在二元决策点 (2BDP) 的生物标志物发现过程:分析管道构建生物标志物面板

科学领域:

• 计算生物学和生物信息学
• 机器学习在医学中的应用
• 神经科学和神经退行性疾病

背景情况:

• 由于临床事件的复杂性,临床诊断,预后和分层通常依赖于多个分子标记.
• 整合多个生物标志物对于准确解释二元临床结果至关重要.

研究的目的:

• 引入和验证一种机器学习管道,即双项决策点 (2BDP) 的生物标志物发现过程,用于系统的生物标志物面板策划.
• 证明2BDP在识别阿尔茨海默病 (AD) 不同阶段的生物标志物面板中的有效性.

主要方法:

• 2BDP管道整合了特征选择,无监督模型开发和交叉验证.
• 采用随机森林和后勤回归来识别最小生物标记面板,在阿尔茨海默病队列中区分布拉克I,II和III阶段.
• 使用从接收器运行特征 (ROC) 图表中的曲线下面面积 (AUC) 评估面板功效,通过两种交叉验证方法计算.

主要成果:

• 成功地确定了三个不同的生物标记面板,用于阿尔茨海默病的布拉克I,II和III期.
• 这些面板包括2-10个标志物 (新型和已知的AD标志物的混合物),实现了AUC≥0.8,表明高诊断疗效.
• 鉴定的标记物被加权并线性结合,以有效地解释代表疾病阶段的二元结果变量.

结论:

• 在二元决策点 (2BDP) 的生物标志物发现过程是一个有效的管道,用于策划高效率的最佳生物标志物面板.
• 2BDP展示了识别强大的生物标志物签名的能力,以确定像阿尔茨海默病这样的神经退行性疾病的阶段.
• 尽管样本规模较小,培训/测试套件不足等局限性,但该研究强调了2BDP在生物标志物发现方面的潜力.