重度抑郁症(Major Depressive Disorder,MDD)是一种常见的严重疾病。据估计,全球有5%的成年人患有此病。近几年,影像遗传学受到越来越多的关注,并成为发现遗传变异(如单核苷酸多态性(single nucleotide polymorphisms,SNPs))与脑成像数据之间关联的重要研究方法。然而,现有临床医生开展的MDD影像遗传学研究大多采用简单的统计分析方法,仅考虑单模态脑成像,这限制了对MDD机制认识的更深层次的发现。因此,充分探索遗传变异和多LEE011核磁模态脑影像之间的关系是非常必要的。本文利用结构磁共振成像(structural magnetic resonance imaging,s MRI)和静息态功能磁共振成像((resting-state functional magnetic resonance imaging,rs-f MRI))的多模态影像数据研究如何充分描述和利用生物标志数据内在的结构信息来建立相关模型,分析易感基因与大脑结构和功能的相关性,从而揭示出产生脑认知行为或者相关疾病的内在机制,进而开展研究工作:(1)基于拉普拉斯正则化结合多级诊断信息的基因位点和多模态脑网络关联分析;(2)基于融合自表达网络结合诊断信息的基因位点和多模态脑网络关联分析。主要工作和创新点如下:(1)在本研究中,我们开发了一种新的影像遗传关联框架,基于拉普拉斯正则化以挖掘遗传风险变异与多阶段诊断状态之间的多模态表型网络。具体而言,多模态表型网络由s MRI的体素结点medical biotechnology特征和rs-f MRI的脑区连接特征组成。采用基于多任务学习策略的关联模型,全面探索MDD风险SNP与多模态表型网络之间的关系。此外引入多阶段诊断状态,进一步挖掘不同受试者多模态之间的关系。本文数据集来自东南大学附属中大医院和新乡医科大学附属第二医院,包含了多模态影像数据和基因测序数据。实验结果证明了我们提出的方法的有效性,且该方法能识别出一些与MDD密切相关的大脑感兴趣区域(ROIs)。此外,该方法发现了4个与MDD相关的新的潜在风险SNP。(2)为了进一步探索MDD风险基因SNP与多模态影像数据的关联性,本研究将诊断信息在模型关联之前通过融合自表达网络的方式嵌入到脑区多模态数据中。通过利用自表达特性对原始数据进行重构,可以更好地描述数据的相似结构。具体来说,首先利用类内相似度信息,通PLX-4720溶解度过稀疏表示构建自表达网络。然后,融合不同模态大脑表型的自表达网络。最后,基于融合自表达网络进行关联分析。采用上述同样的数据集,实验结果验证了我们提出的方法不仅可以更好地估计遗传标记物与数量性状之间的潜在关联。此外,该方法发现了15个与MDD相关的新的潜在风险SNP。本论文利用机器学习算法,充分挖掘遗传变异和多模态脑影像之间的关联性,识别出与MDD密切相关的ROIs,此外发现了多个与MDD相关的潜在风险SNP,这些发现的生物标记和SNP能帮助对MDD的发病机制做进一步解释和探索。