NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Plazma proteomikleri, çeşitli patolojik süreçlerle bağlantılı protein ekspresyon kalıplarını yakalayarak hastalık tahminini geliştirmek için eşsiz bir fırsat sunar. 53.030 UK Biobank katılımcısında ölçülen 2.923 proteinden elde edilen verilerden yararlanarak, iki yaklaşım kullanarak 5 ve 15 yıllık takip periyotlarında 27 ortak sonuç için proteomik risk skorları geliştirdik: doğrusal bir ElasticNet regresyon modeli ve derin öğrenme sinir ağı (NN) modeli. Cox regresyonunu kullanarak, proteomik risk puanlarının ya izolasyonda ya da klinik risk faktörleri üzerinde artımlı iyileştirmeler olarak ayrımcılığını değerlendirdik. Ayrıca, koşullar arasında paylaşılan ve benzersiz protein öngörücüleri üzerinde çalıştık. Proteomik risk skorları, çoğu sonuç için güçlü bir ayrımcılık gösterdi, 12 hastalık için C-indeks > 0.80. NN modelleri, özellikle Parkinson hastalığı (C-index 0.84) ve pulmoner embolizm (C-index 0.83) gibi hastalıklar için 11 sonuç için doğrusal modellerden daha iyi performans gösterdi ve doğrusal olmayan ilişkiler tahmine önemli ölçüde katkıda bulundu. Tüm sonuçlarda, klinik modellere proteomik puanların eklenmesi, 9 hastalıkta (DeltaC-index > 0.1) gözlenen en büyük kazanımlarla, son evre böbrek hastalığı, pulmoner emboli ve Parkinson hastalığı dahil olmak üzere tahminsel doğruluğu (DeltaC-index 0.03) geliştirdi. Protein katkılarının analizi, büyüme farklılaşma faktörü 15 (GDF15) gibi birden fazla hastalıkta paylaşılan öngörücülerin yanı sıra endometriozis için PAEP gibi benzersiz öngörücüleri ortaya çıkardı. NN modelleri karmaşık ilişkileri yakalayabilirken, doğrusal modeller basitlik ve yorumlanabilirlik yoluyla değer sağladı. Bu bulgular, belirli hastalıklara yönelik öngörüsel yaklaşımların uyarlanmasının öneminin altını çiziyor ve proteomiklerin risk tabakalaşmasını ve erken tespiti ilerletmedeki önemli potansiyelini gösteriyor.
Özgün kaynak özetini okuyun
Plasma proteomics provides a unique opportunity to enhance disease prediction by capturing protein expression patterns linked to diverse pathological processes. Leveraging data from 2,923 proteins measured in 53,030 UK Biobank participants, we developed proteomic risk scores for 27 common outcomes over 5- and 15-year follow-up periods using two approaches: a linear ElasticNet regression model and a deep learning neural network (NN) model. Using Cox regression, we assessed the discrimination of proteomic risk scores either in isolation or as incremental improvements over clinical risk factors. We also studied the shared and unique protein predictors across conditions. Proteomic risk scores demonstrated strong discrimination for most outcomes, with a C-index > 0.80 for 12 diseases. NN models outperformed linear models for 11 outcomes, particularly for diseases such as Parkinson's disease (C-index 0.84) and pulmonary embolism (C-index 0.83), where nonlinear relationships contributed significantly to prediction. Across all outcomes, the addition of proteomic scores to clinical models improved predictive accuracy (ΔC-index 0.03), with the greatest gains observed in 9 diseases (ΔC-index > 0.1), including end-stage renal disease, pulmonary embolism, and Parkinson's disease. Analysis of protein contributions revealed shared predictors across multiple diseases, such as growth differentiation factor 15 (GDF15), as well as unique predictors like PAEP for endometriosis. While NN models may capture complex relationships, linear models provided value through simplicity and interpretability. These findings underscore the importance of tailoring predictive approaches to specific diseases and demonstrate the pivotal potential of proteomics in advancing risk stratification and early detection.
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.