大型静止状态网络在重大抑郁症中协同激活的概率

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.
• 系统神经科学 系统神经科学

背景情况:

• 大型抑郁症 (MDD) 在大规模的大脑网络中呈现出复杂,分布式的变化.
• 了解协同网络模式对于识别MDD驱动器至关重要.
• 需要整合性方法来分析复杂的大脑网络相互作用.

研究的目的:

• 调查MDD和没有MDD的个体的同时静止状态网络 (RSN) 激活模式或协同激活.
• 探索动态网络组织与MDD临床症状之间的关系.
• 将动态系统方法应用于静止状态fMRI数据.

主要方法:

• 利用双向最大值模型从静止状态fMRI数据估计RSN协同激活概率.
• 分析了867名参与者的数据:487名健康对照 (HC),175名目前的MDD (cMDD) 和205名缓解的MDD (rMDD).
• 检查了7个RSN的协同激活模式,包括默认模式网络 (DMN),前端对联网络 (FPN) 和视觉网络 (VIS),捕获了128种可能的网络状态.

主要成果:

• 在cMDD中观察到高的协同激活概率,特别是涉及DMN,FPN和VIS.
• 一个特定的协同激活状态 (DMN,VIS,背部注意网络 [DAN],FPN,语言网络 [LAN]) 与MDD诊断和症状严重程度有很强的相关性.
• 准则相关性分析确定了两个网络症状概况,将DMN/DAN联合激活与认知/情绪症状联系起来,以及感觉运动网络 (SMN) /VIS联合激活与认知/体质症状联系起来.

结论:

• 特别是在急性发作中,MDD的特征是DMN,FPN和VIS联合激活的占主导地位,表明变化的动态网络组织.
• 大脑状态动态的变化与MDD症状显著相关.
• 这项研究强调了动态网络分析对于理解MDD病理生理学的重要性.