穆洛AD:一种使用图形卷积网络进行阿尔茨海默病诊断和生物标志物识别的多态集成模型

科学领域:

• 计算生物学是一种计算生物学.
• 神经科学是一个神经科学.
• 基因组学就是基因组学.

背景情况:

• 早期和准确的阿尔茨海默氏病 (AD) 诊断是关键的,但由于复杂的病原和单个生物标志物方法的局限性,这是具有挑战性的.
• 整合多组学数据为改善诊断准确性和识别AD的新生物标志物提供了有希望的途径.
• 目前的多组学方法在有效地捕捉跨组学关系以提高诊断性能方面面临挑战.

研究的目的:

• 开发和验证MuloAD,一种基于卷积神经网络的新型图形框架,用于整合多组数据 (DNA甲基化,mRNA和microRNA表达) 以提高AD诊断.
• 在MuloAD框架内通过特征重要性分析确定与AD相关的关键分子生物标志物.
• 评估MuloAD的性能与现有的多组学方法和单组学方法相比.

主要方法:

• 开发了MuloAD,这是一个利用GraphSAGE的框架,用于从独立的omics数据中提取特征.
• 实现了视图相关性发现网络,以捕捉在更高维度标签空间中的交叉omics关系.
• 使用ROSMAP队列中的350个样本验证了MuloAD,评估了各种omics组合的分类性能.

主要成果:

• 与现有的多组学方法相比,MuloAD在阿尔茨海默病诊断方面表现出优异的分类性能.
• 该框架在不同组合的OMIC数据中实现了强大的准确性.
• 特征重要性分析成功地确定了关键的分子生物标志物,在AD患者和健康对照者之间表现出差异.

结论:

• 正如MuloAD所示的,深度学习驱动的多组学集成显示出改善AD等神经退行性疾病的诊断的巨大潜力.
• MuloAD提供了一种强大的工具,用于识别AD检测和治疗开发的新分子标.
• 这项研究强调了整合多omics数据的补充价值,而不是单个omics方法用于复杂疾病诊断.