双相情感障碍的一种特征性小脑生物标记,与全自动机器学习相识别
Georgios V Thomaidis1, Konstantinos Papadimitriou2, Sotirios Michos3
1Greek National Health System, Psychiatric Department, Katerini General Hospital, Katerini, Greece.
IBRO neuroscience reports
|November 29, 2023
概括
机器学习确定了一个25基因大脑小脑生物签名,区分双相情感障碍患者与对照者. 这一发现为双相情感障碍病原和潜在的生物标志物提供了新的见解.
科学领域:
- 神经科学是一个神经科学.
- 基因组学就是基因组学.
- 计算生物学 计算生物学
背景情况:
- 双极性障碍 (BD) 的发病因子仍然很复杂,对其遗传基础的理解有限.
- BD患者和健康个体之间的转录组差异可能为疾病机制提供了洞察力.
- 小脑在BD中的作用越来越被认可,但需要进一步研究.
研究的目的:
- 通过机器学习,识别双相情感障碍患者和健康对照人群之间的转录形状差异.
- 探索小脑在双相情感障碍发病过程中的潜在作用.
- 使用自动机器学习开发双相情感障碍的预测生物标志.
主要方法:
- 将全自动机器学习 (AutoML) 平台应用于预处理的转录学数据集.
- 利用了已故BD患者和健康对照的小脑和额头叶组织数据.
- 精选的算法和超参数,用于最佳的生物签名识别和受试者分类.
主要成果:
- 获得了高分类准确度 (AUC 0.929,AP 0.955),区分了BD患者与基于25基因大脑小脑转录生物签名的对照组.
- 鉴定了以前与精神疾病相关的基因和以前与精神疾病无关的新基因.
- 基因和基因组的京都百科全书 (KEGG) 分析显示,有4个已识别的基因参与了与双相情感障碍相关的6个途径.
结论:
- 自动机器学习准确地识别了25基因的多变量生物签名,以区分双相情感障碍患者与健康对照.
- 发现的基因组为双相情感障碍提供了新的生物学见解.
- 这种方法通过考虑基因组合来增强生物解释,与标准差异表达分析不同.
关键词:
在AutoML中使用AutoML.生物签名 生物签名双极性障碍是一种双极性障碍.克里门人2克里门人2克里门人学习 学习 学习 学习 学习机器 机器 机器 机器精神病学是一个精神病学.RNU6576 P P 在线阅读这就是VEPH1的原因.更多相关视频
10:28Dynamic Digital Biomarkers of Motor and Cognitive Function in Parkinson's Disease
Published on: July 24, 2019
15.2K
11:06A Human-machine-interface Integrating Low-cost Sensors with a Neuromuscular Electrical Stimulation System for Post-stroke Balance Rehabilitation
Published on: April 12, 2016
10.5K
