相关实验视频
Updated: Jun 20, 2026
06:35
Basics of Multivariate Analysis in Neuroimaging Data
Published on: July 24, 2010
16.9K
基因-SGAN:通过多视图弱监督深度聚类通过成像和遗传特征发现疾病亚型
Zhijian Yang1,2, Junhao Wen1,3, Ahmed Abdulkadir4
1Artificial Intelligence in Biomedical Imaging Laboratory (AIBIL), Center for and Data Science for Integrated Diagnostics (AI2D), Perelman School of Medicine, University of Pennsylvania, Philadelphia, PA, USA.
Nature communications
|January 8, 2024
概括
基因-SGAN是一种新的深度学习方法,通过整合脑部成像和遗传数据来识别疾病亚型. 这种方法揭示了与阿尔茨海默病和高血压相关的大脑内类型的不同亚型,改善了生物解释性.
科学领域:
- 神经科学是一个神经科学.
- 遗传学 遗传学 是一个
- 人工智能的人工智能
背景情况:
- 疾病的异质性对准确的诊断和治疗提出了挑战,特别是在神经和神经精神疾病中.
- 在个体中,不同的大脑表型可能代表潜在的疾病亚型,但在没有遗传关联的情况下缺乏生物解释性.
- 目前用于疾病亚型的机器学习方法往往无法整合遗传数据,从而限制了临床相关性.
研究的目的:
- 开发和验证Gene-SGAN,一种多视图,弱监督的深度聚类方法,通过整合表型和遗传数据来剖析疾病异质性.
- 将遗传相关性赋予疾病亚型和相关的内啡型特征,以提高生物解释性.
- 将Gene-SGAN应用于大规模的多站点数据集,以发现基因信息的疾病亚型和内分类型.
主要方法:
- 基因-SGAN是一种多视图,弱监督的深度集群算法,被开发用于联合分析表型 (MRI) 和遗传 (SNP) 数据.
- 该方法使用半合成实验进行了验证,以评估可通用性,可解释性和稳定性.
- 基因-SGAN被应用于现实世界,多个站点的数据集,包括28,858个人.
主要成果:
- 基因-SGAN成功地从MRI和单核酸多态数据中获得了阿尔茨海默病的亚型和与高血压相关的大脑内型.
- 确定的大脑表型在神经解剖学模式和遗传决定因素上表现出显著的差异.
- 这些独特的表型与生物学和临床生物标志物的变化有关,这表明不同的潜在神经病理过程.
结论:
- 基因-SGAN通过整合遗传和表型数据,有效地剖析疾病异质性,揭示与遗传相关的疾病亚型和内表型.
- 衍生的亚型表现出明显的生物学特征,遗传驱动因素和易感性因素,提高了诊断和治疗的精度.
- 基因-SGAN为在遗传复杂的神经疾病中疾病亚型和内型发现提供了一个广泛适用的框架.
