使用自动机器学习的多omics集成框架识别了精神分裂症风险分层的外周免疫凝固生物标志物

科学领域:

• 神经科学是一个神经科学.
• 计算生物学 计算生物学
• 生物化学 生物化学

背景情况:

• 精神分裂症 (SCZ) 呈现出复杂的,异质的分子病理,单一的病理学家对其了解甚少.
• 传统的方法限制了生物标志物发现和对SCZ的机制性见解.

研究的目的:

• 应用人工智能驱动的多omics框架来剖析SCZ病理生理学.
• 通过综合数据,增强SCZ分类并识别关键分子区分因子.

主要方法:

• 利用AI多omics框架整合了等离子体蛋白质组学,后翻译修改 (PTMs) 和代谢学.
• 为了SCZ分类性能,比较了17个机器学习模型.
• 使用可解释的特征优先级和功能丰富分析.

主要成果:

• 与单独的蛋白质组学 (AUC 0.9636) 相比,多组学集成显著改善了SCZ分类 (AUC 0.9727).
• 确定了碳化和氧化PTM,特别是免疫球蛋白和凝血因子,作为关键的区分因子.
• 丰富的途径包括补充激活,血小板信号传递和肠道微生物群代谢.
• 蛋白质网络涉及凝血因子 (F2,F10,PLG) 和补充调节器 (CFI,C9) 作为中央枢纽.

结论:

• 免疫血栓失调被认为是SCZ病理学的关键组成部分.
• 免疫蛋白的PTM作为SCZ的可量化的指标.
• 该研究提供了一个强大的计算策略,用于在精神病学研究中整合多omics,识别潜在的生物标志物.