Inferring protein expression changes from mRNA in Alzheimer’s dementia using deep neural networks

Posted 2022-06-18 叶庭云

在 ROSMAP 中测量的 8391 种蛋白质中，只有 3096 种蛋白质与相应的基因表达显示出最低限度的显着一致性（错误发现率 FDR 为 5%，n = 384），所有蛋白质的平均相关性为 0.09，这种低相关性表明 RNA 和蛋白质之间的高度不一致，这在来自 Mount Sinai Brain Bank（MSBB）的独立 ADRD 脑队列中也观察到（平均 R = 0.11，n = 196）。因此，即使具有较大的样本大小（n = 100+），标准转录组分析也可能会遗漏与 ADRD 真正相关的许多蛋白质，这挑战了转录组分析的前提，其中 RNA 表达水平是蛋白质丰度的替代物。

为了通过预测的蛋白质水平加速药物发现，对来自衰老和痴呆的两项大型纵向队列研究的参与者的死后大脑样本进行了基于深度学习的多组学分析，这些研究具有广泛的死前认知评估，死后神经病理学数据和结构脑成像。

采用 Bonferroni 校正来减少由于多次测试导致的误报。整体AD病理学指标。Amyloid score：淀粉样蛋白，Tangles score：缠结分数。

Pearson相关性：线性相关性、正态分布。Coplua熵，估计的互信息。

scGen 准确地预测样本外的单细胞扰动响应（交叉研究/物种间）。scGen 预测细胞类型之间共享的反应和细胞类型特异性反应。scGen能够学习细胞类型和物种特异性反应。为了实现这一点，该模型需要捕获与强烈响应的基因和细胞区分较弱的特征。建立这些特征的生物学解释，可以帮助理解对某些药物有反应的细胞和对药物无反应的细胞