XiaoMi-AI文件搜索系统
World File Search SystemSchizophrenia
通过拓扑高阶功能连通性阐明精神分裂症中精神分裂症的整合 - 隔离失衡
背景：脑疾病的发生与脑连接学专业化中可检测的功能障碍相关。广泛的研究探讨了这种关系，但考虑到低阶网络的局限性，缺乏研究专门研究精神病脑网络之间的统计相关性。此外，这些功能障碍被认为与大脑功能中的信息失衡有关。但是，我们对这些失衡如何引起特定的精神病症状的理解仍然有限。方法：本研究旨在通过研究健康个体的专业化和被诊断为精神分裂症的人的拓扑高阶水平的变化来解决这一差距。采用图理论大脑网络分析，我们系统地检查静止状态功能性MRI数据，以描绘大脑网络连通性模式中的系统级别区分。Results: The findings indicate that topological high-order func- tional connectomics highlight differences in the connectome between healthy controls and schizophrenia, demonstrating increased cingulo-opercular task control and salience interac- tions, while the interaction between subcortical and default mode networks, dorsal attention and sensory/somatomotor mouth decreases in schizophrenia.另外，与健康对照组相比，精神分裂症患者中脑系统的隔离和脑部整合减少可能是早期精神分裂症的新指标此外，我们观察到与精神分裂症患者相比，健康控制中脑系统的分离降低，这意味着在精神分裂症中逐渐隔离和脑网融合之间的平衡在精神分裂症中破坏了，这表明可以恢复这种平衡来治疗这种疾病。
基于 EEG 的新型精神分裂症检测，结合 IoMT 框架实现智能医疗
在神经科学领域，大脑活动分析一直被视为重要领域。精神分裂症 (Sz) 是一种脑部疾病，严重影响世界各地人们的思维、行为和感觉。脑电图 (EEG) 被证明是 Sz 检测的有效生物标志物。EEG 是一种非线性时间序列信号，由于其非线性结构，利用它进行研究至关重要。本文旨在使用深度学习方法提高基于 EEG 的 Sz 检测性能。提出了一种称为 SzHNN（精神分裂症混合神经网络）的新型混合深度学习模型，它是卷积神经网络 (CNN) 和长短期记忆 (LSTM) 的组合。CNN 网络用于局部特征提取，LSTM 用于分类。所提出的模型已与仅使用 CNN、仅使用 LSTM 和基于机器学习的模型进行了比较。所有模型均在两个不同的数据集上进行了评估，其中数据集 1 包含 19 名受试者，数据集 2 包含 16 名受试者。针对同一模型，使用不同频带上的各种参数设置和头皮上的不同电极组进行了多次实验。基于所有实验，很明显，与其他现有模型相比，所提出的混合模型 (SzHNN) 提供了 99.9% 的最高分类准确率。所提出的模型克服了不同频带的影响，甚至仅使用 5 个电极就显示出 91% 的更高准确率。所提出的模型还在医疗物联网 (IoMT) 框架中进行了评估，用于智能医疗和远程监控应用。
单细胞分辨率的RNA编辑调查将中间神经元与精神分裂症和自闭症联系起来
通过ADAR酶将腺苷转化为RNA中的插入，称为“ RNA编辑”，对于健康的脑部开发至关重要。 编辑在神经精神疾病中失调，但尚未在分裂神经元的水平上进行大规模研究。 我们从一个神经典型雌性供体的六个皮质区域的3055个神经元中量化了RNA编辑位点，并发现至少十个核中存在41,930个位点。 大多数站点位于内含子或3'UTR中的Alu重复序列中，大约80％在公共RNA编辑数据库中分类。 我们确定了9285个假定的新型编辑站点，其中29％也可以在无关的供体中检测到。 与大量RNA-seq研究的结果相交，为1730个地点提供了细胞类型和空间环境，这些位点在精神分裂症脑供体中差异编辑，以及自闭症供体中的910个此类部位。 自闭症相关的基因还具有预测可修饰RNA结构的编辑位点。 抑制性神经元比兴奋性神经元显示出更高的整体转录组编辑，并且在额叶皮层中观察到最高的编辑速率。 我们使用广义线性模型来识别细胞类型之间的差异编辑位点和基因。 在兴奋性神经元中优先编辑了二十九个基因，在抑制性神经元中更严重地编辑了43个基因，包括RBFOX1，其靶基因，与自闭症相关的Prader-Prader-Willi locus（15q11）中的基因。 来自基因座15q11的SNORD115/116基因的丰度与整个转录组的编辑呈正相关。通过ADAR酶将腺苷转化为RNA中的插入，称为“ RNA编辑”，对于健康的脑部开发至关重要。编辑在神经精神疾病中失调，但尚未在分裂神经元的水平上进行大规模研究。我们从一个神经典型雌性供体的六个皮质区域的3055个神经元中量化了RNA编辑位点，并发现至少十个核中存在41,930个位点。大多数站点位于内含子或3'UTR中的Alu重复序列中，大约80％在公共RNA编辑数据库中分类。我们确定了9285个假定的新型编辑站点，其中29％也可以在无关的供体中检测到。与大量RNA-seq研究的结果相交，为1730个地点提供了细胞类型和空间环境，这些位点在精神分裂症脑供体中差异编辑，以及自闭症供体中的910个此类部位。自闭症相关的基因还具有预测可修饰RNA结构的编辑位点。抑制性神经元比兴奋性神经元显示出更高的整体转录组编辑，并且在额叶皮层中观察到最高的编辑速率。我们使用广义线性模型来识别细胞类型之间的差异编辑位点和基因。在兴奋性神经元中优先编辑了二十九个基因，在抑制性神经元中更严重地编辑了43个基因，包括RBFOX1，其靶基因，与自闭症相关的Prader-Prader-Willi locus（15q11）中的基因。来自基因座15q11的SNORD115/116基因的丰度与整个转录组的编辑呈正相关。我们认为，抑制性神经元中自闭症相关基因的编辑不足可能会与这些细胞在自闭症中的特定扰动进行分配。
将突触功能障碍与精神分裂症的疾病机制联系起来——一项多层次调查（SYNSCHIZ）
项目协调员：Ole Andreassen 教授，奥斯陆大学研究所临床医学系，RCN，挪威奥斯陆项目合作伙伴：Marcella Rietschel 教授，中央精神卫生研究所，精神病学遗传流行病学系，BMBF，德国曼海姆 Stefan Borgwardt 教授，巴塞尔大学，SNSF 精神病学系，瑞士巴塞尔 Marja-Leena Linne 教授，坦佩雷理工大学，生物医学科学与工程学院，AKA，芬兰坦佩雷 Dirk Schubert 助理教授，拉德堡德大学医学中心，Donders 大脑、认知和行为研究所，认知神经科学系，NOW，荷兰奈梅亨 Magdalena Budisteanu 博士，Alex Obregia 教授，精神病学临床医院，UEFISCDI 研究精神病学实验室，罗马尼亚布加勒斯特 精神分裂症是一种严重的衰弱性精神疾病，其特征是幻觉、妄想、认知障碍和功能下降。它是社会面临的主要挑战之一，大量患者的需求尚未得到满足，欧洲社会为此付出了高昂的医疗费用。在过去十年中，人们已经清楚地认识到，精神分裂症是一种大脑不同区域无法正常沟通的疾病。与此同时，最近的基因发现指出了脑细胞（神经元）的沟通功能障碍。这些见解综合起来表明，大脑神经元之间的连接（突触）存在故障。然而，导致精神分裂症的确切突触机制仍然难以捉摸。SYNSCHIZ 项目由来自挪威、德国、瑞士、芬兰、罗马尼亚和荷兰的专家合作开展，他们使用最先进的方法研究从基因到神经元细胞再到大脑网络等各个层面的突触功能障碍。这包括在大型国际样本中发现基因、创建突触的计算机模型、在神经元中对模型进行实验验证以及对大脑网络进行成像以测试人类的突触功能。通过研究从基因到大脑网络等各个层面与突触功能障碍相关的疾病模式，我们将阐明精神分裂症的具体机制。此外，揭示这些机制还可以产生生物标记物，可用于在严重症状爆发之前的早期阶段预测疾病。这将使临床医生能够缩短未治疗疾病的持续时间并提供早期支持。SYNSCHIZ 研究人员都是不同领域的专家。我们可以共同将精神分裂症拼图的不同部分连接起来，并实现宏伟的目标。因此，SYNSCHIZ 将增加我们对精神分裂症背后的突触机制的理解，并将促进治疗和潜在预防精神疾病的新发展。SYNSCHIZ 非常适合将科学发现转化为临床应用。
精神分裂症患者无麸质饮食的随机双盲住院研究
Daniel J.O. Roche，博士学位1,2 Monica V. Talor，MS 4 Sarah Clark，博士学位2 William W. Eaton，PhD†，5 *共享第一作者1马里兰州精神研究中心，马里兰大学医学院，巴尔的摩大学医学院，美国马里兰州，美国马里兰州； 2美国马里兰州马里兰州医学院精神病学系； 3美国马里兰州陶森的Sheppard E. Pratt医院。 4约翰·霍普金斯大学医学院病理学系，美国马里兰州巴尔的摩； 5约翰·霍普金斯大学医学院精神病学系，美国马里兰州巴尔的摩； †指示全部教授通讯作者：Maryland Psychiatric Research Center of Maryland Medicine Medicine of Medicine tawes建筑物Tawes大楼55 Wade Ave. Baltimore，MD 21228 dlkelly@som.umaryland.umaryland.edu 410-410-402-68611Daniel J.O.Roche，博士学位1,2 Monica V. Talor，MS 4 Sarah Clark，博士学位2 William W. Eaton，PhD†，5 *共享第一作者1马里兰州精神研究中心，马里兰大学医学院，巴尔的摩大学医学院，美国马里兰州，美国马里兰州； 2美国马里兰州马里兰州医学院精神病学系； 3美国马里兰州陶森的Sheppard E. Pratt医院。 4约翰·霍普金斯大学医学院病理学系，美国马里兰州巴尔的摩； 5约翰·霍普金斯大学医学院精神病学系，美国马里兰州巴尔的摩； †指示全部教授通讯作者：Maryland Psychiatric Research Center of Maryland Medicine Medicine of Medicine tawes建筑物Tawes大楼55 Wade Ave. Baltimore，MD 21228 dlkelly@som.umaryland.umaryland.edu 410-410-402-68611Roche，博士学位1,2 Monica V. Talor，MS 4 Sarah Clark，博士学位2 William W. Eaton，PhD†，5 *共享第一作者1马里兰州精神研究中心，马里兰大学医学院，巴尔的摩大学医学院，美国马里兰州，美国马里兰州； 2美国马里兰州马里兰州医学院精神病学系； 3美国马里兰州陶森的Sheppard E. Pratt医院。4约翰·霍普金斯大学医学院病理学系，美国马里兰州巴尔的摩； 5约翰·霍普金斯大学医学院精神病学系，美国马里兰州巴尔的摩； †指示全部教授通讯作者：Maryland Psychiatric Research Center of Maryland Medicine Medicine of Medicine tawes建筑物Tawes大楼55 Wade Ave. Baltimore，MD 21228 dlkelly@som.umaryland.umaryland.edu 410-410-402-68611
通过其时间表达模式聚类精神分裂基因有助于功能解释
1心理健康与成瘾司，挪威精神障碍研究中心（诺门特），奥斯陆大学医院和挪威奥斯陆奥斯陆大学临床医学研究所； 2荷兰马斯特里赫特市马斯特里赫特大学心理健康与神经科学学院卫生，医学和生命科学学院； 3挪威奥斯陆奥斯陆大学心理学系； 4耶鲁大学医学院精神病学系，康涅狄格州纽黑文； 5荷兰乌得勒支乌得勒支大学医学中心精神病学系； 6 Cardiff大学神经精神遗传学与基因组学中心心理医学和临床神经科学系，英国加的夫大学的卡迪夫大学医学院； 7挪威奥斯陆奥斯陆大学医院医学遗传学系； 8挪威卑尔根大学精神障碍研究中心临床科学系； 9 K.G.Jebsen神经发育障碍中心，奥斯陆奥斯陆大学，挪威； 10精神病学和心理治疗系，TüBingen心理健康中心，德国TüBingenTüBingen大学； 11德国心理健康中心（DZPG），德国TüBingenJebsen神经发育障碍中心，奥斯陆奥斯陆大学，挪威； 10精神病学和心理治疗系，TüBingen心理健康中心，德国TüBingenTüBingen大学； 11德国心理健康中心（DZPG），德国TüBingen
基于fMRI 4D时空数据
使用神经影像数据将精神健康障碍与健康对照的患者区分开来，已采用了广泛的机器学习方法。但是，几乎所有此类方法都基于连接矩阵或从神经成像数据得出的特征应用于输入。最近只有几篇论文根据原始的基于体素的时空数据考虑了这种分类。在本文中，我们报告了基于体素的fMRI数据上一些尖端机器学习算法的性能，以对健康对照和精神分裂症患者进行分类。我们采用的方法包括卷积神经网络，具有较长短期记忆的卷积复发性神经网络以及基于Wasserstein生成的对抗网络的分类的转移学习方法。为了减轻适合可用硬件的计算负担，我们必须将原始的4维数据减少到几乎所有架构的3维输入中。我们的结果表明，基于卷积神经网络的相对简单的体系结构在对健康对照组中的患者分组中表现出合理的不兼容性。相反，我们使用的其他两个复杂架构的性能相对较差。
精神分裂症中脑形态的疾病进展模式：耐药性阶段的进步
维持精神分裂症中脑形态变化的三种不同亚型（图1）即，i）皮层下体积减少（SC）类型（73例），ii）Globus pallidus肥大和皮质稀释剂（GP-CX）型（42例患者），III）皮质稀释（纯CX）型（39例）。在SC类型中，皮层下体积损失，尤其是海马和丘脑，最初发生，皮质变薄（左图1）。在GP-CX型中，球pallidus肥大最初发生，其次是皮质稀疏，没有其他皮层结构的严重萎缩（图。1）。在纯CX类型中，皮质
EEG P-ADIC量子潜力准确地识别抑郁症，精神分裂症和认知能力下降 非暴力抵抗策略的动态模型
对于大多数神经精神疾病，尚无可用来帮助早期诊断和及时治疗干预的诊断或预测工具。开发了基于常规的脑电图记录，量子潜在的平均值和可变性评分（QPMV）以高精度识别具有高精度的神经精神和神经认知失误。假定大脑中的信息过程涉及大脑各个区域中神经元活性的整合。因此，假定的量子样结构允许量化连通性作为空间和时间（局部性）的函数以及信息空间（非局部性）中类似量子的效应的函数。eeg信号反映了大脑的整体（不可分割）功能，包括大脑的高度层次结构，该功能由量子电位根据Bohmian力学表达，并结合了数据和PADIC数字的树状图表示。参与者由230名参与者组成，其中包括28名患有严重抑郁症的参与者，42名精神分裂症，65名认知障碍和95个对照。常规的脑电图记录用于基于超级分析的QPMV，与P -ADIC数字和量子理论紧密结合。新型的EEG分析算法（QPMV）似乎是诊断神经精神疾病和神经认知疾病的有用且足够准确的工具，并且可能能够预测疾病的病程和治疗的反应。基于曲线下的面积，在将健康对照与诊断为精神分裂症（p <0.0001）（p <0.0001），阿尔茨海默氏病，阿尔茨海默氏病（AD; p <0.0001）和轻度认知障碍（MCI; p <0.0001）以及与Schizeprenrren的参与者（p <0.0001）以及p <0.000 <0.000 <0.000 <0.000 <0.000 <0.0001）中获得了高准确性。 0.0001）或MCI（p <0.0001）以及与AD（P <0.0001）或MCI（P <0.0001）的抑郁症患者区分开来。