NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalarının sayısının yaşlanan bir nüfus nedeniyle artması beklenirken, yeni teşhis belirteçlerini belirleme ihtiyacı artmaktadır. Bu belirteçler, popülasyonu izlemek, hastaları tedavi yolları için katmanlaştırmaya yardımcı olmak ve terapi için yeni yollar sağlamak için uygun ve rutin kullanım için uygun olmalıdır. Genetik yatkınlık ve ailesel formlar Parkinson hastalığının (PD) vakalarının yaklaşık %10'unu oluşturur ve yüksek riskli bireyleri tanımlamak için nüfusun büyük bir bölümünü minimal etkili belirteçlerle bırakır. Nüfus çapında omik ve boylamsal sağlık izleme çalışmalarının kurulması, yeni PD belirteçlerini tanımlamak için bu tarafsız kohortlara makine öğrenimi yaklaşımları uygulama fırsatı sunar. Bu çalışmada, PD'nin protein plazma biyobelirteçlerini 43.408 UK Biobank deneklerinden plazma proteomik ölçümlerini eğitim ve test seti olarak ve Parkinson'un İlerleme İşaretleyicileri Girişimi'nden (PPMI) ek 103 örnek olarak dış doğrulama olarak tanımlamak için üç makine öğrenme modelinin uygulanmasını sunuyoruz. Bilinen belirteçler Dopa dekarboksilaz (DDC) ve Calbindin 2 (CALB2) dahil olmak üzere bir grup son derece tahmin edici protein plazma belirteçinin yanı sıra JAK-STAT ve PI3K-AKT yollarında ve hormonal sinyalizasyonda yer alan yeni belirteçleri belirledik. Ayrıca bu özelliklerin UPDRS ciddiyet puanlarıyla iyi ilişkili olduğunu ve bunları potansiyel olarak PD patogenezine katkıda bulunan koruyucu ve riskle ilişkili özellikler olarak sınıflandırdığını gösterdik.
Özgün kaynak özetini okuyun
With the number of Parkinson's patients expected to rise due to an aging population, there is an increasing need to identify new diagnostic markers. These markers should be affordable and suitable for routine use to monitor the population, help stratify patients for treatment pathways, and provide new avenues for therapy. Genetic predisposition and familial forms account for approximately 10% of Parkinson's disease (PD) cases, leaving a large fraction of the population with minimal effective markers for identifying high-risk individuals. The establishment of population-wide omics and longitudinal health monitoring studies provides an opportunity to apply machine learning approaches to these unbiased cohorts to identify novel PD markers. In this study, we present the application of three machine learning models to identify protein plasma biomarkers of PD using plasma proteomic measurements from 43,408 UK Biobank subjects as the training and test set and an additional 103 samples from the Parkinson's Progression Markers Initiative (PPMI) as external validation. We identified a group of highly predictive protein plasma markers, including known markers Dopa decarboxylase (DDC) and Calbindin 2 (CALB2) as well as new markers involved in the JAK-STAT and PI3K-AKT pathways and hormonal signaling. We further demonstrated that these features are well correlated with UPDRS severity scores and stratified these into protective and risk-associated features that potentially contribute to the pathogenesis of 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.