抑郁症额顶网络内脑区动态同模块属性概率研究

来源 :中华医学会第十四次全国精神医学学术会议 | 被引量 : 0次 | 上传用户:chairsszj
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
  目的 额顶网络与情绪调控有关,既往研究表明抑郁症患者额顶网络功能连接存在变化,但其动态特异性很少涉及。动态同模块属性概率反映的是网络模块分化整合过程中网络内节点间的同模块属性的概率,而同一模块我们可以认为是脑区在执行某一特定功能,因此动态同模块属性概率可以理解为网络内不同脑区在一起执行某一特定功能的互绑定强度的动态变化。本文将从网络层面,探讨抑郁症患的额顶网络内脑区同模块属性概率动态性的异常特性。
其他文献
目的 采用基因芯片技术,研究中国汉族人的强迫症患者与健康人的外周血白细胞基因表达谱,分析强迫症患者的基因表达水平的变化,探索强迫症新的生物标记物。为强迫症的临床诊断和治疗,提供实验依据。方法 本研究采用病例-对照研究方法,严格按照人组标准,挑选人组32名强迫症患者和32名正常对照组。分别对他们进行临床资料收集、量表施测和外周血采集。对采集的样本提取总RNA,翻录为cRNA,使用Cy3荧光标记作为探
目的 目前,阴性症状缺乏有效的靶向治疗,难以获得满意的疗效。近年来有学者提出精神分裂症的“小胶质细胞异常活化假说”,为药物干预提供了潜在的治疗靶点。有研究表明米诺环素有助于缓解精神分裂症的阴性症状,故本研究采用不同剂量的米诺环素辅助利培酮治疗阴性精神分裂症患者,旨在初步探索米诺环素作为强化治疗对阴性精神分裂症的临床疗效及与促炎细胞因子之间的关系。
目的 1.建立慢性不可预见性温和应激(chronic unpredictable mild stress,CUMS)抑郁动物模型.2.CUMS抑郁模型大鼠经过药物治疗后检测SD大鼠的行为和学习记忆的改变、脑部海马区和皮质S100B蛋白表达的变化.3.CUMS抑郁模型大鼠经药物治疗后检测脑部海马区和皮质S100B基因CpG岛甲基化的变化.
目的 儿茶酚-O-甲基转移酶(COMT)是儿茶酚胺的代谢酶,也是中枢神经递质多巴胺的重要降解酶之一.COMT基因位于22号染色体,可调节释放多巴胺,先前很多研究已发现该基因和精神分裂症相关,COMT基因Val158Met多态性是其第4外显子区发生的突变,它编码的第158号缬氨酸(Val)被蛋氨酸(Met)所替代;其中被Met替代的位点编码的COMT蛋白表现为低活性(Met/Met基因型),不被Me
目的 缺陷型精神分裂症(DS)是以原发性阴性症状为主要特征,且持续存在。研究认为DS是精神分裂症(SCH)的一种独特亚型,预后差,神经认知功能受损明显。选取这一表型作为研究对象可能能够降低疾病的高异质性。本研究主要应用基因芯片技术筛选DS患者,非缺陷型精神分裂症患者外周血单个核细胞(PBMC)与正常个体之间的差异表达基因。
目的 精神分裂症的病因至今未明,大量证据表明神经营养因子可能参与了精神分裂症的发生。而脑源性神经营养因子(BDNF)和胶质源性神经营养因子(GDNF)越来越受到关注。缺陷型精神分裂症(DS)以持续存在的原发性阴性症状为基本特质。本研究旨在探讨DS患者血清BDNF、GDNF水平变化与社会功能、认知功能状况,以及它们之间的关联性。
目的 探讨单相抑郁症症与双相抑郁症患者血清神经肽Y(Neuropeptide Y,NPY)和P物质(substance P,SP)水平的差异及其与抑郁严重程度间的相关性。方法 以美国精神障碍诊断与统计手册第4版(DSM-Ⅳ)为标准, 自2013年7月至2015年5月共人组单相抑郁症患者39例,双相抑郁症患者37例以及健康对照组39例。签署知情同意后,以酶联免疫吸附法测定血清NPY及SP水平,并采用
目的 忧郁型抑郁症是一种同质性相对较高的抑郁症亚型,具有一系列内源性症状,且被认为具有更多的生物学特征。目前其神经生物学机制仍不清楚。既往神经影像学研究发现默认网络(default mode network,DMN)与抑郁症密切相关。本研究通过检测忧郁型抑郁症患者的默认网络一致性(network homogeneity,NH)来探索其可能的神经生物学机制。
目的 应用静息态功能磁共振成像局部一致性(regional homogeneity,ReHo)的研究方法,对首次发病的精神分裂症患者(schizophrenia,SZ)与精神分裂症遗传性高危人群(genetic high risk,HR)及健康人群(health control,HC)进行ReHo值的比较,探究SZ与HR脑局部一致性异常改变的共性与差异,以期发现精神分裂症遗传性及状态性相关的脑局部
目的 本研究使用多模态磁共振成像数据,利用大脑形态学及静息态功能指标及机器学习方法,探讨首发者、慢性精神分裂症患者、健康对照组之间的大脑结构和功能差异,寻找疾病特异性的生物学标记,为理解疾病机理和临床诊断提供新线索和依据。