Prediction of treatment response to antipsychotic drugs for precision medicine approach to schizophrenia: randomized trials and multiomics analysis
Notice bibliographique
Résumé
Abstract Background Choosing the appropriate antipsychotic drug (APD) treatment for patients with schizophrenia (SCZ) can be challenging, as the treatment response to APD is highly variable and difficult to predict due to the lack of effective biomarkers. Previous studies have indicated the association between treatment response and genetic and epigenetic factors, but no effective biomarkers have been identified. Hence, further research is imperative to enhance precision medicine in SCZ treatment. Methods Participants with SCZ were recruited from two randomized trials. The discovery cohort was recruited from the CAPOC trial ( n = 2307) involved 6 weeks of treatment and equally randomized the participants to the Olanzapine, Risperidone, Quetiapine, Aripiprazole, Ziprasidone, and Haloperidol/Perphenazine (subsequently equally assigned to one or the other) groups. The external validation cohort was recruited from the CAPEC trial ( n = 1379), which involved 8 weeks of treatment and equally randomized the participants to the Olanzapine, Risperidone, and Aripiprazole groups. Additionally, healthy controls ( n = 275) from the local community were utilized as a genetic/epigenetic reference. The genetic and epigenetic (DNA methylation) risks of SCZ were assessed using the polygenic risk score (PRS) and polymethylation score, respectively. The study also examined the genetic-epigenetic interactions with treatment response through differential methylation analysis, methylation quantitative trait loci, colocalization, and promoter-anchored chromatin interaction. Machine learning was used to develop a prediction model for treatment response, which was evaluated for accuracy and clinical benefit using the area under curve (AUC) for classification, R 2 for regression, and decision curve analysis. Results Six risk genes for SCZ ( LINC01795 , DDHD2 , SBNO1 , KCNG2 , SEMA7A , and RUFY1 ) involved in cortical morphology were identified as having a genetic-epigenetic interaction associated with treatment response. The developed and externally validated prediction model, which incorporated clinical information, PRS, genetic risk score (GRS), and proxy methylation level (proxyDNAm), demonstrated positive benefits for a wide range of patients receiving different APDs, regardless of sex [discovery cohort: AUC = 0.874 (95% CI 0.867–0.881), R 2 = 0.478; external validation cohort: AUC = 0.851 (95% CI 0.841–0.861), R 2 = 0.507]. Conclusions This study presents a promising precision medicine approach to evaluate treatment response, which has the potential to aid clinicians in making informed decisions about APD treatment for patients with SCZ. Trial registration Chinese Clinical Trial Registry ( https://www.chictr.org.cn/ ), 18. Aug 2009 retrospectively registered: CAPOC—ChiCTR-RNC-09000521 ( https://www.chictr.org.cn/showproj.aspx?proj=9014 ), CAPEC—ChiCTR-RNC-09000522 ( https://www.chictr.org.cn/showproj.aspx?proj=9013 ).
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 | 0,054 | 0,062 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,010 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».