Prognosis of Alzheimer’s Disease Using Quantitative Mass Spectrometry of Human Blood Plasma Proteins and Machine Learning
Notice bibliographique
Résumé
Early recognition of the risk of Alzheimer’s disease (AD) onset is a global challenge that requires the development of reliable and affordable screening methods for wide-scale application. Proteomic studies of blood plasma are of particular relevance; however, the currently proposed differentiating markers are poorly consistent. The targeted quantitative multiple reaction monitoring (MRM) assay of the reported candidate biomarkers (CBs) can contribute to the creation of a consistent marker panel. An MRM-MS analysis of 149 nondepleted EDTA–plasma samples (MHRC, Russia) of patients with AD (n = 47), mild cognitive impairment (MCI, n = 36), vascular dementia (n = 8), frontotemporal dementia (n = 15), and an elderly control group (n = 43) was performed using the BAK 125 kit (MRM Proteomics Inc., Canada). Statistical analysis revealed a significant decrease in the levels of afamin, apolipoprotein E, biotinidase, and serum paraoxonase/arylesterase 1 associated with AD. Different training algorithms for machine learning were performed to identify the protein panels and build corresponding classifiers for the AD prognosis. Machine learning revealed 31 proteins that are important for AD differentiation and mostly include reported earlier CBs. The best-performing classifiers reached 80% accuracy, 79.4% sensitivity and 83.6% specificity and were able to assess the risk of developing AD over the next 3 years for patients with MCI. Overall, this study demonstrates the high potential of the MRM approach combined with machine learning to confirm the significance of previously identified CBs and to propose consistent protein marker panels.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 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) | 0,000 | 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 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 ».