Using machine intelligence to uncover Alzheimer’s disease progression heterogeneity
Notice bibliographique
Résumé
Aim: Research suggests that Alzheimer’s disease (AD) is heterogeneous with numerous subtypes. Through a proprietary interactive ML system, several underlying biological mechanisms associated with AD pathology were uncovered. This paper is an introduction to emerging analytic efforts that can more precisely elucidate the heterogeneity of AD. Methods: A public AD data set (GSE84422) consisting of transcriptomic data of postmortem brain samples from healthy controls (n = 121) and AD (n = 380) subjects was analyzed. Data were processed by an artificial intelligence platform designed to discover potential drug repurposing candidates, followed by an interactive augmented intelligence program. Results: Using perspective analytics, six perspective classes were identified: Class I is defined by TUBB1, ASB4, and PDE5A; Class II by NRG2 and ZNF3; Class III by IGF1, ASB4, and GTSE1; Class IV is defined by cDNA FLJ39269, ITGA1, and CPM; Class V is defined by PDE5A, PSEN1, and NDUFS8; and Class VI is defined by DCAF17, cDNA FLJ75819, and SLC33A1. It is hypothesized that these classes represent biological mechanisms that may act alone or in any combination to manifest an Alzheimer’s pathology. Conclusions: Using a limited transcriptomic public database, six different classes that drive AD were uncovered, supporting the premise that AD is a heterogeneously complex disorder. The perspective classes highlighted genetic pathways associated with vasculogenesis, cellular signaling and differentiation, metabolic function, mitochondrial function, nitric oxide, and metal ion metabolism. The interplay among these genetic factors reveals a more profound underlying complexity of AD that may be responsible for the confluence of several biological factors. These results are not exhaustive; instead, they demonstrate that even within a relatively small study sample, next-generation machine intelligence can uncover multiple genetically driven subtypes. The models and the underlying hypotheses generated using novel analytic methods may translate into potential treatment pathways.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».