层次输入神经网络识别了多omics生物标志物用于认知衰退

科学领域:

• 计算生物学是一种计算生物学.
• 基因组学就是基因组学.
• 神经科学是一个神经科学.

背景情况:

• 复杂的疾病需要模型整合多omics数据的生物解释性.
• 现有的机器学习 (ML) 方法往往忽视了分子层之间的层次和监管关系.

研究的目的:

• 介绍层次输入神经网络 (HINN),这是一个包含跨学科关系的深度学习框架.
• 为了提高预测性能和生物解释性在多omics数据分析.
• 为了识别阿尔茨海默病和认知衰退的基于血液的生物标志物.

主要方法:

• 开发了HINN,这是一个深度学习框架,嵌入已知的跨omics关系 (基因组学,表观基因组学,转录组学).
• 应用HINN对来自阿尔茨海默病或轻度认知障碍患者的血液衍生多组数据.
• 使用标准化评估预测认知得分,并将HINN与基线和最先进的模型进行比较.

主要成果:

• 与现有模型相比,HINN在预测认知得分方面表现出卓越的表现.
• 在ATP6V1C1和RCHY1中确定了多种omics生物标志物,包括SNP和CpG位点,与血p-Tau181水平相关联.
• 发现了与认知衰退过程相关的生物学相关特征.

结论:

• HINN有效地整合了多学科数据和生物知识,以提高预测性能和可解释性.
• 这项研究强调了HINN在发现阿尔茨海默氏症等复杂疾病的可解释的,基于血液的生物标志物的潜力.
• 研究结果表明,HINN可以促进认知衰退的理解和早期检测.