预测阿尔茨海默氏症认知性得分:使用RNA-seq数据对机器学习模型进行比较研究

科学领域:

• 神经科学是一个神经科学.
• 基因组学就是基因组学.
• 计算生物学 计算生物学

背景情况:

• 阿尔茨海默病 (AD) 的特点是粉样斑块和神经纤维状结.
• 认知性 (Cognitive resilience,简称CR) 描述了尽管有AD病理,但仍然保持了认知功能.
• 了解CR机制对于开发有效干预措施至关重要.

研究的目的:

• 构建和比较用于预测CR分数的机器学习模型.
• 使用RNA-seq数据识别与CR相关的基因和生物途径.
• 开发一种可视化基因对CR的贡献的工具.

主要方法:

• 利用了来自ROSMAP和MSBB队列的RNA测序数据.
• 评估了各种机器学习模型,包括SVR,随机森林,XGBoost,线性和基于变压器的方法.
• 采用沙普利添加式解释 (SHAP) 来识别重要的基因.

主要成果:

• 支持向量回归 (SVR) 模型在预测CR得分方面表现出卓越的性能.
• SHAP分析发现了有助于认知性的特定基因.
• 通过基因分析阐明了与CR相关的生物学途径.

结论:

• 机器学习,特别是SVR,可以有效地预测阿尔茨海默病的认知性.
• 基因表达模式提供了对认知性的生物学基础的见解.
• 开发的弹性基因分析仪 (REGA) 工具有助于解释基因对CR的贡献.