NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Arka plan: Parkinson hastalığı (PD) için 90 bağımsız risk lokusu tespitinde genom çapında dernek çalışmalarının (GWAS) son başarısına rağmen, PD'nin genomik dayanağı hala büyük ölçüde bilinmemektedir. Aynı zamanda, Parkinson hastalığının riskini tahmin etmek için klinikte genomik veya demografik özellikler kullanan doğru ve güvenilir tahmin modelleri arzu edilir. Yöntemler: PD ile ilişkili etkili demografik ve genomik faktörleri belirlemek ve tahmin modelleri geliştirmek için, her ikisi de Fox Insight çevrimiçi çalışmasından türetilen 8,840 örnek üzerinden 447,089 SNP içeren genomik verilerle birlikte 33,473 katılımcıda 200 değişken içeren demografik verileri kullandık. İlk olarak sırasıyla PD ile ilişkili en üst düzey demografik ve genomik faktörleri bulmak için korelasyon ve GWAS analizleri uyguladık. PD'yi tahmin etmek için çeşitli makine öğrenimi (ML) modellerini daha da geliştirdik ve karşılaştırdık. Geliştirilen ML modellerinden, PD için her demografik veya genomik girdi özelliğinin öngörülebilirliğini ortaya çıkarmak için özellik önem analizi yaptık. Son olarak, PD ile ilişkili yolları belirlemek için GWAS sonuçlarımız üzerinde gen seti zenginleştirme analizi yaptık. Bulgular: Çalışmamızda, PD ile ilgili hem yeni hem de iyi bilinen demografik ve genetik faktörleri (zenginleştirilmiş yollar ile birlikte) belirledik. Buna ek olarak, demografik veriler için AUC = 0.89 ve genomik veriler için AUC = 0.74 ile sağlam bir şekilde performans gösteren tahmin modelleri geliştirdik. GWAS analizimiz, LMNA'daki üç intron varyantı (p-değeri 4.0e-21'den küçük) ve SEMA4A'daki bir yanlış varyantı (p-değeri = 1.11e-26) da dahil olmak üzere birkaç yeni ve önemli varyant ve gen lokusu tanımladı. PD-predictive ML modellerinden elde edilen özellik önem analizimiz, GWAS analizimizden (örneğin, RIT1 genindeki intron varyantı rs1749409) bazı önemli ve yeni varyantları vurguladı ve KCNN3 genindeki bir intron varyantı olan DCST1 ve rs11584630 genindeki bir eksik varyant olan rs11264300 gibi GWAS tarafından kaçırılan potansiyel nedensel varyantların tanımlanmasına yardımcı oldu. Sonuç: Özetle, bir GWAS'ı gelişmiş makine öğrenme modelleriyle birleştirerek, Parkinson hastalığını tahmin etmek için hem bilinen hem de yeni demografik ve genomik faktörlerin yanı sıra iyi performans gösteren ML modelleri belirledik.
Özgün kaynak özetini okuyun
Background: Despite the recent success of genome-wide association studies (GWAS) in identifying 90 independent risk loci for Parkinson's disease (PD), the genomic underpinning of PD is still largely unknown. At the same time, accurate and reliable predictive models utilizing genomic or demographic features are desired in the clinic for predicting the risk of Parkinson's disease. Methods: To identify influential demographic and genomic factors associated with PD and to further develop predictive models, we utilized demographic data, incorporating 200 variables across 33,473 participants, along with genomic data involving 447,089 SNPs across 8,840 samples, both derived from the Fox Insight online study. We first applied correlation and GWAS analyses to find the top demographic and genomic factors associated with PD, respectively. We further developed and compared a variety of machine learning (ML) models for predicting PD. From the developed ML models, we performed feature importance analysis to reveal the predictability of each demographic or the genomic input feature for PD. Finally, we performed gene set enrichment analysis on our GWAS results to identify PD-associated pathways. Results: In our study, we identified both novel and well-known demographic and genetic factors (along with the enriched pathways) related to PD. In addition, we developed predictive models that performed robustly, with AUC = 0.89 for demographic data and AUC = 0.74 for genomic data. Our GWAS analysis identified several novel and significant variants and gene loci, including three intron variants in LMNA (p-values smaller than 4.0e-21) and one missense variant in SEMA4A (p-value = 1.11e-26). Our feature importance analysis from the PD-predictive ML models highlighted some significant and novel variants from our GWAS analysis (e.g., the intron variant rs1749409 in the RIT1 gene) and helped identify potentially causative variants that were missed by GWAS, such as rs11264300, a missense variant in the gene DCST1, and rs11584630, an intron variant in the gene KCNN3. Conclusion: In summary, by combining a GWAS with advanced machine learning models, we identified both known and novel demographic and genomic factors as well as built well-performing ML models for predicting Parkinson's disease.
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.