《CNS Neuroscience & Therapeutics》：Altered Salience-Default Mode Network Dynamics in Subclinical Depression: A Preclustering-Based Co-Activation Pattern Analysis
编辑推荐：
本研究通过创新性预聚类共激活模式（PC-CAP）分析方法，首次系统揭示亚临床抑郁（SD）患者存在显著性网络（SN）滞留时间缩短及SN向默认模式网络（DMN）转换频率增强的动态协调异常。这些特征与抑郁严重程度正相关，基于SN-DMN动态指标的机器学习模型对SD的识别准确率达96.44%，为阐释SD注意力偏向-反刍思维神经病理机制提供了动态影像学证据。
引言
亚临床抑郁（SD）作为重大抑郁障碍（MDD）的前驱阶段，具有高患病率（达11.02%）和明确功能损害特征。传统静息态功能磁共振（fMRI）研究多聚焦默认模式网络（DMN）、额顶网络（FPN）等大尺度网络的静态功能连接异常，但对网络间动态协调机制的认识仍存在空白。显著性网络（SN）作为调控DMN（内省认知）与FPN（外部注意）切换的关键枢纽，其结构异常已被证实存在于抑郁谱系早期阶段。本研究创新性开发预聚类共激活模式（PC-CAP）分析方法，旨在突破传统静态分析局限，从毫秒级时间尺度解析SD患者脑网络动态协调模式。
方法学创新
研究纳入26名SD患者与33名健康对照（HC），采集静息态fMRI数据（TR=2500ms，200时间点）。PC-CAP方法核心突破在于通过预聚类策略确定各脑区主导激活状态，据此计算全脑激活比例（23%），再进行k均值聚类（k=6最优）。相较传统固定阈值法（如15%或31%激活比例），该方法无需先验假设，可抵抗设备、环境等干扰因素，精准识别SN、DMN、FPN、感觉运动网络（SMN）及视觉网络（VN）五大功能网络的空间共激活模式。
动态网络特征解析
通过计算网络滞留时间、持续性、总转换次数及状态间转换频率四大动态指标，发现SD组呈现特异性动态异常：SN滞留时间显著缩短（β=-0.0176, p=0.036），而SN向DMN的转换频率显著升高（β=1.124, p=0.049）。相关性分析进一步显示SN-DMN转换频率与贝克抑郁量表（BDI-II）评分呈正相关（r=0.447, p=0.022），提示该动态指标与抑郁严重程度具有临床关联性。值得注意的是，SD组在FPN相关动态指标未出现显著改变，暗示其外部注意力调控功能相对保留。
机器学习验证
基于SN滞留时间与SN-DMN转换频率构建的集成学习模型（支持向量机结合Bagging算法）在SD/HC分类中达到96.44%±2.03%准确率，特异性达100%±0%，敏感性为91.92%±4.60%。这一性能超越既往基于结构影像、静态功能连接或脑电特征的研究（最高92%），凸显SN-DMN动态指标对SD具有高度特异性判别价值。
机制与临床意义
本研究支持“SN-DMN动态失调”神经认知模型：SN向DMN的过度转换导致SD患者内源性注意力偏向，加剧反刍思维等核心症状。这一发现为重复经颅磁刺激（rTMS）治疗机制提供新解释——DLPFC刺激可能通过调节SN与FPN/DMN的动态平衡实现症状缓解。研究局限性包括扫描时长较短（8分钟）及样本量有限，未来需结合多中心队列与脑电-功能磁共振融合技术深化机制探索。
结论
PC-CAP方法首次揭示SD患者存在SN-DMN系统动态协调异常，该特征可作为潜在神经影像标记物。研究为理解抑郁谱系早期阶段的神经动力学机制提供了全新视角，对早期识别和干预策略开发具有重要临床意义。
