人工智能机器学习技术在两种动物模型中描述了抑郁症的潜在标记

科学领域:

• 神经科学是一个神经科学.
• 蛋白质组学是指蛋白质组学.
• 生物标志物发现发现

背景情况:

• 迫切需要新型抗抑郁药的临床需求.
• 抑郁症的特点是复杂的病理生理学.
• 目前抗抑郁药治疗的局限性.

研究的目的:

• 用蛋白质学来识别抑郁症的新型蛋白质标.
• 为了区分不同的动物抑郁症模型.
• 为了发现用于抑郁症识别的生物标志物.

主要方法:

• 两种经过验证的抑郁症小鼠模型 (n=48) 的蛋白质基因分析.
• 机器学习和化学测量的应用用于数据分析.
• 生物信息学分析以确定扰乱的蛋白质功能.

主要成果:

• 在抑郁症模型与对照模型中确定了不同的蛋白质组概况.
• 在关键大脑区域观察到的常见蛋白质变化:SRCN1下调 (背脊核) 和SYIM上调 (中部前额叶皮层).
• 生物信息学表明了能量代谢和神经投射通路的参与;与mRNA水平相关的蛋白质趋势.

结论:

• 第一个研究调查抑郁症的目标在两个不同的模型中跨越多个大脑区域.
• 确定SRCN1和SYIM作为潜在的新生物标志物和抑郁症的治疗点.
• 这些发现要求对这些蛋白质进行进一步的研究,以开发抗抑郁药.