无监督机器学习在死后的运动皮质和血液表达数据中识别出不同的ALS分子亚型
Heather Marriott1,2, Renata Kabiljo2, Guy P Hunt1,2,3,4
1Department of Basic and Clinical Neuroscience, Maurice Wohl Clinical Neuroscience Institute, Institute of Psychiatry, Psychology and Neuroscience, King?s College London, London, SE5 9NU, UK.
Acta neuropathologica communications
|December 22, 2023
概括
基于基因表达,机器学习确定了三种肌缩性侧面硬化症 (ALS) 的分子亚型. 这些亚型反映了不同的疾病机制,并为个性化的ALS治疗提供了潜力.
科学领域:
- 神经科学是一个神经科学.
- 遗传学 是一个遗传学.
- 计算生物学 计算生物学
背景情况:
- 肌缩侧面硬化症 (ALS) 呈现出显著的临床和遗传变异性.
- 以前用于ALS患者分层的机器学习努力缺乏跨多种人群和组织的独立验证.
- 这项研究解决了在ALS研究中需要强大的患者分层的需求.
研究的目的:
- 用基因表达数据将肌缩性侧面硬化症 (ALS) 患者分为不同的分子亚型.
- 为了在不同组织类型 (运动皮质,血液) 和人群中验证这些亚型.
- 探索这些亚型在ALS个性化治疗策略中的潜力.
主要方法:
- 对零星ALS患者的基因表达数据 (KCL BrainBank) 进行了分层聚类,重点关注5000个最可变的自体基因.
- 线性差异分析用于对独立数据集的集群验证,包括美国,意大利和荷兰队列 (运动皮质和血液).
- 后勤回归分类器是为了评估ALS和运动皮层参与的鉴定基因表达特征的特异性和歧视力而构建的.
主要成果:
- 确定了三种分子表型:突触和神经信号,氧化应激和亡,神经炎症.
- 高的分配概率 (80-90%) 证实了跨独立数据集的亚型有效性.
- 基因表达特征有效地将ALS病例与对照区分开来 (AUC 0.88±0.10) 并反映了运动皮层的特异性,与其他大脑区域的完美区分.
- 细胞类型的比例与已知的生物过程保持一致,支持生物解释.
- 观察到明显的与集群相关的结果,与疾病发病和进展指标相关.
结论:
- 这些发现支持在患者子组中存在明显的病原性机制,这些机制是ALS的基础.
- 鉴定的分子亚型有可能指导ALS个性化治疗方法的开发.
- 对ALS基因表达集群的验证计算方法已公开提供给科学和临床界.
