一个可解释的深度学习框架识别了阿尔茨海默病的蛋白质驱动因素

科学领域:

• 神经科学是一个神经科学.
• 计算生物学 计算生物学
• 蛋白质组学是指蛋白质组学.

背景情况:

• 阿尔茨海默病 (AD) 是一种主要的神经退行性疾病,其病因不明确,没有治愈方法.
• 来自健康和AD个体的多omics数据可用,但机器学习模型往往缺乏可解释性.
• 阿尔茨海默氏症大脑的蛋白质基因格局比其遗传格局更难理解.

研究的目的:

• 开发一种可解释的深度学习方法,用于分析阿尔茨海默病中复杂的蛋白质组学数据.
• 为了确定新的分子驱动因素和信号通路,涉及到AD的病变发生.
• 探索蛋白质组变化与患者死亡年龄之间的关系.

主要方法:

• 开发了EnsembleOmicsAE,这是一组自动编码器的深度学习组合,以将蛋白质组学数据的复杂性降低到稳定的潜在特征.
• 结合了来自3个AD队伍559名个体的脑蛋白质组数据.
• 实施了一种代特征编码算法,以计算蛋白质特征的重要性,并识别富含蛋白质-蛋白质相互作用的信号模块.

主要成果:

• EnsembleOmicsAE产生了适合生物解释的稳定潜伏特征.
• 确定了新的AD分子驱动因素,包括因特林信号传递和细胞粘附,这些因素在线性方法中错过了.
• 确定信号模块和死亡年龄之间的特征关系,揭示了年轻人与老年阿兹海默症患者维门丁和MAPK信号的差异调节.

结论:

• EnsembleOmicsAE为阿尔茨海默病蛋白质组学研究提供了一个可解释的深度学习框架.
• 该方法成功地确定了以前未被识别的分子途径,这些途径有助于AD.
• 研究结果表明,在阿尔茨海默病患者中,与年龄相关的蛋白质特征有所不同,突出显示了维丁和MAPK信号.