休息状態のデータにハイパーアラインメントを適用すると,機能的なネットワークの体系的な変化が明らかになり,異なる臨床サブグループが特定されます

科学分野:

• 計算神経科学
• 神経イメージング
• 精神疾患

背景:

• 症状の異質性や個々の脳の違いにより 精神病に関連する疾患の診断は困難です
• 精神病のバイオマーカーの識別は これらの変異によって妨げられます
• 計算神経科学は複雑な脳データを 分析するための革新的な方法を提供しています

研究 の 目的:

• 精神病と健康な対照群の休息状態の機能的接続性データにハイパーアラインメントを適用する.
• 精神病の潜在的バイオマーカーとして変換メトリックの有用性を調査する.
• 脳の接続パターンに基づく 精神病の診断における 異なる生物学的サブグループを特定する

主な方法:

• 参加者の神経活動パターンを調整するためにハイパーアラインメントを使用しました.
• 前頭皮質と他の脳の領域間の休息状態の機能的接続性が分析されました.
• バイナリクラスサポートベクトルマシン (SVM) が精神病の分類に使用された.
• Voxelwiseの回転推定値と変換複合物は,サブグループ分析に使用されました.

主要な成果:

• ハイパーアラインメントとSVM分類は,コントロールと精神病の区別において適度な精度を達成した.
• Voxelwiseの回転推計は,独特な前頭部接続のトポグラフィを持つ2つの異なる生物学的サブグループを明らかにしました.
• 精神病群では,対照群と比較して,パターンの接続性が低下し,ベースラインの接続性が上昇した.
• 精神病では前頭部接続性のバランスが崩れ 一般的に高まり,特異的に鈍化していることが示唆された.

結論:

• 前頭皮質の接続性の差異は 精神病と関連しています
• 精神病のバイオマーカーとして 有望だ
• この研究は,精神病内の臨床サブ集団を特徴づけるために,ハイパーアライメントの可能性を強調しています.
• 新しい計算手法により 深刻な精神疾患の客観的な特徴づけが進めるかもしれません