对于阿尔茨海默氏病分子机制的深度跨欧米网络融合

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:

• 阿尔茨海默氏症 (AD) 病原发生涉及复杂的分子机制,如粉样蛋白沉积,传播,神经炎症和突触功能障碍,但详细的途径尚不清楚.
• 这些AD分子假设的遗传基础尚未完全确立,尽管该疾病的遗传性很高.

研究的目的:

• 通过将多种分子数据与先前的功能相互作用信息集成,发现功能连接的多原子特征.
• 研究阿尔茨海默病复杂的分子机制,并确定其上游遗传贡献者.

主要方法:

• 开发MoFNet,这是一种新的深度学习模型,旨在提高多原子数据分析中的可解释性.
• 将多原子数据 (DNA,RNA,蛋白质) 与先前的功能相互作用 (SNP,基因,蛋白质) 集成,模拟从DNA到蛋白质的动态信息流.
• 利用先前的功能相互作用来增强功能连接的多原子特征的发现.

主要成果:

• 与现有方法相比,MoFNet在ROS/MAP队列上表现出优异的预测性能.
• 鉴定了3个由先天免疫,错误折叠蛋白质清除和神经递质释放通路丰富的多原子子网络.
• 发现了SNP基因对,主要是组织特异性的 (额叶皮层) eQTL,其中一个子网络突出显示了SNARE复合体在突触功能中的作用.

结论:

• MoFNet有效地提高了分类准确性,并确定了阿尔茨海默病的可解释的多组标志物.
• 已识别的多原子子网络提供了对AD背后的分子机制的更深入的见解.
• 该研究强调了深度学习在整合多原子数据以解开复杂疾病病因方面的有用性.