NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD) için hastalık değiştirici terapilerin (DMT'ler) geliştirilmesi, hala karşılanmayan kritik bir ihtiyaçtır. Kapsamlı araştırma çabalarına rağmen, PD ilerlemesini yavaşlatabilecek veya durdurabilecek hiçbir terapi onaylanmamıştır. Burada, hastalığa özgü eğitim veya ek deneysel veri setleri gerektirmeden yeni PD değiştirici hedefleri tanımlamak için altgraf düzeyinde zenginleştirme tabanlı yeniden önceliklendirme ile birlikte bir bilgi grafiği tabanlı yapay zeka (AI) çerçevesi uyguluyoruz. Model kaynaklı PD birliği puanlarını kullanarak 2527 tahmin edilen hedef elde ettik. Uzman küratörlü PD ilişkili genler kümesine olan bağlantılarını değerlendirmek için, altgraf düzeyinde aşırı temsil analizi yaptık ve yerel altgrafları PD ile ilgili bağlam için önemli ölçüde zenginleştirilmiş 74 hedef belirledik. Yenilik filtreleri uyguladıktan sonra, beş aday kaldı, bu adaylar arasında tripeptidil peptidaz 1 (TPP1) zorlayıcı bir PD DMT hedefi olarak ortaya çıktı. PD, alfa-sinüklein ve TPP1 arasında altgraftaki öngörülen ilişki, halka açık RNA-seq veri kümelerinin diferansiyel ekspresyon analizleri ile desteklendi ve insan hücre tabanlı alfa-sinüklein agregasyon modelinde deneysel olarak doğrulandı. TPP1 ekspresyonu, geç evre PD'de nöromelanin-pozitif dopaminerjik nöronlarda yükselmiş ve nakavt alfa-sinüklein agregasyonu arttırmış, alfa-sinüklein homeostazında koruyucu bir rol önermiştir. AlphaFold-Multimer'in yapısal modellemesi, alfa-sinüklein ve TPP1 katalitik üçlüsü arasında alfa-sinüklein klerensinin potansiyel bir proteolitik mekanizması ile tutarlı bir substrat benzeri arayüz ortaya çıkardı. Bu bulgular TPP1'i daha önce takdir edilmeyen ve mekanistik olarak makul bir PD DMT hedefi olarak tanımlar ve statik bilgi grafiklerinin yorumlanabilir, hastalık odaklı hedef keşif sistemlerine nasıl dönüştürülebileceğini gösterir. Açıklanabilir altgraf yapılarını zenginleştirme temelli yeniden önceliklendirme ile birleştirerek, bu çerçeve, endikasyonlar arasında terapötik hedef tanımlaması için genelleştirilebilir bir strateji sunar.
Özgün kaynak özetini okuyun
The development of disease-modifying therapies (DMTs) for Parkinson's disease (PD) remains a critical unmet need. Despite extensive research efforts, no therapy capable of slowing or halting PD progression has been approved. Here, we apply a knowledge graph-based artificial intelligence (AI) framework, combined with subgraph-level enrichment-based re-prioritization, to identify novel PD-modifying targets without requiring disease-specific training or additional experimental datasets. Using model-derived PD association scores, we obtained 2527 predicted targets. To evaluate their connectivity to an expert-curated set of PD-associated genes, we performed subgraph-level over-representation analysis and identified 74 targets whose local subgraphs were significantly enriched for PD-relevant context. After applying novelty filters, five candidates remained, among which tripeptidyl peptidase 1 (TPP1) emerged as a compelling PD DMT target. The predicted association among PD, α-synuclein, and TPP1 within the subgraph was supported by differential expression analyses of publicly available RNA-seq datasets and validated experimentally in a human cell-based α-synuclein aggregation model. TPP1 expression was elevated in neuromelanin-positive dopaminergic neurons in late-stage PD, and its knockdown increased α-synuclein aggregation, suggesting a protective role in α-synuclein homeostasis. Structural modeling of AlphaFold-Multimer further revealed a substrate-like interface between α-synuclein and the TPP1 catalytic triad, consistent with a potential proteolytic mechanism of α-synuclein clearance. Together, these findings identify TPP1 as a previously underappreciated and mechanistically plausible PD DMT target and demonstrate how static knowledge graphs can be transformed into interpretable, disease-focused target discovery systems. By integrating explainable subgraph structures with enrichment-based re-prioritization, this framework provides a generalizable strategy for therapeutic target identification across indications.
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.