用生存机器学习识别阿尔茨海默病的蛋白质性预后标记:弗雷明汉心脏研究
Yuanming Leng1, Huitong Ding2, Ting Fang Alvin Ang3
1Department of Biostatistics, Boston University School of Public Health, Boston, MA 02118, USA.
The journal of prevention of Alzheimer's disease
|January 25, 2025
概括
这项研究使用机器学习开发了一种蛋白质组合评分,以预测阿尔茨海默病 (AD) 风险. 该得分改善了早期AD检测,并显示了与记忆表现的负相关性.
科学领域:
- 生物标志物 生物标志物
- 蛋白质组学是指蛋白质组学.
- 神经退行性疾病 神经退行性疾病
背景情况:
- 蛋白质丰富性对生理变化和干预很敏感,为阿尔茨海默病 (AD) 风险和治疗提供了洞察力.
- 鉴定AD的蛋白质基预后标志物是具有挑战性的,因为高度的维度和相关性.
研究的目的:
- 为了确定阿尔茨海默病 (AD) 的新型蛋白质预后标志物.
- 开发一个复合得分来改善AD风险预测和认知功能的评估.
主要方法:
- 分析了Framingham心脏研究 (FHS) 后代队列中的858名参与者 (年龄≥55岁) 的1128个血蛋白.
- 应用回归和机器学习模型 (LASSO,GBM) 来识别蛋白质标记物.
- 构建加权蛋白质组合评分,并使用时间依赖的AUC评估其预测性能.
主要成果:
- 由九种蛋白质获得的复合得分显著改善了超越传统因素 (年龄,性别,教育,APOE ε4) 的AD预测.
- 该得分在22年随访后达到0.84的AUC峰值.
- 在不同参与者群体中,综合分数和记忆表现之间观察到一致的负相关性.
结论:
- 机器学习有效地识别了蛋白质组标记,以提高AD预测.
- 开发的蛋白质组合评分显示了早期AD检测和监测治疗疗效的潜力.
- 建议在多种不同人群中进一步验证.
