Discovering Genetics‐related Biomarkers of Neuronal Vulnerability Using Post‐mortem Datasets from Multiple Large Brain Banks
Notice bibliographique
Résumé
BACKGROUND: Neuropsychiatric disorders are linked to changes in brain composition, such as cortical neuron loss in late-onset Alzheimer's disease (AD). GABAergic cell types have been implicated in dysregulated neural interactions, contributing to pronounced neurodegeneration. However, the inaccessibility of human brain biopsies hampers understanding of cell type proportion changes in neuropsychiatric disorders. This study aims to identify genetic factors governing cell-type vulnerabilities and their links to neuropsychiatric traits. We hypothesize that the selective vulnerability of neuronal subtypes is associated with distinct genetic risk factors. METHOD: Cell-type deconvolution algorithms for bulk RNAseq data from the Religious Orders Study/Memory and Aging Project (ROSMAP) study (n = 912) were benchmarked and validated against single-nucleus RNA sequencing (snRNA-seq) data from the same subjects. A genome-wide association study (GWAS) was conducted to identify genetic variants linked to changes in cell type proportions (CTPs). RESULT: We found that no single deconvolution method is universally effective across all cell types and datasets. The MarkerGeneProfile (MGP) method demonstrated relatively high accuracy in predicting cell type proportions. Incorporating approaches to account for technical covariates in RNAseq data significantly improved the power of GWAS analyses, identifying genetic variants associated with changes in CTPs. CONCLUSION: This research demonstrates that brain cell type proportions can be reliably inferred from bulk brain tissue RNAseq datasets. Furthermore, our findings reveal that these proportions are partially governed by genetic factors, advancing our understanding of neuronal vulnerability in neuropsychiatric disorders.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».