Vorhersagemodell für Pathologie-Scores bei Alzheimer durch maschinelles Lernen anhand von Multi-omics-Daten und Umweltfaktoren

Die Alzheimer-Krankheit (Engl.: Alzheimer’s Disease, AD) ist eine fortschreitende Gehirnstörung mit neuropathologischen Veränderungen und kognitivem Abbau. Neuropathologische Veränderungen, die durch ß-Amyloid (Aß)-Plaques und Tau-Neurofibrillenbündel (NFT) quantifiziert werden können, sind entscheidend für die Diagnose der Krankheit. Neben den bekannten Risikofaktoren wie Alter, Geschlecht und genetischer Hintergrund, die AD beeinflussen, haben sich Multi-Omics-Daten und Umweltfaktoren als marginal mit Aß- und NFT-bezogenen Werten assoziiert herausgestellt. Diese zahlreichen Faktoren machen es herausfordernd, den gemeinsamen oder relativen prädiktiven Beitrag aller Faktoren in einer einzigen Studie vollständig zu untersuchen. Einige frühere Forschungsstudien haben die marginale Assoziation einer begrenzten Anzahl von Faktoren mit AD-Pathologie-Scores untersucht, während andere aufgrund der Unzugänglichkeit menschlicher Gehirngewebe vollständig auf Tierproben basierten. Es besteht ein dringender Bedarf, den gemeinsamen und relativen Beitrag dieser zahlreichen Faktoren zur Vorhersage von AD-Pathologie-Scores bei menschlichen Patienten tiefgreifend zu verstehen. Dieses Projekt wird diese unter Verwendung von Hirngewebe-Spendern, Umweltfaktoren und weiteren AD-bezogenen Faktoren angehen, um ein maschinelles Lernmodell zur Vorhersage von AD-Pathologie-Scores zu entwickeln. Die Modellentwicklung basiert auf dem Goizueta AD Research Center (ADRC) der Emory University, einer humanen Gehirndatenbank mit mehr als tausend Hirngewebe-Spendern. Aus diesen Gehirngeweben wurden Omics-Daten, einschließlich DNA-Methylierung und Metabolomik-Daten, für circa 260 Teilnehmer erfasst. Die Gehirnbank wurde um viele weitere Faktoren wie Umweltmarker, Alter, Geschlecht, anthropometrische Merkmale, genetische Marker und weitere Marker, die potenziell oder mit AD in Zusammenhang stehen erweitert. Während diese gesammelten Marker vorteilhaft für das Verständnis sowohl des gemeinsamen als auch des relativen prädiktiven Beitrags von AD-bezogenen Faktoren zu AD-Pathologie-Scores sind, stellen sie die Herausforderung dar, unterschiedliche Datentypen gleichzeitig zu analysieren. Random Forests (RFs) haben sich als leistungsfähige, interpretierbare Multi-Omics prädiktive maschinelle Lernmethode erwiesen. Das vorgeschlagene Projekt wird die RF-Methode nutzen, um AD-Neuropathologie-Scores unter Verwendung von AD-bezogenen Markern als Prädiktorvariablen vorherzusagen. Das resultierende Modell könnte sowohl die gemeinsamen als auch die relativen prädiktiven Fähigkeiten von AD-bezogenen Faktoren klären. Darüber hinaus könnte es von Kliniken verwendet werden, um AD vorherzusagen und modifizierbare Faktoren anzupassen, um die Krankheitsentwicklung vorherzusagen.