首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    PNAS:整合抑郁症的分子、细胞和皮层神经影像特征

    抑郁症产生于生物系统的复杂相互作用,跨越基因和分子到细胞、脑网络和行为。为了确定不同的神经生物学过程是如何联合起来导致抑郁症的,我们需要一种多尺度的方法,包括对大脑结构和功能的测量,以及遗传和细胞特异性的转录数据。在这里,我们研究了三个群组影像数据集中与抑郁和负性情绪相关的大脑解剖(皮层厚度)和功能(功能变异、全脑功能连接),包括:英国生物银行(UK Biobank)、大脑基因组超结构项目(Brain Genomics Superstruct Project)和Meta分析增强神经影像数据库(ENIGMA;总被试数n≥23,723)。整合的分析包括皮层基因表达、死后患者转录数据、抑郁症全基因组关联分析(GWAS)和单细胞基因转录。在这三个独立的数据集中,抑郁和负面情绪的神经影像相关物是一致的。将体外基因下调与体内神经影像联系起来,我们发现抑郁症影像表型的转录组相关物追踪了抑郁症患者死后皮层样本中的基因下调。对单细胞和Allen人脑图谱表达数据的综合分析显示,抑郁症体内影像和体外皮层基因失调的细胞相关物是生长抑素(SST)中间神经元和星形胶质细胞。GWAS驱动的抑郁症多基因风险富集在中间神经元的表达基因,而不是胶质细胞,这为我们的观察提供了一致的证据。为了强调多尺度方法的转化潜力,与抑郁症相关的大脑功能和结构的转录相关物富集于抑郁症相关的分子通路。这些发现将特定的基因、细胞类别和生物学通路与抑郁症的体内神经影像表型联系了起来。

    02

    HNTSMRG2024——MR 引导应用的头颈肿瘤分割

    放射治疗 (RT) 是多种恶性肿瘤治疗的基石。放疗作为治疗方式的主要受益者是头颈癌 (HNC)。近年来,人们对 MRI 引导的 RT 计划越来越感兴趣。与更传统的基于 CT 的 RT 计划相反,MRI 引导的方法可提供卓越的软组织对比度和分辨率,允许通过特殊的多参数序列(例如扩散加权成像 [DWI])进行功能成像,并允许通过内部进行日常自适应 RT -使用 MRI-Linac 设备进行治疗成像(PMID:28256898)。随后,通过 MRI 引导的适应性 RT 方法改进治疗计划将最大限度地破坏肿瘤,同时最大限度地减少副作用。鉴于 MRI 引导的自适应 RT 计划的巨大潜力,预计这些技术将改变 HNC 的临床实践范式 (PMID: 31632914)。MRI 引导的 HNC RT 计划的大量数据使得医生手动肿瘤分割(当前的临床标准)由于时间限制而常常不切实际 (PMID: 33763369)。更糟糕的是,HNC 肿瘤是临床医生分割最具挑战性的结构之一 (PMID: 27679540)。近年来,利用 RT 数据改善患者治疗的人工智能 (AI) 方法一直是研究界关注的一个特殊领域。特别是深度学习的使用在 HNC 肿瘤自动分割方面取得了重大进展(PMID:36725406)。这些创新很大程度上是由 MICCAI 公共数据挑战推动的,例如 HECKTOR 挑战 (PMID: 35016077) 和 SegRap 挑战 (doi: https://doi.org/10.48550/arXiv.2312.09576)。然而,迄今为止,尚不存在可供公开分发的大型公开可用的 AI 就绪自适应 RT HNC 数据集。按理说,社区驱动的人工智能创新将成为开发 MRI 引导放疗临床转化技术的宝贵财富。

    01
    领券