NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Özet Hafif bilişsel bozukluğu olan Parkinson hastalığı (PD-MCI), hastalar için yıkıcı bir sonucu temsil eder, ancak patojenik sürücüleri kötü anlaşılmış kalır ve tahmin edici biyobelirteçler kritik olarak eksiktir. Bu çalışma, PD-MCI (PD'den) için erken teşhis modeli oluşturmayı, nedensel mekanizmaları tanımlamayı ve PD-MCI için çeviri fırsatlarını tanımlamayı amaçlamaktadır. Yöntemler Boyuna Parkinson İlerleme İşaretçileri Girişimi (PPMI) kohortu kullanılarak entegre bir analitik boru hattı kurduk. 1 Çerçevemiz plazma transkriptomik ve serebrospinal sıvı proteomiklerini sistem biyolojisi, makine öğrenimi, boylamasına proteomik yörünge analizi, klinik korelasyon analizi, tek çekirdekli RNA dizilemesi, Mendel randomize ve hesaplamalı ilaç repurpolama ile birleştirdi. Sonuçlar PD-MCI ilerlemesinin moleküler bir imzasını belirledik, sinirsel bağlantıyı düzenleyen yolların derin disregülasyonunu ortaya çıkardık - akson rehberliği, sinaptogenez ve nöron projeksiyonu gelişimi - bir "nöral bağopati" mekanizmasını öne sürdük. Uzunlamasına proteomik yörünge analizi, düzensiz proteinlerin paterninin PD-MCI tanısından yıllar önce değiştiğini ve erken patolojik bir pencerenin altını çizdiğini ortaya koydu. Gen-etkileşim ağı ve protein-etkileşim ağı anahtar hub'ları vurguladı. Daha sonra kilit özellikleri seçmek için LASSO analizini uyguladık ve sırayı yorumlamak için SHAP analizi ile bilişsel düşüşü doğru bir şekilde tahmin eden yorumlanabilir bir makine öğrenme modeli (Logistik Regresyon, transkriptler + proteomik + demografi, AUC = 0.74) geliştirdik. Önemli olarak, Mendel rasgeleleşmesi PDD riskinin putatif nedensel sürücülerini oluşturdu ve tek çekirdekli dizileme, bu bulguları beyne demirledi ve nedensel adayın değişmiş ifadesini gösterdi. özellikle uyarıcı nöronlarda. Son olarak, MEDRONİK ACID, ZILEUTON ve ATENOLOL dahil olmak üzere aday adayları derhal terapötik olarak değerlendirmek için bilgisayarlı ilaç yeniden kullanmak. Sonuç Çalışmamız aşağıdakilerle entegre bir çevirisel ilerleme sağlar: (1) PD-MCI'da çekirdek hastalık mekanizması olarak "nöral bağopatisi" ni tanımlamak; (2) PD-MCI'yi erken teşhis etmek için verimli bir makine öğrenme modeli oluşturmak; (3) klinik olarak harekete geçirilebilir bir öngörü aracı sağlamak, nedensel genleri işaretlemek ve ilaç repurposing yoluyla tedaviye bir yol önermek. Bu uçtan uca çerçeve, erken tahmin, biyolojik içgörü ve PD-MCI'ye yönelik müdahale için bir temel oluşturur.
Özgün kaynak özetini okuyun
Abstract Background Parkinson’s disease with mild cognitive impairment (PD-MCI) represents a devastating outcome for patients, yet its pathogenic drivers remain poorly understood, and predictive biomarkers are critically lacking. This study aims to establish an early diagnostic model for PD-MCI (from PD), delineate causal mechanisms and identify translational opportunities for PD-MCI. Methods We established an integrated analytical pipeline using the longitudinal Parkinson’s Progression Markers Initiative (PPMI) cohort. 1 Our framework combined plasma transcriptomics and cerebrospinal fluid proteomics with systems biology, machine learning, longitudinal proteomic trajectories analysis, clinical correlation analysis, single-nucleus RNA sequencing, Mendelian randomization, and computational drug repurposing. Results We identified a molecular signature of PD-MCI progression, revealing profound dysregulation of pathways governing neural connectivity—axon guidance, synaptogenesis, and neuron projection development—suggesting a "neural connectopathy" mechanism. Longitudinal proteomic trajectories analysis revealed that the pattern of dysregulated proteins changes years before PD-MCI diagnosis, underscoring an early pathological window. Gene-interaction network and protein-interaction network highlighted key hubs. We then implemented LASSO analysis to select key features and developed an interpretable machine learning model (Logistic Regression, transcripts + proteomics + demographics, AUC = 0.74) that accurately predicted cognitive decline, with SHAP analysis to interpret the order. Crucially, Mendelian randomization established putative causal drivers of PDD risk, and single-nucleus sequencing anchored these findings to the brain, showing altered expression of the causal candidate. specifically in excitatory neurons. Finally, computational drug repurposing nominated targeted candidates, including MEDRONIC ACID, ZILEUTON and ATENOLOL, for immediate therapeutic consideration. Conclusion Our study delivers an integrated translational advance by: (1) defining "neural connectopathy" as a core disease mechanism in PD-MCI; (2) establish an efficient machine learning model to early diagnose PD-MCI from PD; (3) providing a clinically actionable predictive tool, fingding causal genes and proposing a pathway to treatment via drug repurposing. This end-to-end framework establishes a foundation for early prediction, biological insight, and targeted intervention in PD-MCI.
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.