目的:本研究拟采用个体化脑功能分析技术,探讨慢性失眠(CID)伴不同抑郁状态患者(CID-D及CID-ND)个体水平脑网络特征及其在CID伴发抑郁中的预测作用。方法:共招募60例良好睡眠者(GSC)及107例CID患者(CID-D46例,CID-Npro‐inflammatory mediatorsD患者61例),均完成静息态功能核磁共振扫描。采用非负矩阵分解(NMF)获得个体水平功能脑网络特征,构建采用动态及静态脑网络,探讨个体水平脑网络特Cobimetinib征差异。进一步采用机器学习方法构建GSC、CID-D及CID-ND的分类模型。结果:通过NMF方法,将全脑分成17个网络,包括SAL、DAN、DMN,VIS、CON、SMN,LMB以及Cereb。三组之间在CON1-DAN4以及DMN2-VIS2具有明显的静态功能连接差异,在DAN1-LBM,DAN2-VIS2以及DAN1-CON2具有明显的功能连接差异。运用静态、动态功能连接特征进行分类时,均能够达到较高的分类CX-5461 MW精度,其中GSC与CID,准确率88.40%,敏感性84.3%,特异性92.3%,CID-D与CID-ND,准确率85.2%,敏感性83.3%,特异性86.3%。结论:本研究采用个体化脑网络分析方法揭示了CID伴随不同情绪状态的静态动态脑网络改变特征。基于个体化静态及动态脑网络特征可很好的区分不同状态患者,可为CID患者伴情绪障碍的诊断及治疗靶点的选择提供了客观依据。