Accumulating and heterogeneous network‐knockout profiles in amnestic mild cognitive impairment and Alzheimer’s disease dementia
Notice bibliographique
Résumé
Abstract Background Large‐scale brain networks are disrupted in Alzheimer’s disease (AD). We posit that network disruption may be explained by additive and multifactor knockout of multiple networks (functional and structural) as opposed to a single system or set of subsystems. Here we test this hypothesis using a data‐driven structural covariance network analysis. Methods Demographic, imaging and available biomarker data were downloaded from 77 normal controls (NC) (age= 72±6, M/F=33/44), 106 persons with amnestic mild cognitive impairment (MCI) (age= 73±8, M/F=70/36) and 42 persons with Alzheimer’s dementia (age=75±9, M/F=25/17) that participated in the Alzheimer’s Disease Neuroimaging Initiative 2.0. We used a multivariate covariance technique to isolate large‐scale grey matter networks that relate fiber tract microstructure derived at different stages of injury to vertex‐based cortical thickness maps. Cortical thickness was computed from 3.0 Telsa T1‐weighted MRI and tract‐based white matter microstructural measures were performed using diffusion tensor imaging; these data were submitted to a multivariate data‐driven analysis. Measures of network integrity (NII) were computed for each significant covariance network for all participants. Univariate models assessed the relationship between biomarkers, demographic variables and NIIs for each network. Network knockouts were defined as an NII <1.5 SD below the NC group average for a given network. Knockout combinations were characterized across individuals and average knockout numbers were compared between groups. Results Eight network ensembles related to tract‐based connectivity or recapitulated functional network architecture. Degradation of these systems was additively and differentially linked to increased age, APOE e4 genotype and unique combinations of white matter hyperintensity volume, CSF markers (CSF amyloid and Tau protein levels) and hippocampal volume in MCI. Knockouts exponentially and significantly increased across groups: NC>MCI>AD (P<0.01). There were 64 unique network knockout combinations across all participants. Conclusion Heterogeneous pathological exposures may additively and differentially disrupt large‐scale networks, leading to many possible network knockout sequences that accumulate exponentially from MCI to AD. These findings may partially explain the endophenotypic heterogeneity in AD and should be assessed in other cohort samples.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».