Subtyping Schizophrenia Using Psychiatric Polygenic Scores
Notice bibliographique
Résumé
Abstract Background Subtyping schizophrenia can disentangle heterogeneity and help with treatment decision- making. However, current schizophrenia subtypes have not demonstrated adequate clinical utility, limited by sample size, suboptimal clustering methods, and choice of clustering input. Polygenic scores (PGS) reflect the genetic risk of phenotypes including comorbidities and are available before treatment, making them candidate clustering input. Methods We derived PGS for schizophrenia, autism spectrum disorder, bipolar disorder type-1, depression, and intelligence in 4,915 schizophrenia cases with register linkage. We randomly divided the sample into discovery and replication partitions and applied a novel clustering workflow on both: preprocessing PGS, feature extraction with uniform manifold approximation and projection (UMAP), and clustering with density-based spatial clustering of applications with noise (DBSCAN). After replication, we re-performed clustering on the entire sample and evaluated treatment-relevant variables of medication and hospitalization (extracted from registers) across clusters. Outcomes We identified five well-replicated PGS clusters. Cluster 1 (26% of entire sample) with generally lower PGS, had the least use of antipsychotics (including clozapine), and fewer outpatient visits. Cluster 2 (48%) with generally higher PGS, especially schizophrenia PGS, had more prescriptions of antipsychotics including clozapine and longer treatment with clozapine. Each featured by specific PGS, clusters 3 (high IQ-PGS, 11%), 4 (high ASD-PGS, 8%), 5 (high BIP-PGS, 7%) showed sub-threshold level significance in the corresponding phenotypic measures but did not differ significantly in the treatment-relevant variables. Solely categorizing the patients with SCZ-PGS did not generate any significant patterns in the phenotypic and treatment-relevant variables. Interpretation The results suggest that combinations of PGS of brain disorders and traits can provide clinically relevant clusters, offering a direction for future research on schizophrenia subtyping. Future replications in independent samples are required. The workflow can be generalized to other disorders and with mechanism-informed PGS.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».