基于机器学习算法和单细胞测序分析的阿尔茨海默病生物标志物的识别和验证

科学领域:

• 神经科学是一个神经科学.
• 遗传学 是一个遗传学.
• 生物标志物发现发现

背景情况:

• 阿尔茨海默氏病 (AD) 是一种复杂的神经退行性疾病,其致病性不明.
• 识别可靠的诊断标记对于理解AD机制和改善诊断至关重要.

研究的目的:

• 识别和验证阿尔茨海默病的新型诊断生物标志物.
• 阐明特定基因在AD进展中的作用.

主要方法:

• 来自两个大型数据集 (GSE122063,GSE132903) 的基因表达数据的分析,以确定差异表达基因 (DEG).
• 应用机器学习算法 (LASSO,SVM-RFE,随机森林) 来减少维度和识别关键基因.
• 使用单细胞RNA测序数据集和免疫光分析进行验证.

主要成果:

• 确定了379个与AD发病相关的DEGs,其中115个是上调调节的,264个是下调调节的.
• 使用机器学习识别了六个核心DEG (CD86,SCG3,VGF,PRKCG,SPP1,TPI1).
• 在AD患者中,SCG3显著下调,显示出高的诊断准确性 (AUC:0.845-0.927) 和在多种细胞类型和海马体的表达减少.

结论:

• SCG3是阿尔茨海默氏症早期诊断生物标志物.
• 这项研究为开发用于早期AD检测的新诊断工具提供了基础.
• 这些发现支持SCG3在AD诊断中未来临床应用的潜力.