Uncovering Biologically Coherent Peripheral Signatures of Health and Risk for Alzheimer’s Disease in the Aging Brain
Notice bibliographique
Résumé
Brain aging is a multifaceted process that remains poorly understood. Despite significant advances in technology, progress towards identifying reliable risk factors for suboptimal brain health requires realistically complex analytic methods to explain relationships between genetics, biology, and environment. Here we show the utility of a novel unsupervised machine learning technique - Correlation Explanation (CorEx) - to discover how individual measures from structural brain imaging, genetics, plasma, and CSF markers can jointly provide information on risk for Alzheimer’s disease (AD). We examined 829 participants (Mage: 75.3 ± 6.9 years; 350 women and 479 men) from the Alzheimer’s Disease Neuroimaging Initiative database to identify multivariate predictors of cognitive decline and brain atrophy over a one-year period. Our sample included 231 cognitively normal individuals, 397 with mild cognitive impairment (MCI), and 201 with AD as their baseline diagnosis. Analyses revealed latent factors based on data-driven combinations of plasma markers and brain metrics, that were aligned with established biological pathways in AD. These factors were able to improve disease prediction along the trajectory from normal cognition and MCI to AD, with an area under the receiver operating curve of up to 99%, and prediction accuracy of up to 89.9% on independent “held out” testing data. Further, the most important latent factors that predicted AD consisted of a novel set of variables that are essential for cardiovascular, immune, and bioenergetic functions. Collectively, these results demonstrate the strength of unsupervised network measures in the detection and prediction of AD.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».