來自悉尼新南威爾士大學的科學家與波士頓大學的合作者開發(fā)了一種工具，該工具顯示出在帕金森氏病首次癥狀開始出現(xiàn)前數年檢測出早期前景的希望。
在今天發(fā)表在ACS Central Science雜志上的研究中，研究人員描述了他們如何使用神經網絡來分析患者體液中的生物標志物。
新南威爾士大學化學學院的研究人員檢查了從西班牙歐洲癌癥和營養(yǎng)前瞻性調查 (EPIC) 收集的健康個體身上采集的血液樣本。該團隊以 39 名在長達 15 年后患上帕金森癥的患者為重點，在包含大量代謝物信息的數據集上運行他們的機器學習程序——代謝物是身體在分解食物、藥物或化學品時產生的化合物。
在將這些代謝物與 39 名匹配的對照患者(同一研究中沒有繼續(xù)發(fā)展帕金森氏癥的人)的代謝物進行比較后，該團隊能夠識別出可以預防帕金森氏癥或可能成為帕金森氏癥早期預警信號的獨特代謝物組合。
正如新南威爾士大學研究員 Diana Zhang 所解釋的那樣，她和副教授 W. Alexander Donald 開發(fā)了一種名為 CRANK-MS 的機器學習工具，它代表使用神經網絡從質譜生成知識的分類和排名分析。
“分析代謝組學數據的最常見方法是通過統(tǒng)計方法，”張說。
“因此，為了弄清楚哪些代謝物對疾病和對照組更重要，研究人員通常會研究涉及特定分子的相關性。”
“但在這里我們考慮到代謝物可以與其他代謝物相關聯(lián)——這就是機器學習的用武之地。對于成百上千的代謝物，我們已經使用計算能力來了解正在發(fā)生的事情。”
一個/教授。唐納德說，除了研究代謝物的組合外，研究人員還使用了未經編輯的數據列表。
“通常情況下，研究人員使用機器學習來檢查代謝物與疾病之間的相關性，首先會減少化學特征的數量，然后再將其輸入算法，”他說。
標簽：
免責聲明：本文由用戶上傳，與本網站立場無關。財經信息僅供讀者參考，并不構成投資建議。投資者據此操作，風險自擔。 如有侵權請聯(lián)系刪除！