机器学习多基因风险模型用于增强预测阿尔茨海默病内分类型

科学领域:

• 遗传学 是一个遗传学.
• 机器学习 机器学习
• 神经科学是一个神经科学.

背景情况:

• 阿尔茨海默病 (AD) 具有复杂的多基因结构.
• 全基因组关联研究 (GWAS) 识别了与AD易感性相关的序列变异 (SV).
• 传统的多基因风险评分 (PRS) 方法解释了AD风险和内分类型的有限变化.

研究的目的:

• 调查基于机器学习的多基因风险评分 (ML-PRS) 在预测AD方面是否优于标准PRS.
• 评估ML-PRS对AD风险分层的临床实用性.

主要方法:

• 结合了梅奥诊所关于衰老和AD神经影像研究倡议的数据.
• 计算AD PRS使用AD痴呆症GWAS的顶级SV.
• 训练有素的ML模型使用SV基因型,以粉样蛋白PET负担为主要结果.
• 使用交叉验证和换的重要性,比较ML-PRS和标准PRS的性能.

主要成果:

• ML-PRS模型解释了粉样PET负荷 (r2 = 0.28) 比标准PRS (r2 = 0.24) 更大的变化.
• 考虑到非线性遗传影响的ML方法优越.
• 与标准PRS相比,ML-PRS在预测粉样蛋白PET阳性 (AUC = 0.80) 和认知障碍 (AUC = 0.75) 的准确性更高.

结论:

• 通过更好地考虑非线性遗传效应,ML-PRS方法可以提高AD内类型的预测.
• 进一步开发ML-PRS可以提高对AD遗传性的理解,并使更准确的早期风险分层成为可能.