NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson Hastalığı (PD) ile ilgili tek omik analizler, altta yatan moleküler mekanizmaları ortaya çıkarma yeteneklerini gösterse de, genellikle tam hastalık mekanizmalarının kapsamlı bir görünümünü sağlayamazlar. Bu çalışmada, 64 heterojen, iyi fenotipli PD hastalarından elde edilen multi-omik verileri, plazma metabolomik verileri ve Olink proteomik verilerini bağırsak ve tükürük metagenomik verileri ile birlikte kullandık ve PD hastalarında motor fonksiyon bozukluklarının şiddeti ile ilişkili olarak değiştirilmiş moleküler mekanizmaları ve etkileşimlerini araştırdık. Multi-omics yaklaşımımıza dayanarak, bir klinik değişken, 10 protein ve plazmadan 17 metabolit, 26 bağırsak türü ve PD şiddeti için 4 tükürük türü içeren 58 biyobelirteçten oluşan bir panel belirledik. Bu biyobelirteçler, tek omik veri kümelerinden elde edilenlere kıyasla PD şiddetini değerlendirmek için üstün öngörüsel performans sergiledi. Bu biyobelirteçlere dayanan makine öğrenme modellerimizin tahmin gücü, 3 aylık bir takipten sonra aynı PD hasta grubundan ek çoklu omik veriler kullanılarak doğrulandı. Her bir omik veri kümesinin katkısı, plazma metabolomiğinin hastalık tabakalaşmasındaki önemini vurgulayan hem denetimli hem de denetimsiz makine öğrenme yaklaşımları tarafından değerlendirildi. Çalışmamız, çoklu omik veri kümelerinde hastalığa bağlı moleküler değişiklikleri ortaya çıkardı ve PD için potansiyel tanı ve terapötik bilgiler sundu. Dahası, PD gibi karmaşık hastalıkları incelerken çok omikli analizlerin kullanılmasının öneminin temelini oluşturdu.
Özgün kaynak özetini okuyun
While single-omics analyses of Parkinson's Disease (PD) have demonstrated their ability in revealing the underlying molecular mechanisms, they often fail to provide a comprehensive view of the complete disease mechanisms. In this study, we leveraged multi-omics data from 64 heterogeneous, well-phenotyped PD patients, generated plasma metabolomics data and Olink proteomics data together with the gut and saliva metagenomics data, and investigated the altered molecular mechanisms and their interactions in association with the severity of motor function disorders in PD patients. Based on our multi-omics approach, we identified a panel of 58 biomarkers comprising one clinical variable, 10 proteins, and 17 metabolites from plasma, 26 gut species, and 4 saliva species for PD severity. These biomarkers exhibited superior predictive performance for assessing PD severity compared to those derived from single-omics datasets. The predictive power of our machine learning models based on these biomarkers was validated using additional multi-omics data from the same group of PD patients after a 3-month follow-up. The contribution of each omics dataset was evaluated by both supervised and unsupervised machine learning approaches, highlighting the importance of plasma metabolomics in disease stratification. Our study unveiled disease-related molecular alterations across multiple omics datasets, offering potential diagnostic and therapeutic insights for PD. Moreover, it underpinned the significance of employing multi-omics analyses when studying complex diseases like 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.