Integrating large-scale serum metabolomics and <i>APOE</i> ε4 genotype status for the non-invasive detection of Alzheimer’s disease in the ADNI cohort
Notice bibliographique
Résumé
Abstract INTRODUCTION Accurate Alzheimer’s disease (AD) detection remains challenging and often requires invasive or costly procedures. Blood-based metabolomic signatures offer a promising non-invasive approach. This study aimed to identify a serum metabolite panel and evaluate its performance alone and in combination with apolipoprotein E ( APOE ) ε4 genotype status for distinguishing AD from cognitively normal (CN) individuals. METHODS Baseline data from 594 participants in the Alzheimer’s Disease Neuroimaging Initiative (237 AD, 357 CN) were analyzed. High-resolution serum metabolomics (Biocrates MxP® Quant 500) and APOE genotype data were used for LASSO-based feature selection, followed by machine learning model training and evaluation on a held-out test set. RESULTS A panel of 151 metabolites distinguished AD from CN with high accuracy (test-set AUC=0.90). Adding APOE to the panel further improved model performance (AUC=0.91 versus AUC=0.75 for APOE alone; p <0.001), achieving strong sensitivity (0.92), specificity (0.84), and negative predictive value (0.94). Key predictive metabolites included bile acids, ether-linked phosphatidylcholines, and acylcarnitines, which are associated with pathways related to lipid metabolism, mitochondrial function, and the gut–liver–brain axis. CONCLUSION Integrating serum metabolomics with APOE enables accurate, non-invasive AD detection and offers a scalable screening approach with strong potential to rule out AD in primary care. ClinicalTrials.gov Identifier NCT00106899 and related ADNI phases.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».