c-Diadem:一个受约束的双输入深度学习模型,用于识别阿尔茨海默病中的新生物标志物

科学领域:

• 计算生物学是一种计算生物学.
• 神经科学是一个神经科学.
• 遗传学 是一个遗传学.

背景情况:

• 阿尔茨海默病 (AD) 诊断依赖于昂贵和侵入性的方法,如神经成像和脑脊液采样,阻碍了早期检测.
• 开发可访问的,基于血液的生物标志物对于促进常规诊断和为AD提供及时干预至关重要.
• 目前的诊断局限性需要创新的方法,以早期和非侵入性识别轻度认知障碍 (MCI) 或AD的个体.

研究的目的:

• 引入c-Diadem,这是一个新的深度学习模型,旨在使用遗传数据预测MCI/AD或认知正常 (CN) 状态.
• 将基因和基因组京都百科全书 (KEGG) 路径约束纳入深度学习架构,以提高模型可解释性.
• 通过应用SHAP (SHapley添加式扩展) 来识别MCI/AD的新型,潜在的基于血液的遗传标记.

主要方法:

• 开发一个受约束的深度学习神经网络,利用单核酸多态 (SNP) 和来自阿尔茨海默病神经成像计划 (ADNI) 队列的微阵列数据.
• 应用KEGG路径信息来生成输入张数的约束,提高预测模型的可解释性.
• 使用SHAP得分来分析模型预测,并确定可能作为诊断生物标志物或治疗点的基因.

主要成果:

• 在测试数据集中,c-Diadem模型实现了69%的准确性和70%的AUC,超过了以前的模型.
• SHAP分析强调了特定SNP (例如,在PRKCZ,PLCB1,ITPR2) 和基因表达 (例如,HLA-DQB1,EIF1AY) 对模型预测的显著影响.
• 确定了与Ca2+离子释放和抑郁相关的潜在血液基因标记,为AD病理生理学提供了洞察力.

结论:

• 在预测MCI/AD和识别潜在的遗传生物标志物方面,c-Diadem模型表现出卓越的性能.
• 这项研究成功地确定了新的基于血液的遗传标记,为更少侵入性和更具成本效益的AD诊断提供了途径.
• 这项研究是首次在多式联络神经网络中应用路径约束来识别AD遗传标记的已知应用,为未来的创新铺平了道路.