c-Triadem:一种受约束,可解释的深度学习模型,用于识别阿尔茨海默病中的新生物标志物

科学领域:

• 神经科学是一个神经科学.
• 遗传学 遗传学 是一个
• 人工智能的人工智能

背景情况:

• 早期诊断阿尔茨海默病 (AD) 对于有效管理至关重要,但受到当前生物标志物的限制.
• 现有的AD和轻度认知障碍 (MCI) 的诊断方法往往缺乏早期检测的敏感性.
• 在神经退行性疾病研究中,开发可访问的基于血液的诊断工具是重要的未满足需求.

研究的目的:

• 介绍c-Triadem,一种新的受约束的三输入深度神经网络模型,用于识别基于血液的阿尔茨海默病生物标志物.
• 使用遗传和临床数据的组合,准确预测疾病状态 (认知正常,MCI或AD).
• 提高早期检测和阿尔茨海默病和相关痴呆症的生物标志物发现.

主要方法:

• 开发了c-Triadem,这是一个集成基因定型,基因表达和临床数据的深度神经网络.
• 训练模型使用来自阿尔茨海默氏症神经成像疾病倡议 (ADNI) 队列的数据.
• 采用了夏普利添加式解释 (SHAP) 来识别关键预测特征并验证模型的稳定性.

主要成果:

• 与之前的模型相比,实现了优越的性能,曲线下的面积 (AUC) 为97%的,精度为89%.
• 确定了特定的遗传标记物 (CASP9,LCK,SDC3 SNPs) 和基因表达 (PINK1,ATG5,UBB,UBC) 对预测具有高度影响.
• 突出了DNA损伤反应和线粒细胞吸收途径在阿尔茨海默氏症病原发生中的作用.

结论:

• c-Triadem在使用血液数据预测MCI和AD方面表现出高准确性,为早期诊断提供了一个有前途的途径.
• 该模型有助于发现与AD相关的基于血液的新型遗传标记物.
• 该方法适用于生物标志物识别和检测在其他神经退行性疾病.