基于基因选择与跨组织验证的阿尔茨海默病诊断研究

《Frontiers in Genetics》:Alzheimer’s disease diagnosis based on gene selection and cross-tissue validation

【字体: 大 中 小 】 时间:2026年09月28日 来源:Frontiers in Genetics 3.0

编辑推荐:

  背景:早期准确诊断对于干预阿尔茨海默病(Alzheimer’s disease,AD)的进展至关重要。然而,传统的临床诊断技术,如有创的脑脊液穿刺和昂贵的神经影像学检查,难以满足大规模早期筛查的需求。方法:本研究提出了一种基于转录组学的新型诊断框架,命名为De

  
背景:早期准确诊断对于干预阿尔茨海默病(Alzheimer’s disease,AD)的进展至关重要。然而,传统的临床诊断技术,如有创的脑脊液穿刺和昂贵的神经影像学检查,难以满足大规模早期筛查的需求。方法:本研究提出了一种基于转录组学的新型诊断框架,命名为DeepFS,该框架具备自动化的基因选择模块,用于过滤冗余噪声并识别具有高价值的核心诊断靶基因。结果:DeepFS实现了对AD的高精度识别,在脑组织转录组数据上取得了89.45%的准确率和0.9647的AUC值。为进一步探究该框架在不同组织类型间的方法学泛化能力,研究人员将DeepFS扩展至外周血转录组数据集,该框架同样获得了可靠的诊断分类性能。此外,针对脑组织转录组数据,研究人员将基因选择模块驱动的高权重基因与AD脑单细胞核RNA测序(single-nucleus RNA sequencing,snRNA-seq)数据整合,在单细胞分辨率下进行定量分析,进一步验证了该模块的生物学有效性。结论:DeepFS不仅在AD诊断分类中展现出具有竞争力的性能,还可为未来AD生物标志物研究提供有价值的先验参考。
阿尔茨海默病(Alzheimer’s disease,AD)是一种起病隐匿、进行性发展的神经退行性疾病,其典型病理特征为神经元内神经纤维tau缠结和β-淀粉样斑块的积聚。传统诊断手段如有创脑脊液穿刺和昂贵神经影像学检查虽具有一定准确性,但成本高、侵入性强,难以满足大规模早期筛查的临床需求。针对这一瓶颈,研究人员开发了DeepFS——一种基于基因选择的转录组学诊断框架。该框架将可学习的门控张量直接嵌入深度神经网络的输入层,通过反向传播与下游分类器联合优化,实现对基因的软性筛选,从而在端到端监督学习中同时完成特征选择与疾病分类。与LASSO、弹性网络和随机森林等嵌入式特征选择方法不同,DeepFS不依赖预设的线性假设或树分裂准则,而是利用深度神经网络的非线性建模能力捕捉高阶基因交互,并通过在门控张量上施加显式稀疏约束,在保留分类器非线性能力的同时抑制无关基因,从而提升特征选择的可解释性与稳定性。

研究人员首先利用GEO数据库中的脑组织转录组数据集(GSE5281,含87例AD样本和74例对照样本,共161例),在5折交叉验证框架下独立进行差异表达分析,筛选出662个一致重现的差异表达基因并构建特征矩阵,随后输入DeepFS进行分类。模型在脑组织数据上取得了89.45%的准确率、0.9647的AUC值、92.54%的敏感性和86.61%的特异性,性能优于随机森林、支持向量机、逻辑回归、K近邻、XGBoost、LightGBM、CatBoost及DeepBrain等对比方法。为验证框架的跨组织泛化能力,研究人员在独立的外周血转录组数据集(GSE63060,含145例AD和104例对照)上重新训练并评估DeepFS,取得了78.74%的准确率和0.8453的AUC值,且高灵敏度(85.81%)表明其具有作为探索性筛查辅助工具的潜力。此外,针对脑组织数据,研究人员将DeepFS基因选择模块产生的高权重基因与AD脑单细胞核RNA测序数据(GSE174367)整合,经质量控制、高变基因选择、降维聚类及细胞类型注释后,在6种主要脑细胞类型中进行细胞类型特异性差异表达分析。结果显示,APOLD1、RPH3A、ARSG、CEBPB和MKNK2在单细胞分辨率下仍表现出统计学显著的细胞类型特异性转录扰动,且其表达方向与脑组织整体水平一致,结合文献报道进一步验证了基因选择模块的生物学有效性。基因本体论(GO)富集分析显示差异基因显著富集于铜、锌、镉离子反应与稳态等过程,KEGG富集分析则显著富集于AD通路、突触囊泡循环、GABA能突触等神经相关通路,蛋白-蛋白相互作用(PPI)网络分析进一步提示了潜在的核心靶基因。

研究结论表明,DeepFS不仅能在转录组数据上实现AD的高精度诊断分类,还能有效缩小候选基因空间,为未来AD生物标志物研究提供先验参考。该研究仍存在一定局限性,包括纳入数据集数量有限、缺乏独立外部脑组织转录组队列验证,以及对年龄、性别和脑区等重要混杂因素的校正不足。未来研究需收集多中心独立队列数据,评估测序平台和人群特征差异对模型性能的影响,以进一步确立DeepFS在脑组织转录组数据集中的稳健性和实际应用价值。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号