可解释机器学习驱动的阿尔茨海默病生物标志物识别和验证

科学领域:

• 生物信息学是一种生物信息学.
• 神经退行性疾病 神经退行性疾病
• 机器学习 机器学习

背景情况:

• 阿尔茨海默病 (AD) 缺乏有效的治疗方法,因此需要早期检测以改善结果.
• 目前的诊断方法需要加强,以便及时干预.

研究的目的:

• 为了确定阿尔茨海默病 (AD) 诊断和治疗的可靠生物标志物.
• 开发可解释的机器学习模型用于AD检测.

主要方法:

• 差异基因表达分析,加权基因共表达网络分析 (WGCNA) 和蛋白质与蛋白质相互作用 (PPI) 网络构建.
• 机器学习算法和夏普利添加式解释 (SHAP) 的应用,用于模型解释.
• 在AD细胞模型和单细胞转录组分析中对已识别的枢纽基因 (MYH9,RHOQ) 的实验验证.

主要成果:

• 确定了与AD相关的10个枢纽基因,包括MYH9和RHOQ.
• MYH9在AD细胞模型中显示出显著的差异性mRNA表达,表明其作为生物标记物的潜力.
• RHOQ也显示出差异性表达,尽管细胞模型与人类大脑组织中的模式相反,因此需要进一步调查.

结论:

• MYH9是一种有前途的新型生物标志物,可用于增强阿尔茨海默病 (AD) 诊断和个性化治疗.
• 可解释的机器学习模型为AD生物标志物发现提供了新的见解.
• 建议进一步研究RHOQ在阿尔茨海默病中的复杂作用.