Symptom networks and working memory in schizophrenia: a multi-methodological cross-sectional study from phenotype to endophenotype
Notice bibliographique
Résumé
Background: A notable deficit in working memory (WM) is well established in schizophrenia. Nevertheless, the intricate relationship between various symptoms and WM impairment is still not fully understood. We use three distinct methodologies-symptom network analysis (SNA), Connectome-Based Predictive Modeling (CPM), and brain gene annotation enrichment analysis-to explore the connectome patterns that link WM deficits and symptoms, and their related gene expression. Methods: 255 patients with schizophrenia were recruited as two distinct samples. SNA was used to pinpoint the core psychiatric symptoms influenced by WM performance. CPM identified the subnetwork of the functional connectome that was recruited under the 2-back load of the N-back WM task, and predicted the severity of the SNA-based key symptoms. Gene annotation enrichment analysis explored the likely molecular biological processes underlying the symptom-predictive functional WM network. Results: = 0.014). The predictive network primarily involved the frontoparietal and frontolimbic networks. Gene enrichment analysis revealed a preferential role for cytoplasmic protein binding, indicating a potential molecular basis for the WM-related, symptom-predictive functional connectivity. Conclusions: Impaired WM performance in schizophrenia relates to frontoparietal and frontolimbic connectivity and preferentially influences the severity of disorganized attention, a clinically observable phenomenon. The potential role of cytoplasmic protein binding in WM deficits and attentional disorganization in schizophrenia warrants further investigation.
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 | 0,004 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».