探索基于新型非线性相关性分析算法对阿尔茨海默病遗传标记的成像
Renbo Yang1, Wei Kong2, Kun Liu1
1College of Information Engineering, Shanghai Maritime University, 1550 Haigang Ave, Shanghai, 201306, People's Republic of China.
Journal of molecular neuroscience : MN
|April 3, 2024
概括
这项研究引入了一种新的非线性成像遗传学方法,以找到阿尔茨海默病 (AD) 标志物. 该方法提高了识别与AD进展相关的大脑区域和基因的准确性.
科学领域:
- 神经科学是一个神经科学.
- 遗传学 遗传学 是一个
- 医疗成像医学成像
背景情况:
- 阿尔茨海默病 (AD) 的诊断和治疗依赖于识别早期标记物.
- 当前的成像遗传学方法通常假定线性关系,限制了它们捕捉复杂遗传和大脑功能相关性的能力.
- 由于这些线性假设,成像遗传学的稀疏学习算法可能不准确.
研究的目的:
- 开发一种用于阿尔茨海默病的非线性成像遗传关联分析方法.
- 整合结构磁共振成像 (sMRI),单核酸多态 (SNP) 和基因表达数据用于联合非线性关系学习.
- 通过克服线性模型的局限性,提高识别AD风险区域和基因的准确性.
主要方法:
- 拟议的基于深度自我重建的适应性稀疏多视图深度通用化法典相关性分析 (DSR-AdaSMDGCCA).
- 在深度通用法典相关性分析 (DGCCA) 中纳入非线性转换,以发现复杂的关联.
- 利用深度自我重建 (DSR) 进行样本聚类和标签信息非线性特征提取.
主要成果:
- 该DSR-AdaSMDGCCA算法确定了关键的AD风险区域 (海马体,准海马体,状圈) 和风险基因 (VSIG4,NEDD4L,PINK1).
- 与现有算法相比,与较少的特征实现了最大的分类准确性.
- 分子生物学丰富分析证实了鉴定出的基因与AD进展途径的强烈联系.
结论:
- 新的DSR-AdaSMDGCCA方法有效地识别了阿尔茨海默病中遗传变异和病理表型之间的非线性关联.
- 这种方法提高了关联分析的性能,并确定了生物学上重要的AD标志物.
- 这些发现支持了改善阿尔茨海默病早期诊断和有针对性的治疗策略的潜力.
