对全人口血蛋白的机器学习分析确定了帕金森病的荷尔蒙生物标志物

科学领域:

• 生物标志物 生物标志物
• 神经退行性疾病 神经退行性疾病
• 蛋白质组学是指蛋白质组学.

背景情况:

• 帕金森病 (PD) 的诊断和管理需要更好的工具,特别是在人口老龄化和遗传标记有限的情况下.
• 机器学习对大规模的奥米克数据提供了一个有前途的方法来发现新的PD生物标志物.
• 目前的诊断方法缺乏足够的灵敏度和特异性,无法广泛地对人口进行查和患者分层.

研究的目的:

• 应用机器学习模型来识别帕金森病的新型血蛋白生物标记物.
• 使用独立数据集验证这些生物标志物,并将其与疾病严重程度相关联.
• 探索已识别的生物标志物在PD病变发生过程中的潜在作用.

主要方法:

• 利用来自英国生物库 (43,408名受试者) 的血蛋白质组学数据的三种机器学习模型进行培训和测试.
• 外部验证的发现使用来自帕金森氏症进展标志物倡议 (PPMI) 队列的103个样本.
• 与临床严重性评分 (UPDRS) 相关联的鉴定蛋白质标志物.

主要成果:

• 确定了一组高度预测PD的血蛋白生物标志物.
• 包括已知的标记物 (DDC,CALB2) 和与JAK-STAT,PI3K-AKT通路和激素信号相关的新型标记物.
• 这些标记与UPDRS严重性得分有很强的相关性,区分保护性和对抗性特征.

结论:

• 机器学习有效地识别了帕金森病的新型血蛋白生物标志物.
• 这些生物标志物显示出改善诊断,患者分层和治疗标识的潜力.
• 这些已识别的途径为帕金森病的发病过程提供了新的见解.