NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD), yaşla ilişkili ikinci en yaygın nörodejeneratif hastalıktır. PD'nin erken teşhisi, dopamin nöronlarının kaybını önlemenin anahtarıdır. Periferik kan biyobelirteçleri, kolay erişim ve uzun vadeli izleme avantajları nedeniyle son yıllarda değerlerini göstermiştir. Bununla birlikte, çok az periferik kan biyobelirteçlerinin yararlı olduğu kanıtlanmıştır. Bu çalışma, PD'nin erken teşhisi için potansiyel periferik kan biyobelirteçlerini araştırmayı amaçlamaktadır. Gene Expression Omnibus (GEO) veritabanından üç substantia nigra (SN) transkriptom veri kümesi bir eğitim kohortu ve bir test kohortuna bölündü. Protein-protein etkileşimi (PPI) ağı ve ağırlıklı gen eş-ifade ağı analizi (WGCNA) ağı kurduk, örtüşen diferansiyel ifade edilmiş genlerini bulduk ve bunları anahtar genler olarak inceledik. GEO'lu PD hastalarının periferik kan transkriptom veri kümelerinin analizi, sağlıklı katılımcılar üzerinde PD'de üç anahtar genin yukarı doğru düzenlendiğini gösterdi. İfadeleri ile hayatta kalmaları arasındaki ilişkinin analizi ve beyin ifadelerinin analizi, bu anahtar genlerin biyobelirteçler olabileceğini öne sürdü. Daha sonra, anahtar genlerin ekspresyonunu doğrulamak için hayvan modelleri incelendi ve periferik kandaki her iki hayvan modelinde de sadece SSR1 (sinyal dizisi reseptör alt birimi1) önemli ölçüde yükseltildi. Korelasyon analizi ve lojistik regresyon analizi beyin dopaminerjik nöronlar ve SSR1 ekspresyonu arasındaki korelasyonu analiz etmek için kullanıldı ve SSR1 ekspresyonunun dopaminerjik nöron sağkalımı ile negatif olarak ilişkili olduğu bulundu. Periferik kandaki SSR1 ekspresyonunun yükseltisinin de hayvanların anormal davranışlarından önce olduğu bulunmuştur. Buna ek olarak, yapay zeka teknolojisinin uygulanması, klinik PD öngörüsünde SSR1'in değerini daha da gösterdi. Üç sınıflandırıcının hepsi SSR1'in PD için yüksek öngörülebilirliğe sahip olduğunu gösterdi. En iyi tahmin doğruluğuna sahip sınıflandırıcı, bir tahmin modeli oluşturmak için AUC ve MCC aracılığıyla seçildi. Kısacası, bu araştırma sadece PD'nin erken teşhisi için potansiyel biyobelirteçler sağlamakla kalmaz, aynı zamanda PD'yi tahmin etmek için olası bir yapay zeka modeli oluşturur.
Özgün kaynak özetini okuyun
Parkinson's disease (PD) is the second most common neurodegenerative disease associated with age. Early diagnosis of PD is key to preventing the loss of dopamine neurons. Peripheral-blood biomarkers have shown their value in recent years because of their easy access and long-term monitoring advantages. However, few peripheral-blood biomarkers have proven useful. This study aims to explore potential peripheral-blood biomarkers for the early diagnosis of PD. Three substantia nigra (SN) transcriptome datasets from the Gene Expression Omnibus (GEO) database were divided into a training cohort and a test cohort. We constructed a protein-protein interaction (PPI) network and a weighted gene co-expression network analysis (WGCNA) network, found their overlapping differentially expressed genes and studied them as the key genes. Analysis of the peripheral-blood transcriptome datasets of PD patients from GEO showed that three key genes were upregulated in PD over healthy participants. Analysis of the relationship between their expression and survival and analysis of their brain expression suggested that these key genes could become biomarkers. Then, animal models were studied to validate the expression of the key genes, and only SSR1 (the signal sequence receptor subunit1) was significantly upregulated in both animal models in peripheral blood. Correlation analysis and logistic regression analysis were used to analyze the correlation between brain dopaminergic neurons and SSR1 expression, and it was found that SSR1 expression was negatively correlated with dopaminergic neuron survival. The upregulation of SSR1 expression in peripheral blood was also found to precede the abnormal behavior of animals. In addition, the application of artificial intelligence technology further showed the value of SSR1 in clinical PD prediction. The three classifiers all showed that SSR1 had high predictability for PD. The classifier with the best prediction accuracy was selected through AUC and MCC to construct a prediction model. In short, this research not only provides potential biomarkers for the early diagnosis of PD but also establishes a possible artificial intelligence model for predicting PD.
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.