Маркеры болезни Альцгеймера выявили с помощью машинного обучения

Ученые из США проанализировали данные пациентов с болезнью Альцгеймера с поздним началом при помощи методов машинного обучения и выявили ряд метаболических изменений, связанных с полом и генотипом APOE.

Credit:
123rf.com

Болезнь Альцгеймера (БА) характеризуется снижением когнитивных функций. Чаще всего явные признаки БА проявляются у лиц старше 65 лет, такую форму заболевания называют БА с поздним началом. Помимо возраста, основные факторы риска БА с поздним началом включают пол (болезнь поражает преимущественно женщин) и носительство аллеля APOEε4. БА с поздним началом также связывают с метаболическими сбоями, в частности с нарушениями углеводного и липидного обменов, энергетического гомеостаза и функции митохондрий, окислительным стрессом и воспалением.

Недавний прогресс в изучении специфических механизмов БА стал возможен благодаря внедрению новых системных подходов и доступности клинически охарактеризованных образцов. Их основным источником стало многоцентровое исследование Alzheimer’s Disease Neuroimaging Initiative (ADNI). Доступность образцов тканей и биологических жидкостей пациентов с БА и здоровых добровольцев позволяет проводить крупномасштабные мультиомные исследования. В новой статье группа ученых из Аризонского университета (США) представила модель метаболической сети и использовала машинное обучение для поиска маркеров БА с поздним началом.

В качестве материала были использованы данные 1517 участников, среди которых были пациенты с диагнозом БА и когнитивно здоровые лица. Данные разделяли на кластеры по полу и по генотипу, чтобы идентифицировать специфичные метаболические изменения. Дополнительно учитывали индекс массы тела, количество лет, затраченных на образование, количественное выражение функции памяти и уровни фосфорилированного тау-белка и Aβ42 в спинномозговой жидкости.

Для получения панели биомаркеров для каждой группы пациентов ученые использовали двухэтапную процедуру машинного обучения, состоящую из количественной оценки важности признаков на первом этапе, за которой следует обучение моделей elasticnet и XGBoost для выбора подмножества признаков.

Чтобы исследовать метаболические признаки БА с ранним началом, ученые построили общую метаболическую сеть для всех обследуемых, не разделяя их на когорты по полу или генотипу. В результате они выявили изменения в липидном профиле и снижение концентрации фосфатидилхолинов и сфингомиелинов; также было зафиксировано увеличение концентрации цитруллина и некоторых форм ацилкарнитина.

Для выявления различий в кластере, выделенном по половому признаку, были построены метаболические сети с использованием данных пациентов с БА и когнитивно здоровых лиц обоих полов. «Мужская» сеть выявила изменения в аминокислотном профиле по валину, изолейцину, лизину и триптофану. В «женской» сети были зафиксированы сниженные уровни фосфатидилхолинов, сфингомиелина и триптофана, а также увеличение уровня креатинина. Эти данные свидетельствуют о том, что БА в основном была связана с изменениями аминокислотного профиля у мужчин и липидного профиля у женщин.

Анализ метаболических сетей, специфичных для APOE-генотипа, выявил значительное снижение содержания таурина и карнитина, а также повышение содержания аспарагина и лизолецитина у мужчин — носителей аллеля APOEɛ4. У женщин — носительниц аллеля APOEɛ4 наблюдались существенные изменения в липидном профиле, в частности, снижение уровня фосфатидилхолинов. Также для «женской» метаболической сети носительниц аллеля APOEɛ4 было характерно снижение уровня незаменимой аминокислоты L-триптофана, а также аланина и лизина.

«Одним из наиболее интересных результатов нашей работы является идентификация ключевых факторов метаболических путей, отличающихся у людей с болезнью Альцгеймера и лиц без когнитивных нарушений, в особенности при разделении пациентов по полу и АРОЕ-генотипу», — комментирует ведущий автор исследования, доктор Жуй Чан. «Эти метаболические мишени для конкретных пациентов прольют свет на разработку таргетной терапии для пациентов с болезнью Альцгеймера, чего не было сделано в предыдущих исследованиях».

Источники

Chang R., et al. Predictive metabolic networks reveal sex‐and APOE genotype‐specific metabolic signatures and drivers for precision medicine in Alzheimer's disease // Alzheimer's & Dementia. – 2022. DOI: 10.1002/alz.12675

Цитата по пресс-релизу

Добавить в избранное

Вам будет интересно