利用机器学习来揭示信任行为和生物标记之间的隐藏联系

科学领域:

• 神经科学是一个神经科学.
• 计算精神病学是一种计算精神病学.
• 生物标志物发现发现

背景情况:

• 了解信任至关重要,特别是对于患有精神健康状况的人来说,比如严重抑郁症 (MDD),他们面临人际信任方面的挑战.
• 量化内部决策流程,特别是信任,是很困难的,因为它们的不可观察性.

研究的目的:

• 使用定量分析,探索与基于信任的决策相关的生物标志物.
• 开发和应用机器学习模型,从行为数据中推断潜在的决策参数.

主要方法:

• 开发了一种使用贝叶斯层次模型的机器学习方法,以定量推断与信任相关的决策参数.
• 在信任游戏中,将模型应用于患有严重抑郁症 (MDD) 和健康对照组 (HCs) 的患者的行为数据.
• 与特定的血液代谢物相关联的估计个性化模型参数.

主要成果:

• 机器学习模型成功预测了参与者在信任游戏中的行为.
• 在MDD和HC组之间,在估计的决策参数中没有发现显著的组级差异.
• 特定的血液代谢物,包括5-aminolevulinic酸,乙卡尼丁和2-aminobutyric酸,与信任行为的个体差异有显著联系.

结论:

• 确定了基于信任的决策过程与特定的血液生物标志物之间的新联系.
• 展示了一个整合行为建模与生物标志物发现的框架,以了解社会功能.
• 调查结果可以为有针对性的干预措施提供信息,以改善临床人群中的社会互动和福祉.