一个机器学习框架来对轻度认知障碍的痴呆风险进行分类:来自韩国全基因组关联研究队列的证据

科学领域:

• 神经科学是一个神经科学.
• 遗传学 遗传学 是一个
• 计算生物学 计算生物学

背景情况:

• 阿尔茨海默病 (AD) 是一种进展性神经退行性疾病,在早期检测方面存在挑战.
• 轻度认知障碍 (MCI) 通常在AD之前,每年有显著的痴呆症进展率.
• 全基因组关联研究 (GWAS) 已经确定单核酸多态 (SNP) 作为AD发病的关键遗传因素.

研究的目的:

• 开发和评估用于将MCI患者分为痴呆症进展高风险和低风险组的预测模型.
• 利用SNP芯片数据和机器学习 (ML) 算法用于痴呆风险预测.
• 评估在韩国MCI群体中基于SNP的ML分层的可行性.

主要方法:

• 对来自生物银行"针对阿尔茨海默氏症慢性脑血管疾病的创新研究"的韩国队列进行了GWAS,以确定与痴呆症相关的SNP.
• 训练了6个ML算法 (RF,KNN,ANN,SVM,XGBoost,LightGBM) 使用已识别的SNP来预测痴呆风险.
• 开发了使用不同SNP子集的三个预测模型,并使用AUC和PR-AUC评估性能,并预先指定值.

主要成果:

• 增强模型,特别是XGBoost (模型3),在交叉验证中表现出强的表现 (AUC=0.881,PR-AUC=0.924).
• 概率输出得到了良好的校准,显示了预测和观察到的风险之间的良好一致.
• 时间验证显示,在预测的高风险群体中,事件的歧视是适度的,但持续丰富,具有高灵敏度和F1-max值以下的NPV.

结论:

• 将遗传数据与ML集成为个性化痴呆风险评估提供了潜力.
• 基于SNP的ML分层显示在韩国MCI人群中可行性,尽管在时间验证中表现不佳.
• 进一步的研究可以完善这些模型,以改善痴呆症的早期发现和干预策略.