XiaoMi-AI文件搜索系统
World File Search System成瘾
心理健康均等和成瘾权益法（MHPAEA）
“提供医学/手术福利，精神健康或药物使用障碍益处的发行人提供的团体健康计划（或发行人提供的与团体健康计划相关的健康保险）可能不适用于对精神健康或药物使用障碍的任何财务需求或治疗限制，这些分类中的任何分类比对这种类型的限制/限制的分类更为限制，<分别针对每种类型的财务需求或治疗限制，分别确定了适用于分类中所有医疗/手术福利的主要财务需求或治疗限制。”
成瘾相关的遗传变异暗示着成瘾神经生物学中的脑细胞类型和特定区域的顺式调节元素
最近的大型基因组关联研究已经确定了与成瘾相关行为性状相关的多个自信风险基因座。与成瘾相关性状相关的大多数遗传变异位于基因组的非编码区域，可能破坏顺式调节元件（CRE）功能。cres倾向于特异性细胞类型，并可能有助于基本成瘾的神经回路的功能发展。然而，缺乏一种系统的系统方法，用于预测风险变异对特定细胞群体的影响。为了剖析与成瘾相关性状的细胞类型和大脑区域，我们应用了分层的连锁不平衡评分回归，以将全基因组关联研究与从人类和小鼠分析中收集的开放染色质收集的基因组区域进行比较，这与CRE活性有关。我们发现，在神经元（Neun 1）核中以开放式染色质（Neun 1）核中标志性的成瘾相关变体的富集，这些核是从多个前额叶皮质区域和已知在奖励和成瘾中起主要作用的主要角色的核心。为了进一步剖析与成瘾相关性状的细胞类型特异性基础，我们还确定了雌性和雄性小鼠神经元亚型的开放染色质区域的人类直系同源物的富集：皮质兴奋性，D1，D2和PV。最后，我们开发了机器学习模型，以预测小鼠细胞类型特异性开放染色质，从而使我们能够进一步对人Neun 1
心理健康和成瘾问题行动计划 2023-2028 - NET
萨斯喀彻温省政府继续在全省范围内对心理健康和成瘾项目和服务进行创纪录的投资。仅在 2023-24 年，就投资了创纪录的 5.18 亿美元来支持这项工作。尽管在心理健康和成瘾项目和服务方面进行了创纪录的投资，但我们面临的挑战仍在继续增长，尤其是近年来。成瘾和相关问题对萨斯喀彻温省、加拿大和北美的个人、家庭和社区产生了毁灭性的影响。虽然这一挑战并非萨斯喀彻温省独有，但我们应对的方式必须是萨斯喀彻温省独有的。萨斯喀彻温省新的心理健康和成瘾行动计划为贵省政府在未来五年如何应对这一挑战提供了路线图。
用于预测智能手机成瘾的机器学习模型
智能手机已成为我们生活中不可或缺的一部分，并且在过去的十年中，它们的使用急剧增加。虽然智能手机提供了许多好处，但过多的智能手机使用可以导致成瘾，并对个人和心理健康，社会关系和生产力产生负面影响。机器学习可用于开发可以根据各种功能（例如智能手机使用模式，社交媒体使用情况，人口统计信息和心理因素）预测智能手机成瘾的模型。这些模型可以帮助识别有智能手机成瘾风险的个人，并为他们提供适当的干预措施和支持。开发一种用于预测智能手机成瘾的机器学习模型，通常是从大量个体样本中收集数据开始。这些数据将包括有关其智能手机使用模式，社交媒体使用，人口统计信息（例如年龄，性别和心理因素）的信息，例如焦虑，抑郁和压力水平。它通过打电话或发短信为人们之间的沟通提供了极大的便利。
从帕金森氏病到成瘾-Zona incerta
Zona Incerta（Zi）是位于丘脑下方的小型且历史上被忽视的结构，越来越多地因其在各种行为过程中的作用而受到认可。1970年代和1980年代的早期研究探讨了其在摄入行为中的作用，包括饮酒和喂养（综述，请参见Mitrofanis，2005年）（图1A），表明它参与了与食物和水的动机和生存机制。Zi现在被称为异质核，分为四个主要部门：tostral（ZIR），背（ZID），腹侧（ZIV）和尾caudal（ZIC）（Mitrofanis，2005），每个都有独特的神经化学素化。GABA能细胞，白细胞蛋白阳性神经元主要集中在ZIV中，而ZID富含谷氨酸能细胞，ZIR含有多巴胺能神经元（Mitrofanis，Mitrofanis，2005）。最早在60年代（Hyde and Toczek，1962）确定了ZI的运动功能，但由于Zi在帕金森氏病（PD）的背景下进行了研究，重点确实转移到1990年代与运动相关的角色上（Shi等，2024）。引入深脑刺激（DBS）作为PD患者的治疗，丘脑下核（STN）是主要靶标（Benabid等，2009），发现刺激附近的ZI也会显着改善运动症状（Voges等，2002; ossows; ossowska，2020）。这导致了对ZI的新兴趣，使其成为运动障碍疗法的聚光灯。值得注意的是，诸如冷漠之类的动机变化（Czernecki，2005; Ricciardi et al。，2014）提请注意其在动机过程中的潜在作用。因此，其非运动功能，尤其是推动先前表征的摄入行为的潜在奖励过程，受到了较少的关注。然而，PD患者ZI刺激后的非运动效应的报道（尤其是在情绪上）（Stefurak等，2003; Tommasi等，2008）或情感（Burrows等，2012） - 对Zi的角色更广泛。今天，对Zi与奖励和动机有关的行为之间的联系有了新的兴趣。当代地图，监测和操纵神经回路的方法正在改善我们对构成ZI对各种功能的不同子区域和神经元种群的贡献的理解。值得注意的是，Zi与底底nigra pars commanta（SNC）和腹侧对段面积（VTA）具有显着相似之处，尤其是在神经元种群及其行为中的特定参与方面（Mitrofanis，2005年； Margolis和Margolis，2017年）。在与动机有关的病理学（尤其是成瘾的背景下）进行了大量研究，而VTA和SNC最近进行了深入研究，但ZI的这一方面仍然很大程度上没有进行。成瘾是一种慢性精神疾病，尽管对特定行为（例如药物摄入）的控制丧失，尽管后果是负面后果。它涉及寻求，戒断和复发的反复发生的时期，导致螺旋成瘾周期
阿拉巴马州阿片类药物过量和成瘾委员会
多元化的理事会成员、深入的社区参与和主要领导人的承诺，这一进程为今年报告的制定奠定了令人印象深刻的基础。理事会召集了 100 多名专家、利益相关者和社区成员，继续推动理事会的倡议向前发展。我们为理事会及其七个小组委员会成员所做的工作感到自豪，并感谢他们的奉献精神和创新想法。所有参与者都明白他们个人和团队角色在满足理事会期望方面的重要性。看到如此慷慨的时间和专业知识，我们三人感到谦卑和鼓舞。这是一场真正需要所有利益相关者积极参与的危机。您将在今年的年度报告中看到的进展遵循以下原则
可卡因成瘾的蛋白质组机器学习研究
摘要：尽管经过数十年的努力，但美国食品和药物管理局尚未批准任何一种抗可卡因成瘾药物。主要的挑战是可卡因成瘾的分子机制错综复杂，涉及多巴胺转运蛋白上游和下游蛋白质之间的协同相互作用。然而，用传统实验很难研究如此多的蛋白质，这凸显了该领域对创新策略的需求。我们提出了一个蛋白质组信息机器学习 (ML) 平台，用于发现近乎最佳的抗可卡因成瘾先导化合物。我们分析了可卡因依赖的蛋白质组蛋白质-蛋白质相互作用网络，以确定 141 个相关药物靶点，并建立了 32 个 ML 模型，用于对 60,000 多种候选药物或实验药物进行跨靶点分析，以了解其副作用和重新利用潜力。我们进一步预测了它们的 ADMET（吸收、分布、代谢、排泄和毒性）特性。我们的平台显示，基本上所有现有的候选药物都在跨目标和 ADMET 筛选中失败，但确定了几个近乎最佳的线索以供进一步优化。
成瘾相关基因GDNF及其相互作用网络
药物滥用是全球范围内的严重健康问题，造成了医疗、社会和经济问题，而药物治疗方法却极为有限。1,2 成瘾性药物针对大脑成瘾中心的中脑皮质边缘多巴胺 (DA) 系统，包括腹侧被盖区 (VTA)、前额叶皮质和伏隔核 (NAc)。腹侧被盖区包含最大的多巴胺神经元群，在奖励相关和目标导向行为（如认知和情绪过程）中起着重要作用。3 将 GDNF 注入腹侧被盖区 (VTA)（一个对成瘾很重要的多巴胺能大脑区域）可阻止对慢性可卡因或吗啡的特定适应以及可卡因的奖励效应。 4 可能在这种保护机制中发挥关键作用的一个因素是神经胶质细胞源性神经营养因子 (GDNF)，它是中脑多巴胺 (DA) 神经元发育和残留的主要生长因子。 5 最近的研究表明，GDNF 被认为是某些成瘾类型的负调节因子。 6–8 具体来说，我们之前发现一些 miRNA 在腹侧被盖区 (VTA) 和伏隔核中甲基苯丙胺滥用中起关键作用。我们发现 miRNA 上调了 GDNF 基因。在这项研究中，我们旨在展示 GDNF 靶基因网络。