在健康的泰国人群中使用威斯康星卡排序测试测量认知变异的蛋白质学关联:一种机器学习方法

科学领域:

• 神经科学是一个神经科学.
• 蛋白质组学是指蛋白质组学.
• 机器学习 机器学习

背景情况:

• 认知变异性受到遗传学和环境的影响,影响典型的认知和早期疾病检测.
• 了解与认知功能相关的生物标志物对于个性化医学和早期干预策略至关重要.

研究的目的:

• 为了研究血清蛋白表达特征与健康泰国人群的认知变异性之间的关联.
• 使用机器学习算法识别与认知表现相关的差异表达蛋白 (DEP).

主要方法:

• 199名健康的泰国受试者 (20-70岁) 使用威斯康星卡片排序测试进行认知评估.
• 没有标签的蛋白质组识别了DEP,通过微阵列数据的线性模型进行分析.
• 采用随机森林模型来分类认知能力组.

主要成果:

• 在较低和较高的认知群体之间发现了213个DEP,在较低的认知群体中增加了155个.
• 丰富分析揭示了IL-17信号通路,将DEP与神经炎症相关的认知障碍联系起来.
• 随机森林模型在认知能力分类中实现了81.5%的准确性,65%的灵敏度,85.9%的特异性和0.79的AUC.

结论:

• 这项研究为泰国队列中神经炎症和认知表现之间的联系提供了新的见解.
• 已识别的DEP和途径可以作为认知功能和可变性的潜在生物标记.
• 机器学习模型显示出准确的认知能力分类的前景,有助于为各种人群开发工具.