Integrating Novel Metabolomics Biomarkers with Multi‐modal Risk Factors in Predicting Mild Cognitive Impairment and Alzheimer's Disease
Notice bibliographique
Résumé
BACKGROUND: Recent research approaches to an expanding collection of well-characterized databases have examined varying arrays of biomarkers and risk factors related to Alzheimer's disease (AD). Analytical techniques that simultaneously evaluate relative importance of numerous candidate factors can successfully identify leading predictors within multiple-variable, high-dimensional datasets. Our objective was to integrate new molecular biomarkers with established AD-related biomarkers and risk factors to evaluate their relative predictive contributions using a series of machine learning classifier models. METHOD: We assembled 92 AD-related indicators representing 10 key modalities of AD risk (demographic, biomarkers, lifestyle, sensory, vascular, imaging, functional, psychiatric, anthropometric, clinical health) for participants from three cohorts in the Canadian Consortium on Neurodegeneration in Aging database (aka COMPASS-ND): (1) Cognitively Unimpaired (CU), (2) Mild Cognitive Impairment (MCI), (3) AD. Each cohort was divided for separate 3-group training and validation analyses. Novelty: High-throughput metabolomics analyses were conducted on both serum and saliva, each analysis detecting over 7000 metabolite peaks. Leading molecular predictors for the two-group comparisons and two AD-related bile acids produced 20 novel predictors. Data-driven analyses (in Python 3.9) included three machine learning classifier algorithms (eg, sklearn RandomForestClassifier) processing 112 (92+20) predictors. RESULT: Three sets of analyses (same predictors) were conducted (Predicting AD (CU-AD); Predicting MCI (CU-MCI); Predicting dementia (MCI-AD)). All models performed successfully in the main metrics (eg, Accuracy, Precision; AUC range: 0.81 - 0.98). Key results displayed in Explainable AI Tree SHAP plots vividly depicted discriminating patterns of leading multi-modal predictors. Commonly observed predictors were from new metabolomics analyses (saliva, blood), imaging, vascular, AD biomarkers, sensory, clinical health and lifestyle. Figure 1 displays the overall models tested (left panel) and the results for Predicting Dementia (right panel). A striking result is that of 112 predictors, the top 20 included 8 newly discovered metabolites, 5 of which were from salivary analyses. CONCLUSION: New molecular biomarkers (from both blood and saliva) perform strongly when integrated into databases with established AD biomarkers and risk factors. Implications include (1) enhancing identification of early mechanistic pathways, (2) importance of conducting integrative and interactive biomarker analyses, especially data-driven, and (3) potential for non-invasive salivary biomarkers for promoting assessment accessibility across diverse communities.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».