焦虑和抑郁是常见的心理健康问题，常常同时发生，并对青少年的幸福感产生重大影响（1）。焦虑通常在青春期前和青春期早期出现，而重度抑郁则倾向于在青春期和成年早期到中期出现（2,3），这些都是发展的关键阶段。易感的儿童和青少年常常表现出可能预示这些症状未来发生的早期迹象（4）。因此，需要检测有效的指标来筛查高风险人群。在青春期跟踪这些指标的发展轨迹对于有效的检测、预防和干预策略至关重要（5,6）。尽管越来越多的关注，但目前仍缺乏可靠的早期儿童指标来预测焦虑和抑郁的发展。
理解驱动情绪发展的神经机制对于识别早期风险指标至关重要。青春期前是大脑结构发生深刻重组的关键时期，特别是对于杏仁核-PFC回路的长期成熟至关重要（7, 8, 9, 10）。这个回路在青春期经历了从不成熟、通常具有兴奋性的状态向成熟、自上而下的抑制性状态的转变（11, 12, 13）。这种成熟支持了典型发展中的有效情绪调节。然而，在有情绪障碍风险的个体中，这个回路往往无法建立稳定的调节控制，使他们容易患上焦虑和抑郁（11）。
至关重要的是，这些回路层面的变化反映在大脑振荡中。特定频率的网络节律已成为杏仁核-PFC通信的功能语言。具体来说，前额叶α波振荡与大脑的抑制机制和内部处理状态密切相关（14），其失调通常表现为焦虑的核心特征——过度警觉和持续担忧（15,16）。相反，β波振荡被认为是前额叶对杏仁核的自上而下控制的信号（17,18），这种控制的缺陷与抑郁的特征——反复思考和快感缺失有关（19,20）。然而，目前尚不清楚儿童早期这些特定EEG网络模式的发展轨迹是否能够预测并区分青少年后期焦虑与抑郁的不同发展。确定这些预测信号出现的时间可能有助于确定筛查和早期干预的关键窗口。
使用机器学习进行预测建模在描绘预测发展过程中心理健康结果的大脑特征方面具有巨大潜力（21）。基于连接组的预测建模（CPM）是一种数据驱动的方法，用于开发大脑-行为关系的预测模型（22）。它最近已被应用于预测包括特质焦虑（23）、状态焦虑（24）、快感缺失（25）、自杀风险（26）、创伤后应激障碍（27）和自闭症（28）等心理健康状况。在这里，我们使用基于EEG的CPM来识别儿童时期的神经发育特征，这些特征可以预测青少年时期的焦虑和抑郁严重程度。我们假设青少年时期的焦虑和抑郁症状可以从儿童时期的神经影像学指标中预测和预测出来。具体来说，我们预期焦虑和抑郁的易感性纵向轨迹可以通过特定的大脑振荡独立预测和区分。为了识别潜在的神经机制，我们研究了杏仁核-PFC通路在青春期成熟过程中的中介作用，以连接早期生活中的EEG振荡与后续症状结果。
