可解释的多式联机机器学习 (IMML) 框架揭示了远距离感应运动多神经病变的病理特征
Phong B H Nguyen1,2,3, Daniel Garger1,2, Diyuan Lu1
1Institute of Computational Biology, Helmholtz Munich, 85764, Neuherberg, Germany.
Communications medicine
|December 16, 2024
概括
这项研究引入了一个可解释的多模式机器学习 (IMML) 框架,以预测远距离感应运动多神经病变 (DSPN) 的发生率. 结合临床和分子数据可以提高预测准确度,识别DSPN的新生物标志物.
科学领域:
- 神经学 神经学
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 远端感觉运动性多神经病变 (DSPN) 是一种与衰老,肥胖和糖尿病相关的流行神经疾病,有助于显著的发病率和死亡率.
- 人们对DSPN的多因素性质及其潜在机制的理解尚不完全.
研究的目的:
- 开发一个可解释的多模式机器学习 (IMML) 框架,用于预测DSPN的流行和发病率.
- 为了利用IMML的解释性来识别与DSPN相关的新生物标志物.
- 分析来自大量人口队列的深度多式联运数据,以获得DSPN洞察力.
主要方法:
- 使用KORA F4/FF4队列 (1091名参与者) 具有全面的多式联络数据 (临床,基因组学,甲基组学,转录组学,蛋白质组学,炎症蛋白质,代谢组学).
- 开发并应用了一个可解释的多模式机器学习 (IMML) 框架,用于DSPN的预测建模.
- 通过使用接收器操作特征曲线 (AUROC) 下面的面积来评估预测性能.
主要成果:
- 仅仅通过临床数据,DSPN分层的AUROC为0.752.
- 预测超过6.5年的DSPN发病率显著改善 (ΔAUROC>0.1,AUROC 0.714) 临床数据加两个或两个以上的分子模式.
- 确定了关键的预测特征,包括对促炎性细胞因子的上调和对SUMOylation通路和必需脂肪酸的下调.
结论:
- 确定了发生DSPN的潜在新生物标志物,包括特定的分子通路和蛋白质.
- 这些发现表明,IMML可以指导DSPN的预防策略.
- 证明了IMML框架对于使用多式联络数据研究复杂疾病的实用性.
