Estimating progression of Alzheimer’s disease with extracellular vesicle-related multi-omics risk models
Notice bibliographique
Résumé
Background: Alzheimer's Disease (AD) is heterogeneous and shows complex interconnected pathways at various biological levels. Risk scores contribute greatly to disease prognosis and biomarker discovery but typically represent generic risk factors. However, large-scale multi-omics data can generate individualized risk factors. Filtering these risk factors with brain-derived extracellular vesicles (EVs) could yield key pathologic pathways and vesicular vehicles for treatment delivery. Methods: A list of 460 EV-related genes was curated from brain tissue samples in the ExoCarta database. This list was used to select genes from transcriptomics, proteomics, and DNA methylation data. Significant risk factors included demographic features (age, sex) and genes significant for progression in transcriptomics data. These genes were selected using Cox regression, aided by the Least Absolute Shrinkage and Selection Operator (LASSO), and were used to construct three risk models at different omics levels. Gene signatures from the significant risk factors were used as biomarkers for further evaluation, including gene set enrichment analysis (GSEA) and drug perturbation analysis. Results: Nine EV-related genes were identified as significant risk factors. All three risk models predicted high/low risk groups with significant separation in Kaplan-Meier analysis. Training the transcriptomics risk models on EV-related genes yielded better AD classification results than using all genes in an independent dataset. GSEA revealed Mitophagy and several other significant pathways related to AD. Four drugs showed therapeutic potential to target the identified risk factors based on Connectivity Map analysis. Conclusion: The proposed risk score model demonstrates a novel approach to AD using EV-related large-scale multi-omics data. Potential biomarkers and pathways related to AD were identified for further investigation. Drug candidates were identified for further evaluation in biological experiments, potentially transported to targeted tissues via bioengineered EVs.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».