[논문 리뷰] A deep belief network-based method to identify proteomic risk markers for Alzheimer disease

Ning An, Liuqi Jin외 3명|arXiv (Cornell University)|2020. 03. 11.

Alzheimer's disease research and treatments참고 문헌 44인용 수 5

한 줄 요약

이 연구는 통합된 단백질체 및 임상 데이터를 사용하여 알츠하이머병의 단백질체 위험 마커를 식별하기 위해 딥 베리프 네트워크(DBN) 기반의 특성 선택 방법을 제안한다. 노드 가중치를 활용해 단백질 중요도를 순위 매기고 단백질 서브셋을 최적화함으로써, 기존의 기계학습 방법들을 능가하는 90% 이상의 분류 정확도를 달성한다. 이는 아피도네크틴 연관 경로가 잠재적 치료 표적으로 작용할 수 있음을 시사한다.

ABSTRACT

While a large body of research has formally identified apolipoprotein E (APOE) as a major genetic risk marker for Alzheimer disease, accumulating evidence supports the notion that other risk markers may exist. The traditional Alzheimer-specific signature analysis methods, however, have not been able to make full use of rich protein expression data, especially the interaction between attributes. This paper develops a novel feature selection method to identify pathogenic factors of Alzheimer disease using the proteomic and clinical data. This approach has taken the weights of network nodes as the importance order of signaling protein expression values. After generating and evaluating the candidate subset, the method helps to select an optimal subset of proteins that achieved an accuracy greater than 90%, which is superior to traditional machine learning methods for clinical Alzheimer disease diagnosis. Besides identifying a proteomic risk marker and further reinforce the link between metabolic risk factors and Alzheimer disease, this paper also suggests that apidonectin-linked pathways are a possible therapeutic drug target.

연구 동기 및 목표

• 풍부한 단백질체 데이터와 단백질 상호작용을 활용하는 데 있어 전통적인 알츠하이머병 특이적 서명 방법의 한계를 극복하기 위해.
• 고차원 데이터에서 생물학적으로 관련성이 있는 단백질체 위험 마커를 식별하는 새로운 특성 선택 방법을 개발하기 위해.
• 기존의 기계학습 모델을 뛰어넘어 알츠하이머병 진단 정확도를 향상시키기 위해.
• 식별된 단백질 마커를 통해 대사 위험 요인과 알츠하이머병의 발병 기전 간의 연관성을 탐색하기 위해.

제안 방법

• 단백질체 및 임상 데이터에 대해 딥 베리프 네트워크(DBN)를 훈련시어 단백질 발현 패턴의 계층적 표현을 학습한다.
• DBN의 은닉층 내 노드 가중치를 사용해 알츠하이머병 위험에 대한 신호 전달 단백질의 중요도를 순위 매긴다.
• 중요도 점수에 기반해 단백질 후보 서브셋을 생성한 후, 반복적인 평가와 최적화를 수행한다.
• 교차 검증을 통해 최적의 단백질 서브셋을 선택하여 분류 정확도를 최대화한다.
• 개별 단백질 발현 수준과 그 상호작용을 통합하여 복잡한 생물학적 관계를 포착한다.
• 최종 모델은 표준 평가 지표를 사용해 평가되었으며, 테스트 데이터에서 90% 이상의 진단 정확도를 달성했다.

실험 결과

연구 질문

• RQ1 딥 베리프 네트워크는 고차원 데이터에서 생물학적으로 의미 있는 단백질체 위험 마커를 효과적으로 식별할 수 있는가?
• RQ2 DBN 기반의 특성 선택 방법은 알츠하이머병 진단에서 기존의 기계학습 방법과 비교해 성능가능성이 높은가?
• RQ3 모델에 의해 일관되게 높은 우선순위의 위험 마커로 식별되는 특정 단백질 또는 경로는 무엇인가?
• RQ4 식별된 마커가 대사 기능 이상과 같은 알려진 생물학적 기전을 어느 정도 반영하는가?
• RQ5 이 방법을 통해 아포에프(E)를 초월한 새로운 단백질 경로가 알츠하이머병의 발병 기전에 관여하는가?

주요 결과

• 제안된 DBN 기반의 방법은 단백질체 및 임상 데이터에서 알츠하이머병을 식별하는 데 90%를 초월하는 진단 정확도를 달성했다.
• 분류 성능에서 기존의 기계학습 방법을 능가하여 테스트 데이터에서 뛰어난 일반화 능력을 보였다.
• 아피도네크틴 연관 경로가 잠재적 치료 표적으로 식별되었으며, 이는 알츠하이머병 발병 기전에서 새로운 생물학적 기전을 시사한다.
• DBN 노드 가중치로 순위 매겨진 단백질들은 질병 상태와 강한 관련성을 보였으며, 효과적인 특성 중요도 추정이 이루어졌음을 시사한다.
• 모델는 단백질 간 비선형 상호작용을 성공적으로 포착하여 복잡한 위험 패턴을 탐지하는 능력을 향상시켰다.
• 이 연구는 알츠하이머병에서 대사 위험 요인의 역할을 강화하며, 잘 알려진 아포에프(E) 마커를 초월해 확장한다.