Erkennung geschlechtsspezifischer Alzheimer-Faktoren mittels künstlicher Intelligenz

Zusammenfassung: Eine neue Studie nutzt Evolutionary Action Machine Learning (EAML), um geschlechtsspezifische Gene zu erforschen, die zur Alzheimer-Krankheit (AD) beitragen.

Forscher haben 98 mit der Alzheimer-Krankheit assoziierte Gene entdeckt, von denen einige nachweislich die Entwicklung der Krankheit bei Männern und Frauen unterschiedlich beeinflussen.

Dieser Durchbruch wirft Licht auf die unterschiedlichen Auswirkungen der Alzheimer-Krankheit auf Männer und Frauen. Die Ergebnisse können als Leitfaden für zukünftige Therapiestrategien und klinische Studien dienen.

Wichtige Fakten:

1. Die Forschung verwendete ein neues maschinelles Lerntool namens Evolutionary Action Machine Learning (EAML), um genetische Faktoren zu identifizieren, die das Alzheimer-Risiko (AD) bei Männern und Frauen getrennt beeinflussen.
2. Die Studie identifizierte 98 mit der Alzheimer-Krankheit assoziierte Gene, von denen viele eine wichtige Rolle in der Alzheimer-Biologie spielen. Die nach Geschlechtern getrennte Studie identifizierte 157 Gene, die mit der Alzheimer-Krankheit bei Männern und 127 bei Frauen assoziiert sind.
3. EAML hat seine Vorhersagefähigkeit auch bei Tests mit kleineren Stichprobengrößen unter Beweis gestellt, wodurch es effizienter ist als aktuelle Vorhersagealgorithmen für genetische Studien.

Quelle: Texas Kinderkrankenhaus

Die Alzheimer-Krankheit (AD) ist eine komplexe neurodegenerative Erkrankung, die sowohl genetische als auch umweltbedingte Ursachen hat. Bei Frauen kommt es zu einem schnelleren kognitiven Verfall und einer Hirnatrophie als bei Männern, während bei Männern die Sterblichkeitsrate höher ist.

Mithilfe einer von ihnen entwickelten neuen maschinellen Lernmethode namens „Evolutionary Action Machine Learning (EAML)“ haben Forscher am Baylor College of Medicine und am Jean and Duncan Neurological Research Institute (Duncan NRI) am Texas Children’s Hospital geschlechtsspezifische Gene und molekulare entdeckt Wege, die zur Entwicklung und Entwicklung beitragen. In diesem Fall.

Die Studie wurde veröffentlicht in Naturkommunikation.

„Wir haben ein einzigartiges maschinelles Lernprogramm entwickelt, das ein fortschrittliches rechnerisches Vorhersagemaß namens Evolutionary Action (EA) Score als Merkmal verwendet, um genetische Faktoren zu identifizieren, die das Alzheimer-Risiko bei Männern und Frauen getrennt beeinflussen“, sagt Dr. Olivier Lichturge, MD, PhD, Professor für Biochemie und Molekularbiologie am Baylor College of Medicine, sagte.

„Dieser Ansatz ermöglicht es uns, eine große Menge an Entwicklungsdaten effizient zu nutzen, sodass wir nun in kleineren Kohorten genauer untersuchen und Gene identifizieren können, die an geschlechtsspezifischen Unterschieden bei der Alzheimer-Krankheit beteiligt sind.“

EAML ist ein kollektiver Rechenansatz, der neun Algorithmen für maschinelles Lernen umfasst, um die funktionellen Auswirkungen nicht-synonymer Kodierungsvarianten, definiert als DNA-Mutationen, die die Struktur und Funktion des resultierenden Proteins beeinflussen, zu analysieren und ihre schädlichen Auswirkungen auf biologische Prozesse mithilfe der Evolution abzuschätzen. Unternehmensbewertung (EA).

Lichtarge und sein Team analysierten mithilfe von EAML Kodierungsvarianten bei 2.729 Alzheimer-Patienten und 2.441 Kontrollpersonen, um 98 mit der Alzheimer-Krankheit assoziierte Gene zu identifizieren.

Dazu gehörten mehrere Gene, von denen bekannt ist, dass sie eine Schlüsselrolle in der Alzheimer-Biologie spielen, was den Gesamtwert der Kombination eines maschinellen Lernansatzes mit den in EA enthaltenen phylogenetischen Informationen untermauert, um Gene und Signalwege zu identifizieren, die mit einer komplexen Krankheit wie der Alzheimer-Krankheit verbunden sind.

Sie zeigten auch, dass diese Gene funktionelle Verbindungen herstellten und entdeckten, dass sie in Alzheimer-Gehirnen abnormal exprimiert wurden.

Spezifische Signalwege betrafen durch Neuroinflammation vermittelte Signalwege, Mikroglia und Astrozytenbiologie, was mit ihrer möglichen Beteiligung an der Pathophysiologie der Alzheimer-Krankheit übereinstimmt.

Als nächstes arbeiteten sie mit Dr. Ismail El Ramahi, Dr. Juan Bottas und ihren Teams am Center for Alzheimer’s and Neurodegenerative Diseases und Duncan NRI zusammen, um die 98 möglichen EAML-Genhomologe anhand von zwei Drosophila-Modellen der Alzheimer-Krankheit zu testen.

Zu diesem Zweck nutzten sie eine robotergestützte Verhaltenstestplattform, die Hochdurchsatz-Screenings ermöglicht in vivo.

Sie fanden 36 Gene, die die durch Tau verursachte Degeneration modulieren, und 29 modulierende Gene, die die durch Aβ42 verursachte Neurodegeneration modulieren. Es umfasste 9 Gene, die in der Lage sind, die durch Tau und Aβ42 verursachte Neurodegeneration zu lindern, die beiden Proteine, von denen bekannt ist, dass sie sich bei Alzheimer-Patienten ansammeln.

Dies bestätigt nachdrücklich die funktionelle Beteiligung der identifizierten Kandidaten an der Vermittlung der Neurodegeneration in vivo Mögliche therapeutische Möglichkeiten, die durch die gezielte Behandlung dieser Gene eröffnet werden können, werden hervorgehoben.

Da das Ziel dieser Studie darin bestand, zu verstehen, wie sich die Alzheimer-Krankheit bei Männern und Frauen unterschiedlich manifestiert und fortschreitet, wandten sie die EAML-Analyse dann getrennt auf Männer und Frauen innerhalb dieser Kohorte an.

Sie fanden 157 Gene, die mit der Alzheimer-Krankheit bei Männern in Zusammenhang stehen, und 127 bei Frauen. Es wurde festgestellt, dass die in dieser nach Geschlechtern getrennten Studie identifizierten Gene enger mit bekannten AD-GWAS-Genen verwandt sind als die in den gepoolten Geschlechterstudien identifizierten Gene.

Diese Ergebnisse deuten darauf hin, dass eine nach Geschlechtern getrennte Analyse die Empfindlichkeit bei der Identifizierung von mit der Alzheimer-Krankheit assoziierten Genen erhöht und die Fähigkeit zur Risikovorhersage verbessert.

Darüber hinaus entdeckten sie, dass bestimmte biologische Wege möglicherweise einen größeren Einfluss auf die Entwicklung der Alzheimer-Krankheit bei einem Geschlecht haben als beim anderen. Beispielsweise wurde festgestellt, dass weibliche EAML-Kandidaten an einem Modul zur Zellzykluskontrolle und DNA-Qualitätskontrolle teilnahmen.

„Wir waren begeistert, eine Gruppe von Genen zu finden, die die Nerven bei Frauen schützen und mit BRCA1 in Verbindung stehen, einem Gen, von dem bekannt ist, dass es mit Brustkrebs in Zusammenhang steht.

„Diese Ergebnisse deuten auf mögliche biologische Zusammenhänge zwischen der Alzheimer-Krankheit und Brustkrebs hin, zwei Krankheiten, die bei Frauen häufiger auftreten als bei Männern.“ sagte Dr. Ismail Al-Ramahi.

Diese Erkenntnisse könnten wichtige Auswirkungen auf die Entwicklung therapeutischer Strategien und auf die Gestaltung geschlechtsstratifizierter klinischer Studien zur Alzheimer-Krankheit haben.

Darüber hinaus behielt EAML seine Vorhersagekraft mit konsistenten und robusten Zielen bei, selbst wenn das Team es mit kleineren Stichprobengrößen testete. Selbst mit nur 700 Stichproben kann EAML mehr als 50 % der im gesamten Datensatz gefundenen Kandidaten abrufen, was viel besser ist als die derzeit verwendeten Vorhersagealgorithmen.

Die Autoren glauben, dass diese deutlich verbesserte Fähigkeit es Forschern ermöglichen wird, kleinere Datensätze zu verwenden, um genaue und zuverlässige Vorhersagen zu treffen, was den Weg für die Einbeziehung geschlechtsspezifischer Analysen in Studien zur Krankheitsgenassoziation ebnet, die mit bekannten Methoden möglicherweise keine zuverlässigen Ergebnisse geliefert hätten.

„Unser Erfolg bei der Verwendung von EAML zur Suche nach neuen Angriffspunkten für die Alzheimer-Krankheit bietet nicht nur eine neue Perspektive auf die genetischen Faktoren, die diese Erkrankung beeinflussen, sondern unterstreicht auch die Bedeutung der systematischen Anwendung geschlechtsspezifischer Analysen bei der Untersuchung von Zusammenhängen von Krankheitsgenen.“ sagte Dr. Molekular- und Humangenetik in Baylor.

„Dieser innovative Ansatz hat das Potenzial, unser Verständnis komplexer Krankheiten wie Alzheimer zu revolutionieren und die Entwicklung personalisierter Therapien voranzutreiben, die auf die genetische Ausstattung jedes Einzelnen zugeschnitten sind.“

Weitere Studienteilnehmer sind Thomas Burkhard, Quangyuk Lee, Minh Pham, Dillon Shapiro, Yashwanth Lagisiti, Shireen Slimani, Samantha Mota, Kevin Wilhelm, Maryam Saminsab, Young Won Kim, Euna Huh, Jennifer Asmussen und Panagiotis Katsonis. Sie sind einer oder mehreren der folgenden Institutionen angeschlossen: Baylor College of Medicine, Jean and Dan Duncan Institute for Neurological Research am Texas Children’s Hospital, UTHealth McGovern College of Medicine. Die Studie wurde durch Zuschüsse der National Institutes of Health finanziert.

Über diese Neuigkeiten: Künstliche Intelligenzforschung und Alzheimer-Krankheit

Autor: Rajalaxmi Natarajan
Quelle: Texas Kinderkrankenhaus
Kommunikation: Rajalaxmi Natarajan – Texas Kinderkrankenhaus
Bild: Bildquelle: Neuroscience News

Ursprüngliche Suche: offener Zugang.
„Funktionelle Varianten bestimmen geschlechtsspezifische Gene und Signalwege bei der Alzheimer-KrankheitGeschrieben von Olivier Lichtorg et al. Naturkommunikation

eine Zusammenfassung

Funktionelle Varianten bestimmen geschlechtsspezifische Gene und Signalwege bei der Alzheimer-Krankheit

Die Inzidenz der Alzheimer-Krankheit ist bei Frauen doppelt so hoch wie bei Männern.

Um nach Assoziationen geschlechtsspezifischer Gene zu suchen, entwickeln wir einen maschinellen Lernansatz, der sich auf die funktionelle Beeinflussung von Kodierungsvarianten konzentriert. Mit dieser Methode können Unterschiede zwischen Serienfällen und Kontrollen in kleinen Gruppen festgestellt werden.

In einem Projekt zur Sequenzierung der Alzheimer-Krankheit mit gemischten Geschlechtern identifizierte dieser Ansatz Gene, die für Immunantwortwege angereichert sind. Nach der sexuellen Trennung werden Gene speziell für Stressreaktionswege bei Männern und Zellzykluswege bei Frauen angereichert.

Diese Gene verbessern die Vorhersage des Krankheitsrisikos in silico und Modulation Drosophila Neurodegeneration in vivo.

Somit kann ein allgemeiner Ansatz des maschinellen Lernens zu funktionell beeinflussenden Variablen geschlechtsspezifische Kandidaten für diagnostische Biomarker und therapeutische Ziele aufdecken.