在前症状阶段预测肌缩性侧面硬化症:从SOD1G93A小鼠基因表达特征的洞察
Valentina La Cognata1, Maria Guarnaccia1, Giovanna Morello1
1Institute for Biomedical Research and Innovation (IRIB), National Research Council (CNR), via P. Gaifami 18, 95126 Catania, Italy.
Experimental neurology
|June 7, 2025
概括
通过使用分析基因表达的机器学习模型,可以早期检测肌缩侧面硬化症 (ALS). 这种转录基因分类器对临床前诊断有前途,使得这种致命的神经退行性疾病的及时干预成为可能.
科学领域:
- 神经科学是一个神经科学.
- 基因组学就是基因组学.
- 计算生物学 计算生物学
背景情况:
- 肌缩侧面硬化症 (ALS) 是一种快速进展的致命神经退行性疾病.
- 当前的诊断方法往往在晚期发现ALS,延迟关键干预和患者护理.
- 对于早期诊断工具有着显著的未满足的需求,以实现及时治疗和疾病监测.
研究的目的:
- 在临床前阶段开发基于转录组的签名,用于预测肌缩侧面硬化症 (ALS).
- 为早期和准确的ALS诊断建立一个机器学习分类器.
- 为了验证跨不同组织的转录基因签名的诊断潜力.
主要方法:
- 从ALS (SOD1G93A) 和对照的小鼠模型中分析了公开的基因表达特征.
- 确定与ALS病理学相关的差异表达基因 (DEGs),重点关注免疫和代谢过程.
- 利用机器学习分类器 (SVM,神经网络,LDA) 来构建ALS检测的预测模型.
主要成果:
- 在ALS小鼠的中枢神经系统中鉴定了463个差异表达基因 (DEG).
- 机器学习分类器在区分前症状ALS小鼠和对照小鼠方面表现出很高的准确性.
- 预测模型在从外围组织 (骨髓神经,肌肉) 的验证数据集中显示出一致的性能.
结论:
- 该研究提出了使用基于机器学习的转录组分类器来早期检测ALS的第一个概念证明.
- 这种方法有可能用于早期诊断ALS,促进及时的治疗干预.
- 这些发现可以显著改善对ALS疾病进展和患者管理的监测.
