精神分裂症与双相情感障碍的脑活动和分子特征图谱

精神病性障碍（如精神分裂症、精神病性双相障碍、分裂情感障碍）的高度异质性，使得基于主观症状的诊断稳定性较差。本研究旨在通过一种名为公共正交基提取（COBE）的机器学习框架，深入探究这些疾病的神经生理和分子特征。研究人员利用听觉oddball任务中的脑电图数据，将患者的基于脑电图的功能连接（FC，反映脑区之间的连接功能）分解为个体化子空间和共享子空间。其中，个体化子空间捕捉疾病的异质性，共享子空间则反映特定诊断内的神经生物学同质性。

结果显示，个体化功能连接比原始功能连接更能捕捉疾病的异质性，并且能更准确地预测患者的症状严重程度。而共享功能连接则揭示了不同诊断特有的异常模式，在区分精神病性双相障碍、精神分裂症和分裂情感障碍时，准确率达到79.3%。进一步的分子解码研究发现，区域性血清素系统和星形胶质细胞参与了这些障碍之间的神经生物学差异，提示了针对不同障碍的潜在药物靶点。重要的是，这些发现在一个独立的患者队列中得到了重复验证，证实了COBE框架在挖掘精神分裂症-双相障碍谱系的神经生理和分子特征方面的有效性。

该研究不仅加深了对精神病性障碍发病机制的理解，还为开发客观、具有临床意义的精神病性评估工具提供了有前景的方向。