MethConvTransformer:一种深度学习框架,用于跨组织检测阿尔茨海默氏病

科学领域:

• 表观遗传学 在表观遗传学中,表观遗传学是指表观遗传学.
• 神经科学是一个神经科学.
• 计算生物学 计算生物学

背景情况:

• 阿尔茨海默病 (AD) 涉及复杂的表观遗传变化,特别是DNA甲基化,为非侵入性生物标志物提供了潜力.
• 目前针对AD的DNA甲基化特征由于组织和研究变异而缺乏可重复性,阻碍了临床翻译.

研究的目的:

• 开发一个深度学习框架,MethConvTransformer,通过整合来自多个组织的DNA甲基化数据来进行强大的阿尔茨海默病生物标志物发现.
• 为了提高表观遗传生物标志物的准确性和通用性,用于早期发现AD.

主要方法:

• 开发了MethConvTransformer,这是一个基于变压器的深度学习模型,集成来自大脑和外围组织的DNA甲基化配置文件.
• 采用CpG智能的线性投影,卷积层和自我注意力来捕捉依赖性,结合共变量和组织嵌入.
• 在六个GEO数据集和ADNI队列上验证了模型,将性能与传统机器学习基线进行比较.

主要成果:

• 在数据集的歧视和概括方面,MethConvTransformer的表现始终优于基线模型.
• 解释性分析确定了与免疫信号,新陈代谢和细胞组织相关的生物相关的AD相关甲基化模式.
• 该模型展示了强大的,跨组织的阿尔茨海默病生物标志物发现能力.

结论:

• MethConvTransformer提供了一个强大的,可解释的框架,用于发现可靠的,跨组织阿尔茨海默病的表观遗传生物标志物.
• 这些发现推动了基于甲基化的可重现诊断,并为AD机制提供了新的假设.
• 这种方法对改善早期阿尔茨海默病检测和了解疾病病理学具有重大前景.