一个基于转录学的机器学习模型,区分轻度认知障碍和转化为阿尔茨海默病的预测
Min-Koo Park1,2, Jinhyun Ahn3, Jin-Muk Lim4
1Department of Biological Sciences, College of Natural Sciences, Kangwon National University, Chuncheon 24341, Republic of Korea.
Cells
|November 27, 2024
概括
机器学习和基因表达分析准确地检测出早期阿尔茨海默病 (AD) 和轻度认知障碍 (MCI). 这种方法识别了预测MCI进展的生物标志物,有助于对AD的早期干预.
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.
- 人工智能的人工智能
背景情况:
- 阿尔茨海默病 (AD) 的诊断和治疗仍然具有挑战性,目前的疗法只能延迟进展.
- 早期检测轻度认知障碍 (MCI) 和预测其进展到AD是关键的未满足需求.
- 超级老龄化社会需要神经退行性疾病的先进诊断和预后工具.
研究的目的:
- 确定新的基因表达生物标志物,以区分MCI与认知正常 (CU) 个体和AD与MCI.
- 发现能够预测MCI向AD进展的生物标志物.
- 探索整合机器学习 (ML) 与转录学用于AD预后的实用性.
主要方法:
- 来自阿尔茨海默病神经成像计划 (ADNI) 队列 (CU,MCI,AD) 的转录组数据.
- 机器学习模型用于生物标志物识别和分类.
- 考克斯比例危险分析用于进展预测.
- 血生物标志物的纵向预后价值评估的线性混合模型 (pTau181,NFL).
主要成果:
- 通过使用独特的基因表达特征,ML模型在区分MCI和CU个体时达到0.98的AUC.
- 一个已识别的生物标志物的子集显著预测了MCI到AD进展风险.
- 血pTau181和NFL证明了纵向认知衰退的预后价值.
结论:
- 将ML与转录形状分析集成为早期AD检测和预后提供了一种强大的方法.
- 已识别的基因表达特征和血生物标志物有可能成为新的诊断和预后工具.
- 这一综合战略可能有助于制定延迟或预防AD发病的干预措施.
