Associations between polygenic risk, negative symptoms, and functional connectome topology during a working memory task in early-onset schizophrenia
Notice bibliographique
Résumé
Working memory (WM) deficit in schizophrenia is thought to arise from a widespread neural inefficiency. However, we do not know if this deficit results from the illness-related genetic risk and influence the symptom burden in various domains, especially in patients who have an early onset illness. We used graph theory to examine the topology of the functional connectome in 99 subjects (27 early-onset schizophrenia (EOS), 24 asymptomatic siblings, and 48 healthy subjects) during an n-back task, and calculated their polygenic risk score (PRS) for susceptibility to schizophrenia. Linear regression analysis was used to test associations of the PRS, clinical symptoms, altered connectomic properties, and WM accuracy in EOS. Indices of small-worldness and segregation were elevated in EOS during the WM task compared with the other two groups; these connectomic aberrations correlated with increased PRS and negative symptoms. In patients with higher polygenic risk, WM performance was lower only when both the connectomic aberrations and the burden of negative symptoms were higher. Negative symptoms had a stronger moderating role in this relationship. Our findings suggest that the aberrant connectomic topology is a feature of WM task performance in schizophrenia; this relates to higher polygenic risk score as well as higher burden of negative symptoms. The deleterious effects of polygenic risk on cognition are played out via its effects on the functional connectome, as well as negative symptoms.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».