基礎科学と病態生理

科学分野:

• 神経科学
• ゲノミクス
• バイオマーカー

背景:

• アルツハイマー病（AD）は、多様な臨床的および病理学的特徴を示し、潜在的な患者サブタイプを示唆しています。
• 分子プロファイリングはADの異種性を理解するために重要ですが、現在の方法では特定のフィーチャーサブセットの重要性がしばしば見過ごされています。
• 明確なADサブグループを特定することは、標的療法と個別化医療に不可欠です。

研究 の 目的:

• アルツハイマー病患者サブグループを特徴付けるための情報性の高い分子特徴量サブセットを同定するための新しいフレームワーク、AutoSGIを開発および検証すること。
• ADの異種性と進行をより詳細に理解するためにマルチオミクスデータを活用すること。

主な方法:

• 経路アノテーションまたは特徴量クラスタリングを使用してサブグループ分析のための情報性の高い特徴量サブセットを同定するフレームワークであるAutoSGIを開発しました。
• SGI（サブグループ同定）ツールボックスを使用して、各分岐点での階層的サンプルクラスタリングと臨床転帰評価を実施しました。
• 複数の特徴量サブセット分析を考慮するために統計的調整を採用しました。

主要な成果:

• メタボロミクスおよびリピドミクスデータを使用した2つのアルツハイマー病症例研究におけるAutoSGIの有用性を実証しました。
• 最初の症例では、AutoSGIは死後脳のメタボロミクスデータを疾患段階別に層別化し、BraakおよびCERADスコアに有意差のあるサブグループを明らかにしました。
• 2番目の症例では、AutoSGIは疾患進行が異なる血中リピドミクス定義サブグループを特定し、CSFタウおよびADAS-Cog-13スコアと相関しました。

結論:

• AutoSGIは、アルツハイマー病における堅牢なサブグループ同定のために、マルチスケール特徴量サブセットを効果的に活用します。
• このフレームワークは、ADの異種性と進行に関する貴重な洞察を提供し、より正確な患者層別化への道を開きます。
• このアプローチは、ADサブタイプの分子基盤の理解を深めます。