威莫德:针对阿尔茨海默氏症 (AD) 诊断的多omics数据的加权集成

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.
• 生物标志物发现发现

背景情况:

• 阿尔茨海默病 (AD) 是一种进展性神经退行性疾病,影响认知功能,特别是记忆力.
• 目前的诊断方法依赖于侵入性和昂贵的脑脊液或脑成像生物标志物.
• 现有的研究经常使用单一的奥米克,限制了对AD复杂病理生理学的全面理解.

研究的目的:

• 开发一种非侵入性,具有成本效益和精确的阿尔茨海默病诊断工具.
• 与单个OMC方法相比,整合多OMC数据以提高诊断性能.
• 为发现AD生物标志物和个性化治疗策略创建一个生物学可解释的模型.

主要方法:

• 介绍了WIMOAD,这是一个多omics数据 (基因表达和甲基化) 的加权集成.
• 利用专门的分类器和基于MLP的元模型进行多阶段分类和性能提升.
• 在生物解释性和基因贡献分析中使用了SHapley添加剂解释 (SHAP).

主要成果:

• 与单个原子方法相比,WIMOAD在AD分类任务中表现显著更高.
• 综合多学科方法的表现优于现有的大多数诊断模型.
• 该模型成功地确定了来自不同OMIC的个体基因对诊断结果的贡献.

结论:

• WIMOAD为准确的阿尔茨海默病诊断提供了一个高度有效和可解释的工具.
• 这种方法有助于在各种疾病阶段发现生物标志物,有助于早期干预.
• 这种多omics集成具有在AD管理中推进个性化治疗设计的潜力.