MétaCan
Menu
Retour à la cohorte
Enregistrement W4413281267 · doi:10.1101/2025.08.13.670106

Characterizing Post-Mortem Brain Molecular Taxonomy of Cognitive Resilience and Translating it to Living Humans

2025· preprint· en· W4413281267 sur OpenAlexafffund
Caio M.P.F. Batalha, Lei Yu, Andrea R. Zammit, Victoria N. Poole, Aron S. Buchman, Kátia de Paiva Lopes, Ricardo A. Vialle, Peter Abadir, Lolita S. Nidadavolu, Tony Wyss‐Coray, Nicholas T. Seyfried, Yanling Wang, Shinya Tasaki, Philip L. De Jager, Yasser Iturria‐Medina, David A. Bennett

Notice bibliographique

RevuebioRxiv (Cold Spring Harbor Laboratory) · 2025
Typepreprint
Langueen
DomaineComputer Science
ThématiqueMachine Learning in Healthcare
Établissements canadiensMontreal Neurological Institute and Hospital
Organismes subventionnairesNational Institutes of HealthWeston Family FoundationPaul M. Angell Family FoundationRush University
Mots-clésResilience (materials science)CognitionNeuroscienceCognitive sciencePsychologyTaxonomy (biology)BiologyCognitive psychologyEcologyPhysics

Résumé

récupéré en direct d'OpenAlex

Here, we define cognitive resilience as slower or faster cognitive decline after we regress out the effects of common brain neuropathologies. Its understanding could provide important insights into the biology underlying cognitive health, enabling the development of more effective strategies to prevent cognitive decline and dementia. However, this requires the development of a practical method to quantify resilience and measure it in living individuals, as well as identifying heterogenous pathways associated with resilience in different individuals. Here, we approach this problem by using a data-driven framework to quantify and characterize molecular signatures underlying cognitive resilience. Using multimodal contrastive trajectory inference (mcTI) on bulk RNA sequencing and tandem mass tag (TMT) proteomic data from 898 post-mortem brain samples from the Religious Orders Study and the Rush Memory and Aging Project (ROSMAP), we derived individual-level molecular pseudotime values reflecting the molecular path from high to low resilience across individuals. Additionally, we identified two distinct molecular subtypes of resilience, each characterized by unique transcriptomic and proteomic signatures, and differing associations with several phenotypes. To translate our brain-derived pseudotime and subtypes to living individuals, we developed prediction models with paired genetics, ante-mortem blood omics, clinical, psychosocial, imaging and device data from the same individuals, demonstrating the potential to predict brain molecular resilience profiles in living persons. Our findings establish a framework for quantifying resilience based on multi-level molecular signatures, identify molecularly distinct resilience subtypes, and demonstrate the feasibility of translating brain-derived molecular profiles to living individuals-laying the groundwork for the development of targeted resilience-promoting interventions in cognitive aging.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,742
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,261
Écart entre enseignants0,243 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuebioRxiv (Cold Spring Harbor Laboratory)Même sujetMachine Learning in HealthcareTravaux en français237 207