M[公式:见文本]DGAT:基于多视图多尺度动态图的注意力网络 (GAT) 预测帕金森病 (PD) 进展,使用全血RNA测序数据

科学领域:

• 计算生物学和生物信息学
• 神经科学是一个神经科学.
• 人工智能在医学中的应用

背景情况:

• 单细胞转录组学和深度学习在诊断神经退行性疾病,包括帕金森病 (PD) 方面表现有前途.
• 现有的使用基因表达嵌入的单视图学习方法对于复杂的大脑疾病是有限的.
• 基因图,代表空间转录学,提供了有关疾病状态的调节机制和分子动态的见解.

研究的目的:

• 开发一种多视图,多尺度的深度学习方法 (M[公式:见文本]DGAT) 来预测神经退行性疾病进展轨迹.
• 整合来自基因图的空间和时间信息,以提高疾病预测.
• 使用血液RNA测序数据,提高诊断和分期神经退行性疾病的准确性和效率.

主要方法:

• 提出了一个多视图,多尺度的动态图表注意力网络 (M[公式:见文本]DGAT),利用动态图表注意力网络 (DGAT) 骨干.
• 综合时间和空间视图使用计数草图二线性 (CSB) 融合策略.
• 从人类血液样本的RNA测序数据构建了联合视图表示,以预测疾病阶段和认知分数.

主要成果:

• 与预测疾病进展的现有尖端方法相比,M[公式:见文本]DGAT方法显示出更高的预测准确性.
• 对PPMI和PDBP队列的验证证实了M[公式:参见文本]DGAT架构的有效性和效率.
• 发现动态图表表示比静态图表更有效地编码疾病进展动态.

结论:

• M[公式:见文本]DGAT方法在使用多视图转录学数据预测神经退行性疾病进展方面取得了重大进展.
• 整合空间和时间基因图结构可以提高对帕金森氏症等疾病分子动态的理解.
• 这种方法有可能改善神经退行性疾病的早期诊断和监测.