[論文レビュー] A deep belief network-based method to identify proteomic risk markers for Alzheimer disease

Ning An, Liuqi Jin+3 more|arXiv (Cornell University)|Mar 11, 2020

Alzheimer's disease research and treatments参考文献 44被引用数 5

ひとこと要約

本研究では、統合的プロテオミクスおよび臨床データを用いてアルツハイマー病のプロテオミクス的リスクマーカーを同定するため、深層信念ネットワーク（DBN）に基づく特徴選択手法を提案する。ノード重みを活用してタンパク質の重要性を順位付けし、タンパク質サブセットを最適化することで、分類精度が90％を超える成果を達成。これは従来の機械学習手法を上回り、アピドネクチン関連経路が潜在的な治療標的である可能性を示唆する。

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.

研究の動機と目的

• 豊富なプロテオミクスデータおよびタンパク質相互作用を活用できない従来のアルツハイマー病特異的シグネチャ手法の限界を克服すること。
• 高次元データから生物学的に意味のあるプロテオミクス的リスクマーカーを同定する新しい特徴選択手法を開発すること。
• 従来の機械学習モデルを上回る精度でアルツハイマー病の診断を向上させること。
• 同定されたタンパク質マーカーを通じて、代謝リスク要因とアルツハイマー病発症の関連を明らかにすること。

提案手法

• プロテオミクスおよび臨床データを用いて深層信念ネットワーク（DBN）を訓練し、タンパク質発現パターンの階層的表現を学習する。
• DBNの隠れ層におけるノード重みを用いて、アルツハイマー病リスクにおけるシグナル伝達タンパク質の重要性を順位付けする。
• 重要度スコアに基づいてタンパク質の候補サブセットを生成し、その後イテレーティブに評価と最適化を実施する。
• 交差検証を用いて最適なタンパク質サブセットを選択し、分類精度を最大化する。
• 個々のタンパク質発現レベルとそれらの相互作用を統合することで、複雑な生物学的関係を捉える。
• 最終モデルは標準指標を用いて評価され、テストデータにおいて90％を超える診断精度を達成した。

実験結果

リサーチクエスチョン

• RQ1 深層信念ネットワークは、高次元データから生物学的に意味のあるアルツハイマー病のプロテオミクス的リスクマーカーを効果的に同定できるか？
• RQ2 DBNに基づく特徴選択手法は、アルツハイマー病診断において従来の機械学習手法と比較して、性能に優れているか？
• RQ3 モデルが一貫して高優先度のリスクマーカーとして同定する特定のタンパク質または経路は何か？
• RQ4 同定されたマーカーは、代謝機能障害などの既知の生物学的メカニズムをどの程度反映しているか？
• RQ5 本手法を通じて、APOEを越えた新しいタンパク質経路がアルツハイマー病発症に関与していると示唆されるか？

主な発見

• 提案手法は、プロテオミクスおよび臨床データからアルツハイマー病を同定する診断精度が90％を超えた。
• 分類性能において従来の機械学習手法を上回り、テストデータにおける一般化能力に優れた結果を示した。
• アピドネクチン関連経路が潜在的な治療標的に同定され、アルツハイマー病発症における新しい生物学的メカニズムを示唆した。
• DBNのノード重みで順位付けされたタンパク質は疾患状態と強く関連しており、特徴の重要度推定が効果的であったことを示した。
• モデルはタンパく質間の非線形相互作用を効果的に捉えており、複雑なリスクパターンの検出能力が向上した。
• 本研究は、APOEマーカーを越えて代謝リスク要因がアルツハイマー病に寄与している役割を強化した。