La predicción de la enfermedad de Alzheimer utilizando el aprendizaje profundo y la selección de características...

Área de la Ciencia:

• Informática biomédica La informática biomédica es un campo en el que se desarrollan
• La neurociencia es la neurociencia.
• La genómica es la genómica.

Sus antecedentes:

• La enfermedad de Alzheimer (EA) es un trastorno neurodegenerativo en crecimiento con la necesidad de una detección temprana accesible.
• Los métodos de diagnóstico actuales para la EA a menudo son invasivos y costosos.
• La expresión génica de la sangre presenta una fuente de biomarcadores alternativa prometedora y menos invasiva.

Objetivo del estudio:

• Desarrollar un método integral de detección temprana de la enfermedad de Alzheimer utilizando biomarcadores de expresión génica en sangre.
• Para abordar los desafíos en el análisis de datos de expresión génica sanguínea de alta dimensión con muestras limitadas.
• Identificar genes críticos para el diagnóstico y la clasificación de la enfermedad de Alzheimer utilizando técnicas computacionales avanzadas.

Principales métodos:

• Aplicó cuatro métodos de selección de características (Chi-cuadrado, ANOVA, RFE, ElasticNet) para identificar genes relacionados con la enfermedad de Alzheimer.
• Desarrolló dos modelos de aprendizaje profundo para la clasificación de AD basados en biomarcadores genéticos seleccionados.
• Utilizó la validación cruzada de cinco veces anidada y las explantaciones aditivas de SHapley (XAI) para la validación del modelo y la clasificación genética.
• Se empleó el aumento de datos basado en la Red Generativa Adversaria (GAN) para mejorar la generalización del modelo con tamaños de muestra pequeños.

Principales resultados:

• Identificaron con éxito biomarcadores críticos de genes sanguíneos para el diagnóstico de EA.
• Se logró una precisión del 91% y una precisión del 95% en la clasificación de muestras de AD utilizando una red neuronal profunda.
• Demostró mejoras significativas en la precisión y la interpretabilidad a través de la selección de características y el aumento de datos.

Conclusiones:

• El análisis de la expresión génica de la sangre, combinado con la selección avanzada de características y el aprendizaje profundo, ofrece una estrategia viable para la detección temprana de AD.
• La metodología desarrollada mejora la precisión e interpretabilidad del diagnóstico de la enfermedad de Alzheimer.
• Esta investigación allana el camino para herramientas de diagnóstico temprano más accesibles y rentables para la enfermedad de Alzheimer.