在健康的中年人群中,具有机器学习的中年人群中,对阿尔茨海默病的风险进行分层分层

科学领域:

• 神经科学是一个神经科学.
• 生物标志物发现发现
• 蛋白质组学是指蛋白质组学.

背景情况:

• 阿尔茨海默病 (AD) 有一个漫长的无症状阶段,在症状出现之前病理发展.
• 在这个临床前阶段,准确的风险分层对于开发和测试疾病修饰疗法至关重要.

研究的目的:

• 在认知上正常的个体中识别AD病理 (CN/BM+) 的生物标志物证据的分层风险的生物标志物.
• 根据其临床进展风险,将无症状AD (AsymAD) 个体分为子组.

主要方法:

• 对粉样β 42 (Aβ42),总tau (tTau) 和酸化tau (pTau) 的脑脊液 (CSF) 分析,以确定CN/BM+个体.
• 使用精选反应监测质谱对来自Emory健康大脑研究参与者的CSF样本进行向蛋白质组学.
• 机器学习算法用于识别一组由八个质组成的小组,以区分对照组和AD组.

主要成果:

• 一个由八个质组成的小组准确地区分了生物标志物阴性认知正常 (CN/BM-) 和有症状的AD个体 (AUC = 0.98).
• 这八种酸成功地将AsymAD个体分为"控制类"和"阿尔茨海默氏症类"风险亚组.
• 在一个独立的阿尔茨海默氏病神经成像计划 (ADNI) 数据集中的验证证实了的有效性 (AUC = 0.89).

结论:

• 识别的八个标签有效地分层了从无症状到症状阿尔茨海默氏症进展的风险.
• 这种板提供了一个有价值的工具,用于识别无症状AD人口中风险较高的个体.
• 这些发现支持了针对通过这种风险分层方法识别的个体的早期干预策略的潜力.