Whole‐blood RNA from different cohorts and profiling techniques consistently predicts cognitive performance across Alzheimer's spectrum
Notice bibliographique
Résumé
Abstract Background There is a critical need for minimally‐invasive robust peripheral markers of neurodegenerative conditions. Peripheral RNA may be a powerful tool for in‐depth tracking of biological processes in AD and related disorders. Here, we combine whole‐blood microarray data from Alzheimer's Disease Neuroimaging Initiative (ADNI; N=743) and RNA‐Seq from Translational Biomarkers in Aging and Dementia (TRIAD; N=77) and Montreal Neurological Institute (MNI; N=33) cohorts to predict cognitive performance across AD spectrum. Method Whole‐blood RNA from ADNI was profiled using Affymetrix Human Genome U219 Array ( www.affymetrix.com ); see https://adni.loni.usc.edu/ . Whole‐blood RNA from TRIAD and MNI was sequenced using Illumina‐1.9 and aligned to the genome using kallisto ( https://pachterlab.github.io/kallisto/ ); the obtained transcript abundances were brought to gene space using tximport ( https://bioconductor.org/packages/release/bioc/html/tximport.html ). Microarray and RNA‐Seq data were subjected to BoxCox transformations and harmonized ( https://github.com/Jfortin1/ComBatHarmonization ), involving study/center correction, preserving variance associated with age, sex, education, Mini Mental State Examination (MMSE) and diagnosis. Regression learning analysis using fine decision tree was performed to evaluate relationship between blood RNA as predictor and MMSE as response variable. The model was trained on ADNI and tested on TRIAD+MNI. To discover over‐ and under‐expressed genes and the subject‐wise AD‐like gene expression patterns, we performed Partial Least Squares (PLS) analysis. Result In both the training (ADNI) and independent test (TRIAD+MNI) groups, we observed (Figure 1A) a strong correspondence between real and RNA‐based predicted MMSE values. This supports the blood RNA's capacity to accurately predict cognitive performance across the AD spectrum. PLS loadings significantly correlated (p<0.001) with both memory (Figure 1B) and two‐year longitudinal memory slopes (Figure 1C; includes composite scores for ADNI and MNI, and Rey Auditory Verbal Learning scores for TRIAD). Biological pathways related to the most under‐expressed (Figure 1D) and over‐expressed (Figure 1E) genes included inflammatory response, apoptosis and angiogenesis as top pathways. Conclusion We verified the predictive power of whole‐blood gene expression to capture AD cognitive impairment severity, using independent populations, different profiling techniques, and advanced machine‐learning. These results support the feasibility of using minimally invasive blood RNA towards tracking AD progression and potential treatment effects. Among the discovered molecular predictors, the overexpression of inflammatory response is particularly aligned with recent studies proposing neuroinflammation as a hallmark of AD.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».