开发用于阿尔茨海默病的血蛋白分类模型,使用多种机器学习方法

科学领域:

• 神经科学是一个神经科学.
• 生物标志物发现发现
• 计算生物学 计算生物学

背景情况:

• 阿尔茨海默病 (AD) 诊断依赖于侵入性脑脊液 (CSF) 生物标志物,导致患者的不适.
• 当前检测方法的局限性对有效的AD管理提出了挑战.
• 基于等离子体的生物标志物提供了一个不那么侵入性的,更具成本效益的诊断替代品.

研究的目的:

• 开发和验证用于使用血蛋白质组数据检测AD的机器学习模型.
• 确定与阿尔茨海默病相关的新型血蛋白生物标志物.
• 探索已识别的生物标志物在AD病原和衰老中的相关性.

主要方法:

• 利用了来自AD患者和认知正常个体的120个血蛋白的数据集.
• 应用各种机器学习算法 (EBlasso,EBEN,XGBoost,LightGBM,TabNet,TabPFN) 来进行分类.
• 进行了基因本体学,途径丰富和文献审查,以评估生物标志物的相关性.

主要成果:

• 机器学习模型实现了高诊断性能 (AUROC和精度>0.9).
• 一贯识别的预测蛋白包括angiopoietin-2 (ANG-2),EGF,IL-1α和PDGF-BB,它们与AD有已确定的联系.
• 识别的生物标志物池被与衰老相关的蛋白质显著丰富 (p=0.040).

结论:

• 尖端算法增强了基于等离子体的AD预测模型的开发.
• 这些已识别的蛋白质可能成为阿尔茨海默病的新型治疗或预防点.
• 在不同人群中进行外部验证至关重要,以确认这些发现的概括性.