NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Özet Parkinson hastalığı (PD), substantia nigra'da dopaminerjik nöron kaybı ve yanlış katlanmış alfa-sinüklein birikimi ile karakterize olan, motor ve motor olmayan semptomlara yol açan ilerici bir nörodejeneratif bozukluktur. Erken ve doğru teşhis, semptomların ve hastalığın heterojenliğinin kademeli başlangıcı nedeniyle zorlu olmaya devam etmektedir. Bu çalışmada, beyin-bölge-spesifik transkriptomik profillemeyi, PD için sağlam ve biyolojik olarak anlamlı öngörücü gen imzalarını tanımlamak için yorumlanabilir makine öğrenimi ile birleştirdik. Ölüm sonrası PD ve kontrol beyin örneklerinin diferansiyel gen ekspresyon analizi, ağırlıklı olarak mitokondriyal fonksiyon, sinaptik sinyalleme ve kalsiyum aracılı nöronal süreçlerde yer alan bir dizi önemli ölçüde düzensiz gen ortaya çıkardı. Random Forest, Logistic Regression ve XGBoost sınıflandırıcılarını kullanarak, modeller arasında PD sınıflandırmasına tutarlı bir şekilde katkıda bulunan yedi üst üste binen genden (CALM1, DCLK1, FGF13, HMGN2, PRKACB, SV2C, TAC1) oluşan bir çekirdek seti elde ettik. Özellik önemi ve model yorumlanabilirlik analizleri, bu genleri öngörücü performansın önemli itici güçleri olarak vurguladı. Nihai gen seti 0.845'lik çapraz doğrulanmış ROC-AUC ile sağlam sınıflandırma elde etti ve kohortlar arasında genellenebilirliği gösteren bağımsız bir dış veri kümesi (ROC-AUC = 0.743) kullanılarak daha da doğrulandı. Fonksiyonel zenginleştirme analizi, bu genleri nöronal sinyalizasyon, sinaptik fonksiyon ve Parkinson hastalığı ile ilişkilendirdi - ilgili yollar, tahmin gücüne mekanik bağlam sağlar. Genel olarak, bütünleştirici yaklaşımımız, transkriptomikleri, PD için güvenilir, yorumlanabilir moleküler biyobelirteçler üretmek için açıklanabilir makine öğrenimi ile birleştirme potansiyelini göstermektedir; bu, erken tanıyı kolaylaştırabilir ve hastalık biyolojisinin anlaşılmasını artırabilir.
Özgün kaynak özetini okuyun
Abstract Parkinson’s disease (PD) is a progressive neurodegenerative disorder characterized by dopaminergic neuron loss in the substantia nigra and the accumulation of misfolded α-synuclein, leading to motor and non-motor symptoms. Early and accurate diagnosis remains challenging due to the gradual onset of symptoms and disease heterogeneity. In this study, we combined brain-region–specific transcriptomic profiling with interpretable machine learning to identify robust and biologically meaningful predictive gene signatures for PD. Differential gene expression analysis of post-mortem PD and control brain samples revealed a set of significantly dysregulated genes, predominantly involved in mitochondrial function, synaptic signaling, and calcium-mediated neuronal processes. Using Random Forest, Logistic Regression, and XGBoost classifiers, we derived a core set of seven overlapping genes (CALM1, DCLK1, FGF13, HMGN2, PRKACB, SV2C, TAC1) that consistently contributed to PD classification across models. Feature importance and model interpretability analyses highlighted these genes as key drivers of predictive performance. The final gene set achieved robust classification with cross-validated ROC-AUC of 0.845 and was further validated using an independent external dataset (ROC-AUC = 0.743), demonstrating generalizability across cohorts. Functional enrichment analysis linked these genes to neuronal signaling, synaptic function, and Parkinson’s disease–relevant pathways, providing mechanistic context to their predictive power. Overall, our integrative approach illustrates the potential of combining transcriptomics with explainable machine learning to generate reliable, interpretable molecular biomarkers for PD, which may facilitate early diagnosis and improve understanding of disease biology.
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.