Apolipoprotein E allele 4 effects on Single-Subject Gray Matter Networks in Mild Cognitive Impairment
Notice bibliographique
Résumé
There is evidence that gray matter networks are disrupted in Mild Cognitive Impairment (MCI) and associated with cognitive impairment and faster disease progression. However, it remains unknown how these alterations are related to the presence of Apolipoprotein E isoform E4 (ApoE4), the most prominent genetic risk factor for late-onset Alzheimer's disease (AD). To investigate this topic at the individual level, we explore the impact of ApoE4 and the disease progression on the Single-Subject Gray Matter Networks (SSGMNets) using the graph theory approach. Our data sample comprised 200 MCI patients selected from the ADNI database, classified as non-Converters and Converters (will progress into AD). Each group included 50 ApoE4-positive ('Carriers', ApoE4 + ) and 50 ApoE4-negative ('non-Carriers', ApoE4-). The SSGMNets were estimated from structural MRIs at two-time points: baseline and conversion. We investigated whether altered network topological measures at baseline and their rate of change (RoC) between baseline and conversion time points were associated with ApoE4 and disease progression. We also explored the correlation of SSGMNets attributes with general cognition score (MMSE), memory (ADNI-MEM), and CSF-derived biomarkers of AD (Aβ42, T-tau, and P-tau). Our results showed that ApoE4 and the disease progression modulated the global topological network properties independently but not in their RoC. MCI converters showed a lower clustering index in several regions associated with neurodegeneration in AD. The SSGMNets' topological organization was revealed to be able to predict cognitive and memory measures. The findings presented here suggest that SSGMNets could indeed be used to identify MCI ApoE4 Carriers with a high risk for AD progression.
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 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».