可解释的机器学习来评估DAO/DAOA (pLG72) 蛋白质数据和临床评估中的特征,精神分裂症患者的功能结果和认知功能之间的关系
Chieh-Hsin Lin1,2,3, Eugene Lin4,5, Hsien-Yuan Lane6,7,8,9
1Department of Psychiatry, Kaohsiung Chang Gung Memorial Hospital, Chang Gung University College of Medicine, Kaohsiung, Taiwan.
Schizophrenia (Heidelberg, Germany)
|February 22, 2025
概括
可解释机器学习通过分析D-氨基酸氧化酶 (DAO) 和DAO激活剂 (DAOA) 水平,有效地评估了精神分裂症患者的临床特征,揭示了与抑郁症和认知功能的关键关联.
科学领域:
- 神经科学是一个神经科学.
- 精神病学是一个精神病学.
- 计算生物学 计算生物学
背景情况:
- D-氨基酸氧化酶 (DAO) 和DAO激活剂 (DAOA) 蛋白水平是精神分裂症的潜在生物标志物.
- 机器学习用于评估与精神分裂症中DAO/DAOA相关的临床特征的应用仍未得到充分研究.
研究的目的:
- 研究可解释机器学习 (IML) 框架在评估DAO/DAOA水平与精神分裂症患者各种临床特征之间的关系时的有用性.
- 确定与DAO和DAOA水平相关的关键临床,功能和认知参数.
主要方法:
- 采用可解释机器学习 (IML) 框架,包括线性回归,拉索和通用添加模型 (GAM).
- 分析了380名台湾精神分裂症患者的数据,包括27个特征 (人口统计,临床评估,功能结果,认知功能).
- 检查了特征和DAO/DAOA级别之间的线性和非线性关系.
主要成果:
- 线性回归显示DAO水平与17项汉密尔顿抑郁症评分表 (HAMD17) 相关.
- 拉索模型确定HAMD17,年龄,工作记忆和整体认知功能 (OCF) 对稳定患者的DAO具有重要意义.
- 拉索模型确定了OCF,负面症状评估20项量表,生活质量量量表 (QLS) 和类别流性对DAOA在恶化患者中具有重要意义,OCF是最突出的.
- GAM显示了类别流性和DAO之间的非线性关系,以及QLS和DAOA之间的非线性关系.
结论:
- 一个IML框架有效地阐明了DAO/DAOA与精神分裂症的临床,功能和认知特征之间的线性和非线性关联.
- 像HAMD17和OCF这样的特定特征与DAO/DAOA水平有显著的相关性,这表明它们有可能作为生物标志物.
- 这种方法为深入了解精神分裂症病理生理学和患者分层提供了希望.
