Multimodal phenotypic axes of Parkinson's disease.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Parkinson hastalığı olan bireyler, uyku, motor, bilişsel ve duygusal rahatsızlıkları kapsayan karmaşık bir klinik fenotip ile birlikte bulunur. Bununla birlikte, PD'nin karakterizasyonu tipik olarak "ortalama" hasta için yapılır, hasta heterojenliğini göz ardı eder ve önemli bireysel farklılıkları gizler. Modern büyük ölçekli veri paylaşım çabaları, bireysel hasta özelliklerini tam olarak araştırmak için benzersiz bir fırsat sunar, ancak veri modalitelerini kapsamlı bir şekilde entegre etmek için analitik bir çerçeve yoktur. Burada MRI morfometrisini, dopamin aktif taşıyıcı bağlanmasını, protein tahlillerini ve n = 186 bireyden klinik ölçümleri, Parkinson İlerleme İşaretçileri Girişimi'nden de novo Parkinson hastalığı olan kontrolsüz bir öğrenme yöntemi-benzerlik ağı füzyonu- objektif olarak entegre etmek için uyguluyoruz. Multimodal füzyonun, veri birleştirme gibi alan standardı teknikleriyle göz ardı edilecek veri modaliteleri arasındaki bağımlılıkları yakaladığını gösteriyoruz. Daha sonra hasta alt gruplarının kaynaşmış veri haritasından klinik fenotiplere nasıl türetildiğini ve nörogörüntüleme verilerinin bu tanımlama için ne kadar kritik olduğunu inceliyoruz. Son olarak, hasta popülasyonunu kapsayan, tek tek hastaların bu sürekli, düşük boyutlu projeksiyonunun, ayrık biyotiplere kıyasla örnekteki heterojenliğin daha parsimoniyel bir temsilini gösterdiğini gösteren bir dizi fenotipik eksen tespit ediyoruz. Bu bulgular hep birlikte, heterojen hasta popülasyonlarında multimodal verileri birleştirmek için benzerlik ağı füzyonu potansiyelini sergiliyor.

Özgün kaynak özetini okuyun

Individuals with Parkinson's disease present with a complex clinical phenotype, encompassing sleep, motor, cognitive, and affective disturbances. However, characterizations of PD are typically made for the "average" patient, ignoring patient heterogeneity and obscuring important individual differences. Modern large-scale data sharing efforts provide a unique opportunity to precisely investigate individual patient characteristics, but there exists no analytic framework for comprehensively integrating data modalities. Here we apply an unsupervised learning method-similarity network fusion-to objectively integrate MRI morphometry, dopamine active transporter binding, protein assays, and clinical measurements from n = 186 individuals with de novo Parkinson's disease from the Parkinson's Progression Markers Initiative. We show that multimodal fusion captures inter-dependencies among data modalities that would otherwise be overlooked by field standard techniques like data concatenation. We then examine how patient subgroups derived from the fused data map onto clinical phenotypes, and how neuroimaging data is critical to this delineation. Finally, we identify a compact set of phenotypic axes that span the patient population, demonstrating that this continuous, low-dimensional projection of individual patients presents a more parsimonious representation of heterogeneity in the sample compared to discrete biotypes. Altogether, these findings showcase the potential of similarity network fusion for combining multimodal data in heterogeneous patient populations.

Bilimsel değerlendirme

Araştırma sorusu

Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.

Yöntem ve örneklem

Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.

Temel bulgular

Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.

Sınırlılıklar

Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.

Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.