引导推断和机器学习揭示了重症抑郁症中核心差异性血代谢连接体的特征
Hongxin Pan1, Yuyang Sha1, Xiaobing Zhai1
1Center for Artificial Intelligence Driven Drug Discovery, Faculty of Applied Sciences, Macao Polytechnic University, Macau.
Journal of affective disorders
|March 5, 2025
概括
大型抑郁症 (MDD) 显示了代谢网络的改变,而不仅仅是个别的生物标志物. 酸代谢是关键,为MDD提供了新的诊断潜力.
科学领域:
- 代谢学 代谢学 代谢学
- 系统生物学 系统生物学
- 神经科学是一个神经科学.
背景情况:
- 大型抑郁症 (MDD) 涉及复杂的分子和途径失调.
- 当前的研究经常孤立地分析代谢途径或生物标志物,错过了关键的相互作用.
- 了解这些代谢相互联系对于正常的生理功能至关重要.
研究的目的:
- 使用大规模的代谢组数据集,研究MDD中的代谢生物标志物相互作用.
- 为了确定MDD患者和健康对照 (HC) 之间的差异化代谢网络签名.
- 探索基于网络的代谢学在MDD诊断和理解病理生理学的潜力.
主要方法:
- 利用了来自182,053名英国生物库参与者的血代谢数据 (9425名MDD,172,628名HC).
- 使用引导式推断分析构建了代谢相关性网络.
- 应用机器学习和深度学习模型来识别差异网络签名,并将MDD与HC组区分开来.
主要成果:
- MDD代谢网络表现出显著的重组,比对照表现更稀疏,更精简 (p < 0.05).
- 在MDD中,四个关键的代谢途径被改变,其中亚麻酸代谢是最有影响的 (p < 0.01,影响 = 0.29).
- 一个极端梯度增强模型在使用网络特征和基线数据来区分MDD与HC时实现了73%的准确性和0.82 AUROC.
结论:
- 大规模的代谢学连接组分析揭示了MDD中一致的失调代谢网络特征.
- 许多MDD网络表现出不同的连接模式,特别是涉及酸代谢.
- 将代谢学作为网络整合,而不是孤立的标记物,为MDD研究和生物标记物发现提供了一个有前途的框架.
