在使用波袋分类器的小鼠中用于神经疾病模型的可解释的EEG生物标志物

科学领域:

• 神经科学是一个神经科学.
• 遗传学 是一个遗传学.
• 计算生物学 计算生物学

背景情况:

• 脑电图 (EEG) 记录大脑的电活动,揭示波形模式,可以作为表型生物标志物.
• 确定神经系统疾病的基因型,特别是,至关重要,特别是当发作在临床或动物模型中没有直接观察到时.
• 动物模型中的微妙神经现象通常需要先进的方法来检测基因型特异性活动.

研究的目的:

• 在自由行为小鼠中研究长期EEG信号对基因型的预测.
• 确定EEG波形模式是否可以可靠地识别特定的遗传背景和与疾病相关的基因型 (TSC1基因淘汰).
• 探索EEG作为基因型预测的可解释表型的潜力.

主要方法:

• 开发了一种机器学习方法,根据EEG波形的发生数量来预测基因型.
• 波形字典被优化为每个基因型的近似EEG窗口.
• 波形发生数量的矢量被用作基于后勤回归的基因型预测的特征.

主要成果:

• 来自多小时EEG段的波形计数使得可靠的小鼠菌株预测能够以70%的准确度.
• 特定菌株分类器在DBA2 (86%) 和C57B6 (67%) 小鼠中准确识别了基因型 (TSC1淘汰),没有明显的发作.
• 一种最先进的方法实现了更高的菌株分类 (98%),但缺乏可解释性.

结论:

• 脑电图波形可以作为可解释的表型来识别的基因型.
• "波袋"特征表示对于从EEG数据进行基因型预测是有效的.
• 这种方法为了解基因型特异的神经活动和诊断神经疾病提供了有价值的工具.