Generalizable structure–function covariation predictive of antidepressant response revealed by target-oriented multimodal fusion
8.5
来源：
Nature
关键字：
neuromodulation
发布时间：
2025-12-12 19:37
摘要：
研究开发了一种机器学习框架，通过目标导向的结构和功能连接融合，识别结构-功能协变，能够有效预测个体对抗抑郁药物的反应。该框架在独立的MDD队列中得到了验证，显示出其生物标志物的普遍性，强调了右侧顶叶在药物和安慰剂反应中的重要性。这些发现为抑郁症的精准医疗和更具针对性的治疗方法提供了新的视角。
原文：
查看原文
价值分投票
评分标准
新闻价值分采用0-10分制，综合考虑新闻的真实性、重要性、时效性、影响力等多个维度。
评分越高，表示该新闻的价值越大，越值得关注。
价值维度分析
domain_focus
1.0
business_impact
0.5
scientific_rigor
1.5
timeliness_innovation
1.5
investment_perspective
2.5
market_value_relevance
1.0
team_institution_background
0.5
technical_barrier_competition
0.5
关键证据
开发了一种新的机器学习框架，能够识别结构-功能协变并预测抗抑郁药物的反应。
在独立的escitalopram治疗的MDD队列中验证了生物标志物的普遍性。
研究为精准医疗和更有针对性的抗抑郁药物开发铺平了道路。
真实性检查
否
AI评分总结
研究开发了一种机器学习框架，通过目标导向的结构和功能连接融合，识别结构-功能协变，能够有效预测个体对抗抑郁药物的反应。该框架在独立的MDD队列中得到了验证，显示出其生物标志物的普遍性，强调了右侧顶叶在药物和安慰剂反应中的重要性。这些发现为抑郁症的精准医疗和更具针对性的治疗方法提供了新的视角。