Investigating the relationship between the SNCA gene and cognitive abilities in idiopathic Parkinson’s disease using machine learning
Notice bibliographique
Résumé
Cognitive impairments are prevalent in Parkinson's disease (PD), but the underlying mechanisms of their development are unknown. In this study, we aimed to predict global cognition (GC) in PD with machine learning (ML) using structural neuroimaging, genetics and clinical and demographic characteristics. As a post-hoc analysis, we aimed to explore the connection between novel selected features and GC more precisely and to investigate whether this relationship is specific to GC or is driven by specific cognitive domains. 101 idiopathic PD patients had a cognitive assessment, structural MRI and blood draw. ML was performed on 102 input features including demographics, cortical thickness and subcortical measures, and several genetic variants (APOE, MAPT, SNCA, etc.). Using the combination of RRELIEFF and Support Vector Regression, 11 features were found to be predictive of GC including sex, rs894280, Edinburgh Handedness Inventory, UPDRS-III, education, five cortical thickness measures (R-parahippocampal, L-entorhinal, R-rostral anterior cingulate, L-middle temporal, and R-transverse temporal), and R-caudate volume. The rs894280 of SNCA gene was selected as the most novel finding of ML. Post-hoc analysis revealed a robust association between rs894280 and GC, attention, and visuospatial abilities. This variant indicates a potential role for the SNCA gene in cognitive impairments of idiopathic PD.
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) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».