预测和药理学评估。
1.3.6   分子对接   采用分子对接评估预测药物与其靶蛋白的结合亲和力及相互作用模式。候选药物结构来源：从PubChem化合物数据库检索[32]，格式为SDF，并使用OpenBabel v2.4.1转换为PDB格式。蛋白质结构来源于蛋白质数据库[33]。对接模拟是基于统计学显著性和基因富集结果选择五种候选药物。将二者在CB-Dock2 网站上进行在线小分子蛋白结合位点预测，计算蛋白分子与配体的结合能，对结果进行可视化[34]。
1.4   主要观察指标   鉴定可作为重度抑郁症治疗潜在靶点的可成药基因。

该研究使用全基因组孟德尔随机化和共定位分析可成药基因靶点与重度抑郁症全基因组关联研究数据相结合，确定了21个与重度抑郁症显著相关的可成药基因。在显著基因中，BTN3A3、CISD1、PSMB4在孟德尔随机化分析和共定位分析中都表现出与重度抑郁症结果共享遗传效应的证据，这很有可能是重度抑郁治疗的一个潜在靶点。该研究还对所有潜在靶点进行富集分析并构建了蛋白互作网络，以了解这些药物靶点的生物学意义和相互作用机制，最后进行药物预测和分子对接，进一步验证这些重要的可成药基因的药学
价值。
在所识别的靶点中，BTN3A3、CISD与PSMB4展现出较强的共定位信号(H4.abf > 0.5)，提示它们在疾病发生中可能存在因果关联。值得注意的是，近期一项基于血浆蛋白质组pQTL的孟德尔随机化研究亦指出，BTN3A3在精神分裂症、双相障碍及抑郁症等多种精神疾病中具有重要作用[44]。将此次研究结果与此前基于人脑 pQTL数据集的抑郁症研究进行比对后发现，PSMB4在人脑组织与外周血中均表现为候选风险蛋白，进一步支持它作为抑郁症潜在生物标志物和治疗靶点的研究价值。PSMB4编码20S蛋白酶体的一个亚基，已知参与多个生物过程与病理状态，包括抑制心肌细胞凋亡[45]、黑色素瘤及乳腺癌等[46-47]。作者还在数据库中检索到若干已获得美国食品药品管理局批准或处于临床开发阶段的PSMB4靶向药物，如卡非佐米和硼替佐米，这为开展以PSMB4为靶点的抑郁症药物再利用研究提供了现实可行的路径。CISD1基因编码的蛋白可能通过调控铁硫簇转运与线粒体氧化还原稳态，在神经炎症与氧化应激过程中发挥作用，而这2个机制被广泛认为是抑郁症发病的重要病理基础，因此，CISD1同样具有成为干预靶点的潜力，值得在后续研究中进一步探讨其功能机制与药理干预可能性。同样，LI等[48]利用英国生物银行数据库鉴定出NEK4和HAPLN4作为潜在的抑郁症相关靶点，表明共定位分析和蛋白质组学验证可以有效弥补样本量有限的不足。LIU等[49]在原发性抑郁症全基因组关联研究中鉴定出PSMB4、GRIA1和TAOK3为风险基因，间接表明精神疾病全基因组关联研究中数据库和样本量的差异可能导致结果不一致。此外，诸如FGD4和TNFSF10等基因在细胞信号传导和代谢调节中的作用进一步支持了抑郁症的“神经可塑性假说”。这些基因的功能在通路水平上与先前报道的抑郁症风险基因存在重叠，提示它们可能通过调节突触传递和神经发生影响抑郁表型。
GO富集分析显示，靶基因显著富集于突触组装、正向调节突触组装等生物学过程，这一发现与抑郁症患者中常见的神经可塑性改变现象相一致[50]，提示免疫系统、血管系统和神经系统之间的相互作用可能是该疾病的潜在基础。KEGG通路分析进一步揭示KLRD1和HSPA4等基因参与热休克蛋白通路和细胞毒性T细胞活化过程，支持抑郁症的“免疫失调假说”[51]。随后通过结构预测和分子对接初步探讨了候选小分子药物与潜在治疗靶点之间的结合关系，以BTN3A3为例，其结构预测显示出典型的免疫球蛋白样结构域，分子对接结果表明异古柯碱可稳定结合于其胞外区域的关键残基Ser76与Glu112，提示该药物可能通过调节BTN3A3的信号传导活性，缓解由免疫激活驱动的抑郁病理过程[52]。
CISD1为线粒体外膜铁硫蛋白，它与熊果苷结合的结构模型支持其在调节线粒体铁稳态与活性氧水平方面的潜在靶向作用，从而可能改善慢性应激下神经元的氧化应激状态[53]。PSMB4为蛋白酶体20S核心复合体的结构亚基，吉西他滨与它结合可能干预蛋白质降解路径，从而影响神经免疫和突触蛋白的更新过程，进而改善神经可塑性障碍[54]。在结构预测与功能位点分析的基础上，作者提出这些小分子候选药物可能通过多通路协同，作用于免疫、代谢与神经调节等关键环节，为重度抑郁症的干预提供多靶点整合的治疗新思路。值得注意的是，作为鞘脂代谢关键酶的BTN3A3与异古柯碱表现出高结合亲和力(-52.74 kJ/mol)，该基因作为原癌基因或抑癌基因，它高表达与肝细胞癌的侵袭性相关；而在结肠癌中，它低表达可能促进转移[45]，这为开发靶向脂质代谢的抗抑郁药物提供了新思路。
通过药物特征基因集数据库的分析，此次研究识别出多种与靶基因高度相关的候选化合物，其中包括吉西他滨和异古柯碱等。吉西他滨是一种广泛用于多种实体瘤的抗代谢类药物，主要通过掺入DNA链以抑制其合成并诱导细胞凋亡。尽管吉西他滨的主要适应证为恶性肿瘤，已有研究表明它可影响神经炎症途径和核因子κB信号通路，提示它可能具有间接的抗抑郁作用[55]。然而，由于吉西他滨具有较强的系统毒性，包括骨髓抑制、肝肾损伤等，它在非肿瘤人群中的长期使用受到较大限制。岩藻糖作为一种天然去氧糖，在免疫调节、肠道菌群稳态维持及神经保护等方面发挥重要作用。岩藻糖参与糖基化修饰和细胞信号转导过程，有研究指出岩藻糖缺乏可能与神经发育障碍相关，提示它或可通过影响神经胶质细胞功能参与抑郁症的发病机制[56]。熊果苷是一种来源于植物的天然苷类化合物，具有抗氧化与抗炎特性，可通过抑制NLRP3炎症小体激活并调节脑源性神经营养因子表达，从而改善慢性应激模型中的抑郁样行为，表现出较强的神经保护潜力且毒性较低。异古柯碱是一种结构类似于局部麻醉剂的小分子，它在此次研究中表现出与免疫调节相关蛋白BTN3A3的稳定结合能力。尽管当前关于异古柯碱的研究较为有限，但它可能的神经调节作用提示，部分肿瘤治疗药物可能具备重度抑郁症治疗的再利用潜力，值得深入探索。沙林是一种已知的有机磷神经毒剂，虽然它在分子对接中与多个靶蛋白表现出高亲和结合力，但由于它为强效乙酰胆碱酯酶抑制剂，具有显著神经毒性与致死风险，不具备临床应用前景。沙林对接结果更可能反映出靶点蛋白的结构特征，间接提示它可能参与胆碱能信号通路的调控。上述结果与近期关于免疫调节剂在抑郁症治疗中潜力的研究一致[57]，进一步支持了药物再利用策略在精神疾病治疗中的可行性。
此次孟德尔随机化分析使用的数据均来自欧洲人群，可成药和重度抑郁症均基于最新的全基因组关联研究数据，样本量更大，统计功效更高。然而，该研究也存在一些局限性：①重度抑郁症的发病机制高度复杂，涉及多基因、多因素及多通路的交互作用。利用遗传工具评估潜在药物靶点的因果关系，有助于厘清方向性联系，但尚不能用于定量评估效应强度。②研究虽然进行了多种敏感性分析，已对异质性与多效性进行了系统评估，但仍无法完全排除水平多效性所带来的偏倚，部分结果仍受到个别遗传工具统计效能不足和表型定义不完整的影响。③所有数据均来源于欧洲人群，虽然这可能会减少人口分层偏差，但推断到其他种族人群的可靠性可能有限。亚洲、非洲或混合人群可能具有不同的遗传背景与疾病易感模式，未来有必要纳入多族群数据集以增强结论的跨人群稳健性。④研究主要依赖计算分析手段，包括孟德尔随机化、蛋白-药物互作预测及分子对接模拟，尚缺乏实验验证环节。因此，候选靶点及化合物的功能作用仍需通过细胞实验和动物模型进一步验证，以评估其在治疗重度抑郁症方面的有效性与安全性。尽管孟德尔随机化不能取代体外或体内实验，但它联合基因组学和结构生物学分析方法，为靶点优先级排序与药物再开发提供了有价值的决策依据，为基础研究资源的高效利用和重度抑郁症的药物开发提供了新思路与方向。
此次研究通过孟德尔随机化分析和共定位分析鉴定出21个重度抑郁症的潜在治疗靶点，为了将这些发现转化为临床应用，需要进一步的实验验证以评估这些靶点的治疗潜力。这项工作最终可为开发针对重度抑郁症的靶向性和个性化治疗策略提供信息，优先考虑的基因包括BTN3A3、CISD1和PSMB4，集中于神经免疫调节、神经元氧化应激和细胞应激反应等关键通路，这些过程多被认为是抑郁症病理生理的核心；其中，分子对接模拟揭示了候选化合物与靶蛋白之间的高度亲和力相互作用(异古柯碱与BTN3A3，结合能为-52.74 kJ/mol)，进一步证实了将现有药物重新用于重度抑郁症治疗的可行性。
中国组织工程研究杂志出版内容重点：干细胞；骨髓干细胞；造血干细胞；脂肪干细胞；肿瘤干细胞；胚胎干细胞；脐带脐血干细胞；干细胞诱导；干细胞分化；组织工程

中国组织工程研究杂志出版内容重点：干细胞；骨髓干细胞；造血干细胞；脂肪干细胞；肿瘤干细胞；胚胎干细胞；脐带脐血干细胞；干细胞诱导；干细胞分化；组织工程

此次研究通过创新性整合多组学数据与孟德尔随机化方法，系统筛选出重度抑郁症的21个潜在治疗靶点。研究首次将全基因组关联研究(GWAS)数据与可成药基因的表达数量性状位点(eQTL)、蛋白质数量性状位点(pQTL)进行整合，结合贝叶斯共定位分析与分子对接技术，突破传统靶点发现局限。发现BTN3A3、CISD1和PSMB4三个核心靶点，其共定位证据显著(H4.abf > 0.5)，富集分析表明主要涉及“抗原加工与呈递”“蛋白质降解与加工”“线粒体外膜”“免疫受体活性”等多个与重度抑郁相关的功能通路。研究进一步通过药物基因组学预测并经分子对接验证，发现抗肿瘤药物吉西他滨、岩藻糖及异古柯碱与关键靶点具有高亲和力(如BTN3A3结合能达-52.74kJ/mol)，为现有药物的抗抑郁适应证转化提供全新路径。该成果建立了从遗传靶点鉴定到临床转化的标准化分析框架，为精神疾病精准治疗奠定基础。

中国组织工程研究杂志出版内容重点：干细胞；骨髓干细胞；造血干细胞；脂肪干细胞；肿瘤干细胞；胚胎干细胞；脐带脐血干细胞；干细胞诱导；干细胞分化；组织工程

	阅读次数
	全文
	摘要