[论文解读] 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 5

一句话总结

本研究提出一种基于深度置信网络（DBN）的特征选择方法，利用整合的蛋白质组学和临床数据，识别阿尔茨海默病的蛋白质组风险标志物。通过利用节点权重对蛋白质重要性进行排序并优化蛋白质子集，该方法实现了超过90%的分类准确率——优于传统机器学习方法——并提示依泊尼丁（apidonectin）相关通路可能是潜在的治疗靶点。

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.

研究动机与目标

• 为克服传统阿尔茨海默病特异性标志物方法在利用丰富的蛋白质组学数据和蛋白质相互作用方面的局限性。
• 开发一种新型特征选择方法，从高维数据中识别具有生物学相关性的蛋白质组风险标志物。
• 在阿尔茨海默病诊断中超越传统机器学习模型，提升诊断准确率。
• 通过识别的蛋白质标志物，探索代谢风险因素与阿尔茨海默病发病机制之间的关联。

提出的方法

• 在蛋白质组学和临床数据上训练深度置信网络（DBN），以学习蛋白质表达模式的分层表征。
• 利用DBN隐藏层中的节点权重，对阿尔茨海默病风险相关信号蛋白的重要性进行排序。
• 基于重要性评分生成候选蛋白质子集，随后进行迭代评估与优化。
• 通过交叉验证选择最优蛋白质子集，以最大化分类准确率。
• 该方法整合了单个蛋白质的表达水平及其相互作用，捕捉复杂的生物学关系。
• 最终模型通过标准指标进行评估，在测试数据上实现了超过90%的诊断准确率。

实验结果

研究问题

• RQ1 深度置信网络能否有效从未高维数据中识别出具有生物学意义的阿尔茨海默病蛋白质组风险标志物？
• RQ2 与传统机器学习方法相比，基于DBN的特征选择方法在阿尔茨海默病诊断中的性能如何？
• RQ3 该模型是否一致地识别出特定蛋白质或通路作为高优先级风险标志物？
• RQ4 所识别的标志物在多大程度上反映了已知的生物学机制，如代谢功能障碍？
• RQ5 该方法是否揭示了除APOE外的新蛋白质通路，参与阿尔茨海默病的发病机制？

主要发现

• 所提出的基于DBN的方法在从蛋白质组学和临床数据中识别阿尔茨海默病方面，诊断准确率超过90%。
• 该方法在分类性能上优于传统机器学习方法，在测试数据上表现出更优的泛化能力。
• 依泊尼丁（apidonectin）相关通路被识别为潜在治疗靶点，提示阿尔茨海默病发病机制中存在新型生物学机制。
• 由DBN节点权重排序的蛋白质与疾病状态具有高度相关性，表明特征重要性估计有效。
• 该模型成功捕捉了蛋白质之间的非线性相互作用，增强了其识别复杂风险模式的能力。
• 本研究强化了代谢风险因素在阿尔茨海默病中的作用，其影响范围超越了广为人知的APOE标志物。