一种改进的深度半监督的JNMF方法,用于提取阿尔茨海默病的生物标志物

科学领域:

• 神经科学是一个神经科学.
• 遗传学 遗传学 是一个
• 人工智能的人工智能

背景情况:

• 图像遗传学分析神经图像和遗传数据,以了解像阿尔茨海默病 (AD) 这样的脑疾病.
• 传统的非负矩阵分解 (NMF) 方法由于线性假设存在局限性,限制了从多omics数据中提取非线性特征.

研究的目的:

• 提出一种基于联合连接的新型深度半监督非负矩阵分解 (JCB-DSNMF) 模型.
• 克服传统NMF的局限性,并将多模式数据的先验知识纳入AD研究.
• 为了确定与AD患者相关的感兴趣区域 (ROI),风险基因和风险SNP位点.

主要方法:

• 开发了一个JCB-DSNMF模型,整合了像连接这样的生理限制.
• 应用该模型来分析AD患者的神经成像和遗传数据之间的相关性.
• 将JCB-DSNMF与现有的基于NMF的算法 (JDSNMF,NMF) 进行比较.

主要成果:

• 在识别和预测AD相关生物标志物方面,JCB-DSNMF优于其他NMF算法.
• 使用选定的特征构建的诊断模型实现了高分类准确性 (AUC=0.8621).
• 像Putamen_L (AUC=0.903) 脑区域和RALGAPB基因 (AUC=0.924) 这样的特定特征显示了早期AD检测的高诊断价值.

结论:

• 该JCB-DSNMF模型有效地识别了AD的生物相关生物标志物.
• 这种方法通过精确的特征选择,提高了早期AD诊断的潜力.
• 这些发现强调了在神经退行性疾病研究中整合多模式数据和先进的NMF技术的实用性.