XiaoMi-AI文件搜索系统
World File Search System特质
研究文章通过控制精神分裂症的基因组风险来研究大脑基因共同表达网络结构的特质变异性
精神分裂症（SCZ）遗传风险对脑中基因表达的影响仍然存在。这一问题的一种流行方法是基因共表达网络算法（例如WGCNA）的应用。要通过这种方法提高可靠性，至关重要的是要消除不良方差的来源，同时也保留了感兴趣的生物学信号。在这项WCGNA研究的RNA-seq数据研究中，我们的后额叶前皮层（78个神经型供体，欧洲血统）测试了SCZ遗传风险对共表达网络的影响。具体而言，我们实施了一种新颖的设计，在该设计中，通过线性回归模型调整了基因表达，以保存或消除通过生物学兴趣信号解释的方差（SCZ风险的GWAS基因组评分） - （GS-SCZ），（GS-SCZ），基因组分数，高度（GS-HT）作为负面对照的高度（GS-HT），同时删除了covariat diment covariat dixpect files coeriat covariat from covariat。我们通过调整后的表达（GS-SCZ和GS-HT保留或删除）计算了共表达网络，以及它们之间的共识（代表“背景”网络无基因组得分效应的“背景”网络）。然后，我们测试了GS-SCZ保留的模块和背景网络之间的重叠，该模块的重叠减少的模块将受到GS-SCZ生物学的影响最大。此外，我们还测试了这些模块的SCZ风险收敛性（即，PGC3 SCZ GWAS优先基因的富集，SCZ风险遗传力的富集和相关的生物本体论。总的来说，我们的结果表明我们的结果突出了GS-SCZ对大脑共同辅助网络的影响的关键方面，特别是：1）保存/删除SCZ遗传风险改变了共同表达模块； 2）富含GS-SCZ影响的模块中的生物学途径暗示转录，翻译和代谢过程，这些过程会融合到影响突触传播的影响； 3）优先级PGC3 SCZ GWAS基因和SCZ风险遗传力富含与GS-SCZ效应相关的模块。
对基因组学和人类遗传学方法的年度综述以及单细胞表达定量特质基因座的见解
单细胞技术的最新进步已实现了单细胞分辨率下许多个体的表达定量性状基因座（EQTL）分析。与散装RNA测序相比，该测序平均在细胞类型和细胞状态下平均基因表达，单细胞测定法捕获了单个细胞的转录状态，包括以前所未有的规模和分辨率的细胞，瞬态和难以隔离的群体。单细胞EQTL（SC-EQTL）映射可以识别与细胞态不同的上下文依赖性eqtl，包括一些与基因组关联研究中鉴定出的差异变体共定位的一些。通过揭示这些EQTL行为的精确上下文，单细胞方法可以揭示以前隐藏的调节效应，并确定重要的
一种新型的定量特质基因座暗示了MSH3在小鼠全基因组短串联重复膨胀
1医学系2，美国加利福尼亚州加利福尼亚州加利福尼亚大学加利福尼亚大学加利福尼亚州加利福尼亚州92093的计算机科学与工程系； 3加利福尼亚州加利福尼亚大学加利福尼亚州加利福尼亚州加利福尼亚州加利福尼亚州92093，加利福尼亚大学圣地亚哥分校生物信息学和系统生物学计划； 4田纳西大学健康科学中心，田纳西州田纳西州38163，田纳西大学健康科学中心遗传学，基因组学和信息学系； 5意大利的那不勒斯80111国家研究委员会遗传与生物物理学研究所； 6美国加利福尼亚州圣地亚哥分校电气与计算机工程系，美国加利福尼亚州92093，美国； 7美国斯坦福大学斯坦福大学的生物学系8遗传学系94305； 9美国加利福尼亚州加州圣地亚哥分校基因组医学研究所，美国加利福尼亚州92093，美国； 10精神病学系，11个生物医学信息学系医学系，加利福尼亚州圣地亚哥分校，加利福尼亚州，加利福尼亚州92093，美国1医学系2，美国加利福尼亚州加利福尼亚州加利福尼亚大学加利福尼亚大学加利福尼亚州加利福尼亚州92093的计算机科学与工程系； 3加利福尼亚州加利福尼亚大学加利福尼亚州加利福尼亚州加利福尼亚州加利福尼亚州92093，加利福尼亚大学圣地亚哥分校生物信息学和系统生物学计划； 4田纳西大学健康科学中心，田纳西州田纳西州38163，田纳西大学健康科学中心遗传学，基因组学和信息学系； 5意大利的那不勒斯80111国家研究委员会遗传与生物物理学研究所； 6美国加利福尼亚州圣地亚哥分校电气与计算机工程系，美国加利福尼亚州92093，美国； 7美国斯坦福大学斯坦福大学的生物学系8遗传学系94305； 9美国加利福尼亚州加州圣地亚哥分校基因组医学研究所，美国加利福尼亚州92093，美国； 10精神病学系，11个生物医学信息学系医学系，加利福尼亚州圣地亚哥分校，加利福尼亚州，加利福尼亚州92093，美国
证据证明纹状体多巴胺合成能力与工作记忆能力，自发的眼睛闪烁率和特质Impulsi
纹状体多巴胺合成能力的抽象个体差异已与工作记忆能力，性格冲动性和自发的眼光闪烁率（SEBR）相关联，该速率（SEBR）可随时可用且易于施用，“现成”测试。这样的发现提出了一个建议，即以昂贵和侵入性的脑正电子发射断层扫描（PET）扫描估计的多巴胺合成能力的各个变化可以通过简单，更务实的测试来近似。但是，这些简单特征测量与纹状体多巴胺合成能力之间关系的直接证据是有限且尚无定论的。我们在大量的健康志愿者样本中使用[18 f] -fdopa PET测量了纹状体多巴胺的合成能力（n = 94），并通过简单，简短的工作记忆能力，性状冲动和SEBR评估了相关性。我们还探索了与主观奖励灵敏度索引的关系。这些性状措施都没有与纹状体多巴胺合成能力显着相关，也没有取消样品的预测能力。贝叶斯因子分析表明，除了主观奖励灵敏度以外，所有证据都支持没有所有相关性。这些结果需要谨慎使用这些现成的特征度量作为纹状体多巴胺合成能力的代理。
一种新型的定量特质基因座暗示了MSH3在小鼠全基因组短串联重复膨胀
A novel quantitative trait locus implicates Msh3 in the propensity for genome-wide short tandem repeat expansions in mice Mikhail O. Maksimov 1,2* , Cynthia Wu 3* , David G. Ashbrook 4 , Flavia Villani 4 , Vincenza Colonna 4,5 , Nima Mousavi 6 , Nichole Ma 1 , Lu Lu 4 , Jonathan K. Pritchard 7,8，Alon Goren 1,9，Robert W. Williams 4，Abraham A. Palmer 9,10，Melissa Pymrek 1,2,9,11†1加利福尼亚大学加利福尼亚大学圣地亚哥大学医学系，加利福尼亚州圣地亚哥分校，加利福尼亚州2 2遗传学，基因组学和信息学，田纳西大学健康科学中心，孟菲斯，田纳西州5 5遗传学和生物物理学研究所，国家研究委员会，那不勒斯国家研究委员会，80111，意大利6号电气和计算机工程系，加利福尼亚州圣地亚哥大学，圣地亚哥分校，拉荷拉大学，拉荷拉大学，加利福尼亚州，加利福尼亚州，遗传学。加利福尼亚州加利福尼亚大学圣地亚哥分校，加利福尼亚州圣地亚哥分校，加利福尼亚大学圣地亚哥分校，加利福尼亚州圣地亚哥分校，加利福尼亚州11月11日生物医学信息学系，加利福尼亚州加州圣地亚哥分校，加利福尼亚州圣地亚哥分校 *这些作者为这项工作做出了同样的贡献。†信函应发给mgymrek@ucsd.edu。
定量性状基因座，G×E和G×G的血糖特质
竞争利益这项研究的赞助商在指导委员会中代表，并在研究设计，研究方式和出版中发挥了作用。尽管指导委员会的所有成员都对报告的内容投入了，但资助机构并未在写作小组中代表。写作组中的所有作者都可以访问所有数据。表达的意见是调查人员的意见，不一定反映了资金机构的观点。资助者在研究设计，数据收集，分析，发布或准备手稿中没有作用。在出版时，KJM是Eli Lilly and Company的雇员。数据收集是在此工作之前发生的，数据分析和手稿准备工作独立于Eli Lilly and Company进行。其他作者声明没有利益冲突。
焦虑的大脑：一种组合数据融合机学习方法来预测形态特征的特质焦虑
摘要：特质焦虑涉及体验和报告负面情绪和思想的稳定倾向，例如在不同情况下恐惧和担忧，以及对环境的稳定看法，其特征是威胁性刺激。先前的研究试图研究与焦虑相关的神经解剖学特征，主要是使用单变量分析，从而导致对比结果。这项研究的目的是通过利用联合数据融合机学习方法来构建脑形态特征中特质焦虑中个体差异的预测模型，以允许对新病例的概括。此外，我们旨在进行网络分析，以测试与焦虑相关网络在调节其他与焦虑无关的其他网络中具有核心作用的假设。最后，我们想检验以下假设：特质焦虑与特定的认知情绪调节策略有关，以及焦虑是否随着衰老而减少。使用数据融合无监督的机器学习方法（Parallel ICA）的158名参与者的结构性大脑图像第一次分解为独立的灰色和白质网络。然后，使用监督的机器学习（决策树）和向后回归来提取和测试特质焦虑的预测模型的普遍性。两个协调的灰色和白质独立网络成功地预测了特质焦虑。我们还发现，性状焦虑与灾难性，反思，其他和自称的焦虑呈正相关，并且与重新聚焦和重新评估的积极重新关联和负相关。第一个网络主要包括顶叶和时间区域，例如中心后，前后和中部和上颞回，而第二个网络包括额叶和顶叶区域，例如上颞回和中间回，前缘和前扣带和前胎。此外，特质焦虑与年龄负相关。本文提供了有关预测大脑和心理特征性状焦虑焦虑中个体差异的新见解，并可以为将来的诊断预测焦虑症铺平道路。
非侵入性前额叶脑刺激对人类冒险行为的调节作用：对人格特质影响的初步见解
。CC-BY-NC-ND 4.0 国际许可证永久有效。它是在预印本（未经同行评审认证）下提供的，作者/资助者已授予 bioRxiv 许可，可以在该版本中显示预印本。版权持有者于 2022 年 11 月 24 日发布了此版本。；https://doi.org/10.1101/2022.11.22.517525 doi：bioRxiv 预印本
识别静息态神经振荡功率与特质焦虑之间具有最大关联的空间模式
摘要 焦虑影响着全球大约 5-10% 的成年人口，给卫生系统带来了沉重的负担。尽管焦虑无处不在，并且对身心健康产生影响，但大多数受焦虑影响的人都没有得到适当的治疗。精神病学领域的当前研究强调需要识别和验证与这种疾病相关的生物标记。神经生理学临床前研究是一种确定大脑节律的主要方法，可以作为焦虑主要特征的可靠标记。然而，虽然神经影像学研究一致表明前额叶皮层和皮层下结构（如杏仁核和海马）与焦虑有关，但对于导致这种疾病的潜在神经生理过程仍缺乏共识。允许非侵入性记录和评估皮质处理的方法可能有助于识别可用作干预目标的焦虑特征。在本研究中，我们将源功率共调节 (SPoC) 应用于具有不同程度焦虑特质的参与者样本的脑电图 (EEG) 记录。 SPoC 的开发是为了寻找空间滤波器和模式，这些滤波器和模式的功率与个体参与者的外部变量共同调节。所获得的模式可以从神经生理学角度进行解释。在这里，我们将 SPoC 的使用扩展到多受试者环境，并使用具有真实头部模型的模拟数据测试其有效性。接下来，我们将 SPoC 框架应用于 43 名人类参与者的静息状态脑电图，这些参与者的特质焦虑评分可用。SPoC 对窄频带数据的受试者间分析揭示了具有神经生理学意义的 θ 波段（4-7 Hz）空间模式，这些模式与焦虑呈负相关。结果特定于 θ 波段，在 alpha（8-12 Hz）或 beta（13-30 Hz）频率范围内未观察到。θ 波段空间模式主要位于额上回。我们讨论了我们的空间模式结果对于寻找焦虑生物标志物的相关性及其在神经反馈研究中的应用。
识别静息态神经振荡功率与特质焦虑之间具有最大关联的空间模式
摘要 焦虑影响着全球大约 5-10% 的成年人口，给卫生系统带来了沉重的负担。尽管焦虑无处不在，并且对身心健康产生影响，但大多数受焦虑影响的人都没有得到适当的治疗。精神病学领域的当前研究强调需要识别和验证与这种疾病相关的生物标记。神经生理学临床前研究是一种确定大脑节律的主要方法，可以作为焦虑主要特征的可靠标记。然而，虽然神经影像学研究一致表明前额叶皮层和皮层下结构（如杏仁核和海马）与焦虑有关，但对于导致这种疾病的潜在神经生理过程仍缺乏共识。允许非侵入性记录和评估皮质处理的方法可能有助于识别可用作干预目标的焦虑特征。在本研究中，我们将源功率共调节 (SPoC) 应用于具有不同程度焦虑特质的参与者样本的脑电图 (EEG) 记录。 SPoC 的开发是为了寻找空间滤波器和模式，这些滤波器和模式的功率与个体参与者的外部变量共同调节。所获得的模式可以从神经生理学角度进行解释。在这里，我们将 SPoC 的使用扩展到多受试者环境，并使用具有真实头部模型的模拟数据测试其有效性。接下来，我们将 SPoC 框架应用于 43 名人类参与者的静息状态脑电图，这些参与者的特质焦虑评分可用。SPoC 对窄频带数据的受试者间分析揭示了具有神经生理学意义的 θ 波段（4-7 Hz）空间模式，这些模式与焦虑呈负相关。结果特定于 θ 波段，在 alpha（8-12 Hz）或 beta（13-30 Hz）频率范围内未观察到。θ 波段空间模式主要位于额上回。我们讨论了我们的空间模式结果对于寻找焦虑生物标志物的相关性及其在神经反馈研究中的应用。