Machine-learning based strategy identifies a robust protein biomarker panel for Alzheimer’s disease in cerebrospinal fluid
Notice bibliographique
Résumé
BACKGROUND: The complex pathogenesis of Alzheimer's disease (AD) has resulted in limited current biomarkers for its classification and diagnosis, necessitating further investigation into reliable universal biomarkers or combinations. METHODS: In this work, we collect multiple CSF proteomics datasets and build a universal diagnose model by SVM-RFECV method combined with equal sample size and standard normalization design. The model was training in 297_CSF and then test the effect in other datasets. RESULTS: Utilizing machine learning, we identify a 12-protein panel from cerebrospinal fluid proteomic datasets. The universal diagnosis model demonstrated strong diagnostic capability and high accuracy across ten different AD cohorts across different countries and different detection technologies. These proteins involved in various biological processes related to AD and shows a tight correlation with established AD pathogenic biomarkers, including amyloid-β, tau/p-tau, and the Montreal Cognitive Assessment score. The high accuracy in the model may due to multiple protein combination based on comprehensive pathogenesis and different AD progress. Furthermore, it effectively differentiates AD from mild cognitive impairment (MCI) and other neurodegenerative disorders, especially the frontotemporal dementia (FTD), which share similar pathogenesis as AD. CONCLUSION: This study highlights a high accuracy, robustness and compatibility model of 12-protein panel whose detection is even based on label-free, TMT and DIA mass spectrometry or ELISA technologies, implicating its potential prospect in clinical application.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».