使用机器学习模型评估多基因风险来预测阿尔茨海默病

科学领域:

• 生物标志物和诊断仪器
• 计算生物学和生物信息学
• 神经退行性疾病研究

背景情况:

• 阿尔茨海默病 (AD) 是老年人痴呆的主要原因.
• 阿尔茨海默病的神经病理学在症状表现之前几十年就开始了,这凸显了早期检测工具的必要性.
• 对AD的早期干预策略可以通过及时和准确的查方法来促进.

研究的目的:

• 开发和评估阿尔茨海默病 (AD) 情绪状态和发病时的年龄的多组预测模型.
• 确定用于早期AD检测的关键预测特征和信息性数据模式.
• 评估"AD-by-proxy"案例在增强预测模型中的实用性.

主要方法:

• 利用基于树的和深度学习算法来训练多组预测模型.
• 来自英国生物银行的综合基因组,蛋白质组,代谢组和药物使用数据.
• 采用SHAP分析来确定特征的重要性,并确定关键预测因素.

主要成果:

• 最好的多原子模型在预测AD时获得了0.87的AUROC.
• 状纤维酸性蛋白 (GFAP) 和CXCL17蛋白被确定为最强的预测因子,与阿波利波蛋白E (APOE) 的等位基因一起.
• 纳入"AD-by-proxy"案例并没有显著改善模型性能.

结论:

• 基因组学和蛋白质组学成为基于AUROC的AD预测最有信息的数据模式.
• 基于血液的生物标志物GFAP和CXCL17显示出早期,症状前的AD预测的潜力.
• 开发的多组模型有效地使用omics和EHR数据预测AD和发病时的年龄.