XiaoMi-AI文件搜索系统
World File Search SystemSchizophrenia
精神分裂症相关基因AS3MT的功能表征鉴定出在神经元发育中的作用。
图4在分化的AS3MT敲除和野生型细胞系之间未观察到形态差异：使用10μM视黄酸的细胞系在7天内使用10μM视黄酸和1％FBS在酸蚀刻，层粘连蛋白和多赖氨酸和多赖氨酸覆盖的覆盖物上覆盖，以获取MAP2，以获取MAP2，以获取cytoskeposkemeleckkeletalsmembeletalmarkeral。（a）敲除（KO）或野生型（wt）AS3MT线之间的MAP2 +单元总数没有差异（t检验，T [0.875] = 1.19，p = 0.523）b）kO和WT AS3MT线之间的细胞面积没有差异（T AS3MT test test，t test，T [1.98] [1.98] = 1.198]，P。c）KO和WT AS3MT线之间的最长神经突长度没有差异（t检验，t [1.99] = 1.10，p = 0.386）。d）KO和WT AS3MT线之间的总神经突长度没有差异（t检验，t [1.11] = 0.937，p = 0.508）。在两个独立的KO/WT细胞系上进行了三个技术重复，进行了每个实验。条代表每个基因型的两个细胞系的平均值。错误是平均值±SEM
成人精神分裂症大脑中的神经元染色质景观与早期胎儿发育有关
图1：人脑中的种群尺度染色质可及性分析。a）从469个独特的供体中获得脑组织标本，其中包括精神分裂症（SCZ）（n = 157），BD（n = 77）和对照组（n = 235）。风扇分离出神经元和非神经元核，并进行了ATAC-SEQ分析以产生总共1,393个文库。b）Venn图显示了已识别OCR的细胞类型（左）和脑区域（右）（右）特异性。c）顶部：示意图显示增强器启动器链接。灰色盒子，浅灰色盒子和黑色箭头分别代表OCR，TSS和基因体。底部：饼图中的分布显示了注释到神经元（红色的阴影）和非神经元（蓝色）OCR的19,749个基因的分层。神经元中的精神分裂症OCR富含精神分裂症风险变体，我们接下来研究了与精神分裂症和BD相关的染色质可及性模式的变化
具有磁共振成像，高级分析和机器学习的精神分裂症的形态学研究
我们对精神分裂症患者进行了形态学分析，并将其与健康对照组进行了比较。我们的分析包括使用公共可用的自动提取工具来评估从结构性磁共振成像（MRI）（MRI）的区域皮质厚度（包括区域内厚度可变性）来表征基于公共可用数据集的精神分裂症相关的群体异常。我们还进行了自动提取的生物标志物与可用的各种患者临床变量之间的相关性分析。最后，我们还介绍了机器学习分析的结果。结果表明，精神分裂症的区域皮质厚度异常。我们观察到患者抑郁症与右侧轨道额叶皮质的平均皮质厚度之间的相关性（RHO = 0.474）。我们评估的领先的机器学习技术是基于区域脑测量值，包括来自岛岛，上级额叶，尾状，钙质沟，钙疗，直肠和自由的中间区域，其灵敏度为92％和74％的敏感性和74％的特定敏感性。这些结果表明，将MRI与自动生物标志物提取的高级分析技术有助于表征精神分裂症患者。
精神分裂症中功能活性5-HT1A受体的体内成像：概念和挑战
摘要5-羟色胺5-HT 1A受体引起了广泛的关注，作为治疗精神疾病的靶标。尽管该受体在新一代抗精神病药的作用的药理机制中很重要，但其表征仍然不完整。基于自显影术对脑组织的体外分子成像的研究，以及最近的体内PET成像，尚未产生明确的结果，特别是由于当前5-HT 1A放射性培训的局限性，由于缺乏特定的特异性和/或与所有5-HT 1A受体结合，无论其功能能力。功能活性G蛋白偶联受体的PET神经影像学的新概念使得通过启用新的研究范式来重新访问PET脑探索。对于5-HT 1A受体，现在可以使用具有高效能性激动剂特性的5-HT 1A受体放射性物体[18 f] -f13640，以特定可视化和量化功能活性受体，并将这些信息与受试者的病理学或药理学或药理学或药理学状态相关联。因此，我们提出成像协议，以遵循与情绪降低或认知过程有关的功能性5-HT 1A受体模式的变化。这可以改善对不同精神分裂症表型的歧视，并对对抗精神病药的治疗反应基础有更深入的了解。最后，除了靶向功能活跃的受体以洞悉5-HT 1A受体的作用外，该概念也可以扩展到对参与精神疾病的病理生理学或治疗的其他受体的研究。
精神分裂症中奖励的自适应编码，其随着时间的变化和与冷漠的关系
奖励的自适应编码是神经元对可用补偿背景的反应的过程。较高的奖励会导致更强的大脑反应，但是响应的增加取决于可用奖励的范围。在狭窄范围内观察到更陡峭的增加，并且在更广泛的范围内逐渐逐渐增加。在精神分裂症中，自适应编码似乎在不同领域，尤其是在奖励领域中受到影响。在这里，我们测试了大量精神分裂症患者（n = 86）和对照组（n = 66）的奖励的自适应编码。我们评估了：（i）自适应编码缺陷和症状之间的关联； （ii）缺陷的纵向稳定性（相同的任务相同3个月）； （iii）两个实验部位之间结果的稳定性。我们使用功能性MRI和货币激励延迟任务来评估参与者对两个不同的奖励范围的适应：狭窄范围和广泛范围。我们使用利率分析来评估纹状体和视觉区域内的适应性。患者和对照受试者接受了全面的人口统计和临床评估。我们发现患者的自适应编码降低，在狭窄的奖励范围内，相对于对照参与者，纹状体但没有视觉区域的奖励范围降低。在两个研究地点都观察到了这种模式。进行重新测试后，患者增加了狭窄的斜率，显示了改善的自适应编码，而对照受试者则略微降低了它们。在重新测试时，狭窄范围内斜坡过高的患者也显示出更高水平的负症状。我们的数据证实了精神分裂症奖励适应的缺陷，并揭示了患者实践的影响，从而改善了改善，重新测试时坡度较高。但是，在某些患者中，由于大脑反应的早期饱和，坡度过高可能导致更大的奖励可区分性。一起，在新的（第一次接触，适应不足）和更熟悉的（重新测试，过度适应）情况下丧失奖励表示的损失可能会导致精神分裂症的多种动机症状。
功能性大脑状态的能量与青少年期精神分裂症患者和健康人的认知相关
青少年期发病的精神分裂症 (AOS) 罕见且研究不足，与成人期发病的精神分裂症相比，其认知障碍更严重，预后更差。神经影像学显示，与对照组相比，AOS 患者的区域激活（一级效应）和功能连接（二级效应）发生了改变。成对最大熵模型 (MEM) 将一级和二级因子整合为一个称为能量的量，该量与大脑活动模式发生的概率成反比。我们采用组合方法研究与任务相关的组件的多个全脑 MEM；数百个独立的各个子系统的 MEM 适合 7 特斯拉功能性 MRI 扫描。在执行宾州条件排除测试 (PCET) 以检测执行功能时，从 23 名 AOS 个体和 53 名健康对照者收集了数据，已知 AOS 患者的执行功能受损。与对照组相比，AOS 患者的 PCET 表现准确度显著降低。大多数模型显示 PCET 分数与 fMRI 上获得的总能量之间存在显著的负相关性。在所有实例中，AOS 组与高能量状态的出现频率显著增加相关，使用混合效应模型进行评估。使用能量景观（在低维平面上可视化高能量和低能量状态）和轨迹分析（量化整个景观中的大脑状态演变）进一步研究了一个示例 MEM 实例。两者都支持能量分布中的患者控制差异。精神病理学的严重程度与能量呈正相关。MEM 在任务相关系统中对能量的综合表示可以帮助表征 AOS、认知障碍和精神病理学的病理生理学。
灰质体积决定精神分裂症患者的大脑年龄差距：一项 SHAP 研究
基于神经影像的脑年龄是一种通过机器学习 (ML) 预测生成的生物标记。脑年龄差距 (BAG) 通常定义为预测脑年龄与实际年龄之间的差异。研究一致报告称，精神分裂症 (SCZ) 患者的 BAG 呈阳性。然而，人们对哪些特定因素驱动基于 ML 的脑年龄预测知之甚少，导致对 BAG 的生物学解释有限。我们从三个公开数据库（COBRE、MCIC 和 UCLA）和一个早期精神分裂症的额外数据集（TOPSY）（82.5% 未接受治疗的首发样本）收集数据，并使用预训练的梯度提升树计算脑年龄。然后，我们应用 SHapley 加性解释 (SHAP) 来确定哪些脑特征会影响脑年龄预测。我们研究了每个特征和组的 SHAP 分数与 BAG 之间的相互作用。这些分析确定了总灰质体积（组 × SHAP 交互项 β = 1.71 [0.53; 3.23]; p 相关 < 0.03）是影响 SCZ 中观察到的 BAG 的特征，这些特征是最能预测大脑年龄的大脑特征之一。其他大脑特征在 SCZ 和 HC 之间的 SHAP 值也存在差异，但它们与 BAG 没有显著关联。我们将研究结果与非精神病性抑郁症数据集（CAN-BIND）进行了比较，其中相互作用并不显著。这项研究对于理解大脑年龄预测模型和 SCZ 中的 BAG 以及可能在其他精神疾病中的 BAG 具有重要意义。
澳大利亚经济不确定性冲击的工业影响
hal是一个多学科的开放访问档案，用于存款和传播科学研究文件，无论它们是否已发表。这些文件可能来自法国或国外的教学和研究机构，也可能来自公共或私人研究中心。
精神分裂症患者听觉编码过程中皮层功能可塑性的干预特定模式
精神分裂症是一种神经认知疾病，其特征是早期听觉处理和高阶言语工作记忆中的行为和神经障碍。之前，我们已经证明，与强调视觉处理的计算机游戏 (CG) 控制干预相比，计算机化的、有针对性的听觉处理 (AT) 训练可以改善干预特定的认知表现。为了研究 AT 干预特有的神经活动模式的时空变化，本研究使用脑磁图 (MEG) 成像来推导听觉编码过程中诱发的高伽马波段振荡 (HGO)，在接受 AT 或 CG 干预 50 小时（约 10 周）之前和之后。在刺激编码过程中，AT 干预特有的高伽马活动变化发生在左侧
使用多元解码方法评估精神分裂症 ERP 信号的信息内容
多元模式分类（解码）方法通常用于研究典型个体的神经认知处理机制，它们可用于量化单个参与者神经信号中存在的信息。这些解码方法在确定精神病和非精神病人群之间信息表示的差异方面也可能很有价值。在这里，我们检查了精神分裂症患者（PSZ）和健康对照受试者（HCS）的 ERP，他们在工作记忆任务中需要记住屏幕一侧的 1、3 或 5 个项目并忽略另一侧。我们使用 ERP 的空间模式来解码屏幕的哪一侧被保存在工作记忆中。人们可能会认为，由于噪音增加（即试验间变异性更大），PSZ 的解码准确度不可避免地会更低。然而，我们发现在记忆负荷 1 时，PSZ 中的解码准确度高于 HCS，这与之前的研究一致，在之前的研究中，在记忆负荷 1 时，PSZ 中的记忆相关 ERP 信号大于 HCS。我们还观察到，解码准确度与记忆相关 ERP 活动与噪声水平的比率密切相关。此外，我们发现 PSZ 和 HCS 中的噪声水平相似，这与 PSZ 会表现出更大的试验间变异性的预期相反。总之，这些结果表明，多变量解码方法可以有效地应用于个体参与者层面，以了解精神病人群认知功能受损的性质。