解码抑郁症:使用机器学习和深度学习方法对血液DNA甲基化进行全面的多队列探索
Aleksandr V Sokolov1, Helgi B Schiöth2
1Department of Surgical Sciences, Functional Pharmacology and Neuroscience, Uppsala University, Uppsala, Sweden.
Translational psychiatry
|July 15, 2024
概括
这项研究探讨了用于抑郁症诊断的血液DNA甲基化. 机器学习模型显示出潜力,随机森林实现了高精度,突出显示甲基化特征作为可能的生物标志物.
科学领域:
- 神经科学和基因组学
- 计算生物学和生物信息学
背景情况:
- 目前的抑郁症诊断缺乏客观的实验室生物标志物,仅依靠精神病学评估.
- 研究血液DNA甲基化信号为客观抑郁症评估提供了一个潜在的途径.
研究的目的:
- 为了评估血液DNA甲基化信号的稳定性和诊断潜力,在不同的人群中对抑郁症进行评估.
- 用甲基化数据评估各种机器学习和深度学习策略来对抑郁症进行分类.
主要方法:
- 对来自8个队伍的1942名个体的DNA甲基化数据的超级分析和元分析.
- 评估了12个机器学习/深度学习模型,包括有偏见和无偏见的特征选择.
- 对批量级处理和协调数据进行交叉验证和保留测试.
主要成果:
- 确定了1987年与抑郁症相关的CpG位点,与轴突引导和免疫通路有关.
- 随机森林分类器在批量级数据上获得了最高的性能 (AUC 0.73-0.76).
- 具有预选功能的模型显著提高了性能,其中一些模型的AUC高达0.91.1.
结论:
- 血液DNA甲基化特征显示出作为抑郁症生物标志物的前景.
- 机器学习,特别是随机森林,对于分析甲基化数据是有效的.
- 方法考虑,包括特征选择和数据协调,对于可靠的DNA甲基化分析至关重要.
