一个可解释的整体机器学习模型,使用基线血液转录组学来预测帕金森病的运动进展

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:

• 预测帕金森病 (PD) 运动进展是困难的,目前的神经成像技术.
• 基于血液的转录基因分析为PD研究提供了更容易获得和更具成本效益的替代方案.
• 确定PD进展的可靠生物标志物对于有效的患者管理至关重要.

研究的目的:

• 开发和验证一种机器学习模型,使用血液转录组数据来预测PD的12个月运动严重程度.
• 确定与PD运动进展相关的关键转录组特征和生物途径.
• 探索特定的PD风险基因和细胞通路的预后价值.

主要方法:

• 使用来自帕金森氏症进展标志物倡议 (PPMI) 队列 (n=390) 的基线数据构建了一个堆叠回归组合模型.
• 该模型整合了血液RNA测序 (RNA-seq) 和临床数据,以预测12个月后的UPDRS第三部分分数.
• 使用夏普利添加式扩张 (SHAP) 分析来确定预后特征和途径贡献.

主要成果:

• 该模型在独立测试组 (n=78) 上获得了0.551的R2和6.01的MAE.
• 通过PINK1基因相互作用的UPDRS基线是最有影响力的预测特征.
• VPS35,GBA和LRRK2基因是突出的转录组特征,线粒体功能障碍显示出最高的途径贡献.

结论:

• 机器学习整合血液转录和临床数据有效预测PD运动进展.
• 最初的临床状况与遗传因素,特别是PINK1之间的相互作用,显著影响了预后.
• 线粒体功能障碍是PD的主要预后信号,这表明了未来研究和治疗的关键目标.