本文转自中国生物技术发展中心，转发仅为学习交流，若侵犯版权请联系小编删除。

基于机器学习技术的神经科学基础知识在临床应用过程中通常会遇到固有的困难，因为机器学习的脑标记物很难推广到独立成像部位获得的数据，这主要是由于功能磁共振成像的位置差异较大。

12月8日，发表在《PLOS Biology》上的一项新研究中，来自日本京都国际先进电信研究所的研究人员利用机器学习技术，使用不同的脑成像检测协议，识别出重症抑郁症患者大脑不同部位之间新的、不同的协调活动模式。

虽然重度抑郁症通常可以直接人工诊断出来，但更好地了解与抑郁症相关的大脑网络可以改善治疗策略。

机器学习算法可以应用于抑郁症患者的大脑活动数据，以发现数据之间的关联。然而，大多数研究只关注于抑郁症的特定亚型，或者没有考虑到医疗机构之间脑成像协议的差异。

为了解决这些挑战，京都国际先进电信研究所大脑信息通信研究实验室的Ayumu Yamashita博士和他的同事利用机器学习分析了713人的大脑网络数据，其中149人患有重度抑郁症。这些数据是用一种叫做静息状态功能核磁共振成像（rs-fMRI）的技术收集的，这种技术可以检测大脑活动并生成图像，以显示大脑不同区域之间的协调活动，或功能联系。成像是在不同的机构使用不同的协议进行的。

研究人员发现，机器学习方法在成像数据中识别出关键的功能联系，它可以作为重度抑郁症的脑网络特征。事实上，当研究人员将这一新的特征应用到从不同机构收集的521人的rs-fMRI数据上时，他们在确定这些新人中哪些人患有重度抑郁症方面达到了70%的准确率。

研究人员希望他们这个新的脑网络特征，可以应用于不同的成像协议，还可以作为发现与抑郁症亚型相关的脑网络模式的基础，并揭示抑郁症和其他疾病之间的关系。

更好地理解重度抑郁症患者的大脑网络连接，可以帮助患者找到有效的治疗方法，并为新治疗方法的开发提供有价值的信息。

论文链接：https://journals.plos.org/plosbiology/article?id=10.1371/journal.pbio.3000966