循环SWAT用于基于深度学习的阿尔茨海默病的诊断分类:对代谢组数据的应用

科学领域:

• 计算生物学和生物信息学
• 神经科学和神经学是神经科学和神经学.
• 基因组学和多基因组学

背景情况:

• 深度学习在科学上表现有前途,但与复杂的,高维的多维数据扎.
• 阿尔茨海默病 (AD) 是一种神经退行性疾病,具有有限的向疗法.
• 血清代谢学,特别是脂管学,为阿尔茨海默病的预测提供了一个潜在的途径.

研究的目的:

• 引入循环滑动窗关联测试 (c-SWAT) 以提高AD分类.
• 为了提高使用血清脂管学数据的预测准确度.
• 为了识别与阿尔茨海默病相关的新型脂质生物标志物.

主要方法:

• 该c-SWAT方法包括特征相关性分析,特征选择和分类.
• 我们使用了阿尔茨海默病神经成像计划 (ADNI) 997名参与者的数据.
• 使用了权重基因共同表达网络分析 (WGCNA),卷积神经网络 (CNN) 和随机森林.

主要成果:

• c-SWAT实现了高达80.8%的分类准确度和AD预测的AUC为0.808.
• 与基线方法 (p < 1.04 × 10−4) 相比,这意味着准确度增加了9.4%,AUC增加了0.169.
• 确定了关键的AD相关脂质,包括Cer{d16:1/22:0) 和PI{37:6).

结论:

• c-SWAT有效地提高了对阿尔茨海默病预测的分类准确性.
• 该方法成功地识别了AD的潜在脂质生物标志物.
• 这些发现为AD病原体提供了新的见解,并为未来的研究提供了途径.