NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson Hastalığının (PD) arka planıDoğru teşhis, biyolojik karmaşıklığı nedeniyle zorlu olmaya devam ediyor. Çok omikli ve ağ topolojik analizleri ile makine öğreniminin entegre edilmesi tanı hassasiyetini artırabilir.ObjectiveÇok omikli verileri ve ağ tabanlı makine öğrenimini entegre ederek erken evre PD hastalarını ve sağlıklı kontrolleri (HC'leri) sınıflandırmak.MetodlarBiz PPMI kohortundan 305 katılımcıyı (213 PD, 92 HC) DNA metilasyonu, gen ekspresyonu ve proteomik verileri kullanarak analiz ettik. Özellik seçimi sPLS-DA aracılığıyla, ardından DIABLO aracılığıyla entegrasyon yoluyla yapıldı. Düzenleyici gen ağları STRING tabanlı topoloji analizi kullanılarak oluşturulmuştur. Bir XGBoost sınıflandırıcıları 244 örnek üzerinde eğitildi ve optimize edildi ve 61 bağımsız örnek üzerinde onaylandı. Ayrıca, GEO veri kümesindeki 26 katılımcıdan (12 PD, 14 HC) gelen verileri kullanarak DNA metilasyonu ve gen ekspresyon profillerini birleştirerek dış doğrulama yaptık.ResultsDIABLO tabanlı entegrasyon 56 CpG alanı, 61 gen ve 70 protein tanımladı. Ağ topolojisi analizi 59 önemli düzenleyiciyi ortaya çıkardı. Multi-omik imzalar, topolojik düzenleyiciler ve bunların kombinasyonuna dayanan üç XGBoost modeli arasında en iyi test-set performansını elde etti (AUC 0.72,% 95CI 0.51-0.85, doğruluk 0.74,% 95CI 0.61-0.82). Doğrulama seti içinde, topolojik düzenleyiciler modeli üstün performans elde etti (AUC 0.57,% 95CI 0.37-0.73, doğruluk 0.62,% 95CI 0.38-0.73).ConclusionIntegrative multi-omik ve ağ topoloji analizi ile makine öğreniminin birleştirilmesi, klinik teşhis uygulamaları için güçlü bir potansiyele sahip etkili biyobelirteç tanımlaması ve PD sınıflandırmasını sağlar.
Özgün kaynak özetini okuyun
BackgroundAccurate diagnosis of Parkinson's Disease (PD) remains challenging due to its biological complexity. Integrating machine learning with multi-omics and network topological analyses may enhance diagnostic precision.ObjectiveTo classify early-stage PD patients and healthy controls (HCs) by integrating multi-omics data and network-based machine learning.MethodsWe analyzed 305 participants from the PPMI cohort (213 PD, 92 HCs) using DNA methylation, gene expression, and proteomic data. Feature selection was conducted through sPLS-DA, followed by integration via DIABLO. Regulatory gene networks were constructed using STRING-based topology analysis. An XGBoost classifiers were trained and optimized on 244 samples and validated on 61 independent samples. Furthermore, we conducted external validation using data from 26 participants (12 PD, 14 HCs) in the GEO dataset, incorporating DNA methylation and gene expression profiles.ResultsDIABLO-based integration identified 56 CpG sites, 61 genes, and 70 proteins. Network topology analysis revealed 59 key regulators. Among three XGBoost models-based on multi-omics signatures, topological regulators, and their combination-the multi-omics model achieved the best test-set performance (AUC 0.72, 95%CI 0.51-0.85, accuracy 0.74, 95%CI 0.61-0.82). Within the validation set, the topological regulators model achieved the superior performance (AUC 0.57, 95%CI 0.37-0.73, accuracy 0.62, 95%CI 0.38-0.73).ConclusionCombining machine learning with integrative multi-omics and network topology analysis enables effective biomarker identification and PD classification, with strong potential for clinical diagnostic applications.
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.