多omics资料和多模电脑脑电图数据的融合有助于针对神经认知障碍的个性化诊断策略

科学领域:

• 神经科学是一个神经科学.
• 生物标志物发现发现
• 老年学是一门学科.

背景情况:

• 神经认知障碍 (NCD) 由于主观评估和缺乏特定指标,因此存在诊断挑战.
• 全球老龄化人口面临越来越多的非传染性疾病,需要个性化诊断策略.

研究的目的:

• 通过整合多式联运数据,开发针对非传染性疾病的个性化诊断策略.
• 识别与非传染性疾病相关的多奥米克特征和代谢途径.
• 为了提高非传染性疾病的诊断精度.

主要方法:

• 收集了正常衰老 (NA) 和NCD老年人的多式电脑电图 (EEG) 数据.
• 便和尿液外体样本的综合元基因组学,蛋白质组学和代谢组学分析.
• 在老年小鼠中利用便微生物群移植 (FMT) 来实验验证多组体特征.
• 在机器学习分类模型中使用支持向量机 (SVM) 算法.

主要成果:

• 患有非传染性疾病的老年人表现出较低的EEG功率光谱密度.
• 在非传染性疾病中确定了特定的微生物 (例如,Ruminococcus gnavus) 和代谢 (例如,L-基,GABA) 标志.
• 观察到芳香氨基酸和TCA循环功能障碍的生物合成中断,在小鼠中得到验证.
• 在使用合并的EEG和多omics机器学习模型对NA和NCDs组进行分类时,获得了92.69%的准确性.

结论:

• 结合EEG数据融合的多omics分析显示了个性化NCD诊断的潜力.
• 这项研究提供了对非传染性疾病的潜在机制的见解.
• 这种方法可以提高神经认知障碍的诊断精度.