在阿尔茨海默氏病神经成像计划参与者中通过缺失数据启用子类型和阶段推断推断识别的多式子类型

科学领域:

• 神经科学是一个神经科学.
• 生物标志物 生物标志物
• 计算生物学 计算生物学

背景情况:

• 阿尔茨海默病 (AD) 是高度异质的,生物标志物在几十年内动态变化.
• 目前的亚型分析方法需要完整的生物标记数据,限制了它们的应用.
• 现有的算法难以处理缺失的数据,将分析限制在像MRI这样的特定模式上.

研究的目的:

• 调整亚型和阶段推理算法以处理阿尔茨海默病研究中缺失的数据.
• 为了使这种算法能够应用于多式联运数据,以便进行更全面的分析.
• 识别不同的阿尔茨海默病亚型及其进展模式.

主要方法:

• 调整了子类型和阶段推理算法,以纳入缺少的数据.
• 将修改后的算法应用于789名阿尔茨海默氏病神经成像计划参与者的多式数据 (MRI,PET,CSF,认知测试).
• 根据独特的进展模式确定了五种不同的阿尔茨海默病亚型.

主要成果:

• 确定了五种新的阿尔茨海默氏病亚型:"典型的阿尔茨海默氏病与早期的","典型的阿尔茨海默氏病与晚期的","皮质","认知"和"皮质下".
• 这些亚型与年龄,教育,APOE4状态,白质超强度和轻度认知障碍转化率有差异性关联.
• "认知"亚型表现出最快的临床进展,而"皮下"亚型表现出最慢的临床进展.

结论:

• 缺失数据的亚型和阶段推断揭示了阿尔茨海默病亚型的更细致的景观.
• 每种已识别的亚型都与不同的风险因素和进展率有关.
• 这种方法扩大了亚型分析的实用性,使得对更广泛的个体进行预测.