DEG-BRIN-GCN:可解释的图形卷积框架与差异表达的基因大脑区域交互网络在AD诊断之前

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
• 基因组学就是基因组学.

背景情况:

• 由于复杂的分子和大脑区域相互作用,阿尔茨海默病 (AD) 诊断和机制分析具有挑战性.
• 目前的方法缺乏足够的准确性和生物解释性.

研究的目的:

• 开发一种新的图形卷积神经网络框架 (DEG-BRIN-GCN),以提高阿尔茨海默病的诊断和生物解释性.
• 为了确定关键的基因和大脑区域参与AD病理.

主要方法:

• 从19个大脑区域的转录组数据进行系统分析,以确定差异表达的基因.
• 构建一个差异表达的基因-大脑区域相互作用网络 (DEG-BRIN).
• 使用图形卷积网络 (GCNs) 开发一个AD分类模型,利用DEG-BRIN网络.

主要成果:

• 在诊断准确度方面,DEG-BRIN-GCN模型显著超过了传统的机器学习,随机GCN和PPI-GCN模型.
• 确定了与AD相关的关键大脑区域 (上额叶,面,前极) 和基因 (VCAM1,MCTP1,HBB,CX3CR1).
• 实施了一种新的"基因区域途径"可解释性分析,用于对AD机制的跨度探索.

结论:

• 区域间的分子相互作用网络对于准确的AD诊断至关重要.
• DEG-BRIN-GCN框架为诊断和了解AD病理机制提供了一个强大的工具.
• 这种方法为探索AD等复杂疾病提供了一个新的框架.