对基于UPLC-MS/MS的代谢学数据进行深度学习分析,以预测阿尔茨海默病的发生

科学领域:

• 神经科学是一个神经科学.
• 生物化学 生物化学
• 计算生物学 计算生物学

背景情况:

• 阿尔茨海默病 (AD) 的进展可以通过代谢生物标志物得到信息.
• 开发对AD的准确预测工具对于及时干预至关重要.
• 超高性能液态染色体质谱 (UPLC-MS/MS) 为代谢分析提供了一个强大的平台.

研究的目的:

• 识别和描述阿尔茨海默病 (AD) 的新型诊断生物标志物.
• 利用代谢学数据开发深度学习 (DL) 模型来预测AD.
• 为了利用UPLC-MS/MS技术进行增强的AD生物标志物发现.

主要方法:

• 利用来自阿尔茨海默病神经成像计划 (ADNI) 队列的177名参与者的代谢学数据 (78名AD,99名认知正常).
• 应用最小绝对收缩和选择操作员 (LASSO) 在150个代谢生物标志物中进行特征选择.
• 开发了使用H2O DL函数用于AD预测的多层前神经网络.

主要成果:

• 使用LASSO确定了21个关键的代谢生物标记物,包括那些参与葡萄糖和脂质代谢的生物标记物,特别是胆酸代谢物.
• 性能最好的DL模型实现了0.881的精度,F1得分为0.892,AUC为0.873.
• 选择与APOE-ε4等位基因相关的生物标志物,已确立的AD临床生物标志物 (Aβ42,tTau,pTau),认知评分 (ADAS13,MMSE) 和海马体积.

结论:

• 成功确定了一套用于AD预测的新型诊断代谢生物标志物.
• 这些生物标志物有助于开发AD的先进DL工具.
• 这些发现支持了早期AD诊断,预后风险分层和有针对性的治疗干预的潜力.