SGUQ:分阶段图形卷积神经网络用于阿尔茨海默病的诊断使用多omics数据

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
• 人工智能的人工智能

背景情况:

• 阿尔茨海默病 (AD) 是导致痴呆的主要原因,对全球健康和经济构成重大挑战.
• 高通量omics技术已经推进了AD分子理解,但传统的AI模型需要提前完整的数据,证明效率低下.
• 目前使用多omics数据的AD诊断方法可能昂贵,可能涉及不必要的测试.

研究的目的:

• 开发一种成本效益高,准确的阿尔茨海默病诊断方法,使用多omics数据.
• 提出一种具有不确定性量化 (SGUQ) 的新型阶段图形卷积网络,选择性地纳入omics数据.
• 为了减少财务负担,提高AD诊断的效率.

主要方法:

• 一个分阶段的图形卷积网络与不确定性量化 (SGUQ) 被开发出来.
• 根据需要,SGUQ以mRNA数据开始诊断,并逐步整合DNA甲基化和miRNA数据.
• 该模型在ROSMAP数据集上进行了评估,以确定AD诊断的准确性.

主要成果:

• 在ROSMAP数据集上,SGUQ的诊断准确度为0.858,超过了现有的方法.
• 46.23%的样本仅使用mRNA数据 (单模) 可靠地预测.
• 另外16.04%的样本通过组合的mRNA和DNA甲基化数据 (双模) 实现了可靠的预测.

结论:

• 拟议的SGUQ模型通过高效的多omics数据利用,在阿尔茨海默病诊断方面取得了重大进展.
• 通过选择性地整合omics数据,SGUQ降低了临床成本并提高了诊断准确性.
• 该SGUQ框架具有超越AD诊断的潜在应用,包括使用多次查看数据进行临床决策.