ATN分类和机器学习等离子体生物标记物表型在基于人口的队列中揭示了明显的阿尔茨海默氏病理

科学领域:

• 神经科学是一个神经科学.
• 生物标志物发现发现
• 人口健康 人口健康

背景情况:

• 粉样蛋白/Tau/神经退行 (ATN) 框架使用二元生物标志物切断值来对阿尔茨海默病 (AD) 进行分类.
• 无监督机器学习为AD提供了数据驱动的表型.
• 在人口样本中,这些ATN和机器学习方法之间的一致性尚不清楚.

研究的目的:

• 将血ATN分类与数据驱动集群方法进行比较.
• 评估这些分类与认知结果的关联.
• 分析生物标志物表型的全国代表性队列.

主要方法:

• 分析了4465名参与者 (年龄≥51岁) 的血生物标志物 (Aβ42/40比,p-tau181,NfL,GFAP).
• 使用基于文献的切断值进行分类的ATN配置文件.
• 应用了k-means集群,高斯混合模型和数据驱动的表型化VAE;使用ARI和NMI量化一致;在4年内检查了纵向认知衰退.

主要成果:

• ATN分类产生了14个配置文件;k-means识别了4个最优的集群,其一致性很小 (ARI=0.119,NMI=0.113).
• 除了GFAP改进的协议 (ARI=0.187),这表明GFAP的直角签名占不一致的三分之一.
• ATN和集群都预测了4年的认知衰退 (ATN R2=0.024,集群R2=0.019),k=4个集群显示出优越的生物分辨率.

结论:

• ATN分类和数据驱动的表型捕获部分重叠的,独特的生物信息.
• 适度一致性归因于二进制切断,GFAP的签名和不同的生物结构.
• 将这两种框架整合在一起,可以在人口研究中更全面地描述AD病理.