Journal of Translational Medicine, 2005; 3: 30-30 (más artículos en esta revista)

Redes neuronales artificiales permiten el uso de mediciones simultáneas de la Enfermedad de Alzheimer marcadores para la detección precoz de la enfermedad

BioMed Central
Monica Di Luca (monica.diluca @ unimi.it) [1], Enzo Grossi (enzo.grossi @ tiscali.it) [2], Barbara Borroni (bborroni@inwind.it) [3], Martina Zimmermann (martina.zimmermann @ Unimi.it) [1], Elena Marcello (elena.marcello @ unimi.it) [1], Francesca Colciaghi (francesca.colciaghi @ unimi.it) [1], Fabrizio Gardoni (fabrizio.gardoni @ unimi.it) [1], Marco Intraligi (mintraligi@inwind.it) [4], Alessandro Padovani (padovani@med.unibs.it) [3], Massimo Buscema (buscema@unimi.it) [4]
[1] Centro de Excelencia para Neurodegenerativas Trastornos del Departamento de Farmacovigilancia y de las Ciencias, Universidad de Milán, Italia
[2] Departamento de Medicina, Spa Bracco, de Milán, Italia
[3] Departamento de Ciencias Neurológicas de la Universidad de Brescia, Italia
[4] Centro Ricerche Semeion, Roma, Italia

Este es un artículo de acceso abierto distribuido bajo los términos de la licencia Creative Commons License (http://creativecommons.org/licenses/by/2.0], que permite el uso irrestricto, la distribución y reproducción en cualquier medio, siempre que la obra original sea debidamente citada.

Resumen
Antecedentes

Estudios anteriores han demostrado que en las plaquetas leve de la Enfermedad de Alzheimer (EA) de los pacientes existen alteraciones de las formas específicas de APP, acompañado de la alteración en el nivel de expresión tanto de ADAM 10 y BACE en comparación con los sujetos control. Debido a la pobre relación lineal entre cada uno de los elementos clave de la cascada beta-amiloide y la meta diagnóstico, el uso de sistemas capaces de afrontar tareas no lineal, como redes neuronales artificiales (RNAs), debería permitir una mejor capacidad de discriminación en comparación con el clásico Estadísticas.

Objetivo

Para evaluar la exactitud de RNAs en AD diagnóstico.

Métodos

AD-37 leves y 25 pacientes control de los sujetos fueron matriculados, y APP, ADM10 y BACE medidas se realizaron. Quince modelos distintos de la alimentación de avance y complejos periódicos RNAs (Semeion proporcionada por el Centro de Investigación), el aprendizaje basado en diferentes leyes (de nuevo la propagación sine-net, bi-modal) se compararon con el análisis discriminante lineal (LDA).

Resultados

El mejor modelo de ANN correctamente identificados leve AD pacientes en el 94% de los casos y los sujetos control en el 92%. El diagnóstico correspondiente con LDA rendimiento obtenido fue de 90% y 73%.

Conclusión

Este estudio preliminar sugiere que el procesamiento de pruebas bioquímicas relacionadas con la cascada beta-amiloide con RNAs permite una muy buena discriminación de AD en las primeras etapas, la más alta que puede obtener con los métodos clásicos de estadísticas.

Introducción

Enfermedades neurodegenerativas como la Enfermedad de Alzheimer (EA) se plantea un tremendo impacto en nuestra sociedad. No hay remisión en la progresión, y las intervenciones farmacológicas disponibles en la actualidad requieren una rápida y precisa identificación de la enfermedad [1].

Hasta ahora, el diagnóstico de probables y posibles de AD se basa en la evaluación neuropsicológica de evaluación multidimensional. Diagnóstico diferencial entre AD y otros tipos de demencia a menudo se basa en la exclusión [2].

Por lo tanto, la posibilidad de utilizar un biomarcador de apoyo diagnóstico clínico sería de gran importancia en la detección precoz de la enfermedad.

Para AD diagnóstico precoz, un ideal instrumento de diagnóstico deben ser sensibles a los anteriores cambios biológicos y cognitivos, sino que se debería ser capaz de diferenciar entre AD, de envejecimiento normal y de otras formas de demencia o pseudo demencia. Debe ser fiable, de fácil aplicación y sencillo [3]. En los últimos años, se ha identificado en las células circulantes de fácil acceso, es decir, las plaquetas, una combinación de mediciones biológicas que poseen todas las características para ser considerados como de alta precisión biomarcadores para AD [4 - 6]. En las plaquetas es posible medir los niveles moleculares de tres identidades de los elementos clave en la cascada amiloide-, a saber Amyloid Precursor Protein (APP), así como las formas beta-secretase (beta-APP-cleaving sitio de la enzima, BACE1) enzima, responsable Para amyloidogenic vía, la alfa-secretase (ADAM10) responsable de la no amyloidogenic metabolismo [7, 8]. Además, hemos demostrado una concomitante y congruentes modificación de estos parámetros bioquímicos en las plaquetas de pacientes con EA en comparación con los sujetos control [6]. De hecho, en plaquetas de pacientes con EA leve pudimos demostrar una alteración de las formas específicas de APP, acompañado de un descenso del nivel de expresión y la actividad de ADAM 10, así como un aumento de la actividad BACE, en comparación con los sujetos control [8].

La medición simultánea de estos parámetros bioquímicos puede ser considerado como una "combinación de una estrategia" para mejorar la exactitud de las pruebas biológicas. Sin embargo, este enfoque tiene limitaciones intrínsecas, relacionadas con el análisis estadístico utilizado desde los enfoques clásicos estadísticas subyacentes no sufren de linealidad entre variables.

Artificial Neural Networks (RNAs) son adaptables modelos para el análisis de los datos que se han inspirado en el funcionamiento de los procesos del cerebro humano. Son sistemas que son capaces de modificar su estructura interna en relación con una función objetivo. Son especialmente adecuados para la solución de problemas de tipo no lineal, de poder reconstruir la aproximación de las normas que poner un cierto conjunto de datos - el que se describe el problema de que se considera - con un conjunto de datos que proporciona la solución [9].

Así, el objetivo de este estudio fue evaluar la eficacia de la red neuronal en la correcta clasificación de los sujetos control y los pacientes leves AD sólo sobre la base de periféricos cascada beta-amiloide biomarcadores.

Métodos
Temas

El estudio se realizó sobre 37 pacientes probable AD leve, y 25 sanos los controles pareados por edad (CON), de conformidad con los reglamentos locales de la investigación clínica y el consentimiento informado fue obtenido. Cada uno de los temas objeto de una clínica y una normalización de evaluación neuropsicológica para la evaluación de las funciones cognitivas, las actividades de la vida diaria y de la conducta y trastornos psicológicos.

Probable AD diagnóstico se basa en el Instituto Nacional de Trastornos Neurológicos y comunicativa y de trazos de la enfermedad de Alzheimer y Trastornos Relacionados con criterios de la Asociación (NINCDS-ADRDA) [10]. Severidad de la demencia fue evaluado de acuerdo con demencia clínica Rating (CDR) escala, y sólo los pacientes con CDR ≤ 1 entró en el estudio.

Los siguientes criterios de exclusión se aplica: a) trastorno depresivo mayor, trastorno bipolar, esquizofrenia, trastorno de uso de sustancias, o el retraso mental según criterios DSM-IV, b) trastorno cerebro-vascular, hidrocefalia, y dentro de la masa craneal, documentada por TC O la resonancia magnetica nuclear en los últimos 12 meses, y c) anomalías en folato y vitamina B12, serología de la sífilis, o las hormonas tiroideas de los niveles, d) una historia de la lesión cerebral traumática o de otra enfermedad neurológica, e) problemas médicos significativos (por ejemplo la diabetes o la hipertensión , Cáncer, alteraciones hepáticas, renales, cardíacas o trastornos pulmonares).

Además, los temas sobre los agentes psicotrópicos, nootropic drogas, colinérgicos o agentes anticolinérgicos, agentes antiplaquetarios, anticoagulantes, esteroides, y medicamentos serotoninérgicos, fueron excluidos a menos que entró en una fase de lavado-out de al menos 14 días antes de la extracción de sangre.

Las plaquetas de recogida y análisis de Western blot

Sangre dibujo se produjeron mientras el ayuno en 9.00-10.00 AM. Una muestra de sangre (27 ml) fue tomado, la liberación de los torniquetes, usando una aguja de calibre 19-, y procesado como ha sido descrito previamente (6). Las plaquetas fueron procesadas para Western blot (WB) con un anticuerpo monoclonal (mAb) 22C11 dilución 1:2000 (Chemicon, Tamecula) planteó en contra del dominio N-terminal de la APP, por lo tanto, el reconocimiento de las tres formas APP con aparente peso molecular de 130, 110 , Y 106 kDa. Los resultados se expresaron como el cociente (ratio APP) de la densidad óptica de la parte superior (130 kDa) a la más baja (106-110 kDa) inmunorreactivas bandas. BM También se realizó con el anticuerpo policlonal (pAb) a ADAM10 dilución 1:1000 (Proscience Inc, Poway, CA, EE.UU.); pAb a BACE 1:500 (Affinity Bioreagents Inc, Golden, CO EE.UU.), el clon de β-AC40 ACTIN 1:3000 (Sigma-Aldrich Steinheim, Alemania) fueron utilizados. Inmunomarcación β-ACTIN, una proteína constitutiva, se utilizó como patrón interno. El OD ADAM entre 10 y β-ACTIN se midió. De igual manera, se realizó un análisis BACE, el OD y de las dos formas (BACE 36 kDa / BACE 57 kDa) fue evaluada.

Análisis cuantitativo de WB se realizó por medio de imágenes asistida por ordenador (Cantidad-OneR Sistema; Biorad, CA, EE.UU.).

Redes neuronales artificiales

En este estudio, se aplicó bajo la supervisión RNAs, las redes en las que el resultado de la transformación (la salida deseada) ya está definido. RNAs supervisadas calcular una función de error que mide la distancia entre el fijo de salida deseada (objetivo) y de su propia producción, y ajustar la conexión fuertes durante el proceso de capacitación para reducir al mínimo el resultado de la función de error. El aprendizaje supervisado la limitación de RNAs es que tengan su propia salida coincida con la meta determinada. La forma general de estos RNAs es: y = f (x, w *), donde w * constituye el conjunto de parámetros que mejor aproximación de la función. El RNAs utilizados en el estudio se caracterizan por la ley de aprendizaje y de la topología. Las leyes de determinar las ecuaciones de aprendizaje que se traducen los RNAs insumos en productos, y las normas por las que los pesos se modifican para minimizar el error o en el interior de la energía de los RNAs.

La topología determina la estructura de los nodos de RNAs conexiones y la señal de la corriente dentro de él. RNAs puede ser más distinguido por dos grandes categorías: feed-forward RNAs (FF), en la que el producto de la señal de entrada a la salida de los RNAs, de cruce de todos los nodos sólo una vez; recurrentes RNAs, en el que la señal está sujeto A la información específica, determinada de antemano, o vinculados a la existencia de condiciones particulares.

Los experimentos llevados a cabo anticipar el uso de ambos RNAs y Organismos Artificial, es decir, combinaciones complejas de más redes. Supervisado software (Semeion ©), que permite la combinación de la ley de aprendizaje de cada uno con cada tipo de topología, fue utilizado para todas las pruebas.

Cuatro modelos de RNAs y un modelo estadístico utilizado en el estudio, de la siguiente manera.

1) El nivel de propagación Volver (BP-FF) está definida por diferentes capas de nodos interconectados caracteriza por una función no lineal, por lo general de la sigmoidal tipo [11].

2) El Sine Net (SN) (Semeion ©) se caracteriza por la organización de los nodos en las capas [12]. La diferencia fundamental con respecto a la mejor conocido BP-FF se debe a las características de la función obtenido por cada nodo único. De hecho, la activación de la función de nodo, que tiene características similares a los de la BP-FF, funciona con un aporte que se compone de una suma de los senos, cada uno de ellos caracterizado por su propia frecuencia (el peso de la relación o conexión). Esta modificación en la estructura de base del nodo tiene profundas consecuencias sobre el comportamiento de la SN, tanto para la función del cálculo de las propiedades y el proceso de aprendizaje de las modalidades.

3) Las redes Bi-Modal (BM) (Semeion ©) son de varias capas, como las redes de Sn y Bp, pero se diferencian de estos porque de las ecuaciones que caracterizan a ellos [13]. Cada nodo oculto se realiza en 2 sub-nodos, cada uno equipado con sus propias conexiones de entrada: la primera sub-nodo actúa de acuerdo a la técnica de gradiente descendente, la segunda a través de la cuantificación vectorial. Los resultados de los dos nodos se compone de un único valor de salida. Estas redes, por tanto, proceden de la hibridación de los dos más importantes mecanismos de aprendizaje en el ámbito de la inteligencia artificial: el gradiente descendente y la cuantificación vectorial. El Bi-Modal demuestra una excelente capacidad de convergencia de problemas complejos; además, que no sufren de problemas de mínimos locales manifestado por otros algoritmos, que utilizan el principio de la descendente, gradiente exclusivamente.

4) El Soft Max Análisis discriminante (SMDA) es un modelo de RNAs compuesto por una sola capa de las unidades, sin la capa de unidades ocultas, en donde la función Soft-Max se aplica a la capa de salida.

Modelos estadísticos

Los resultados obtenidos con las redes neuronales antes citada se ha comparado con un modelo lineal de la estadística, es decir, el Análisis discriminante lineal (LDA) (Software SPSS ®).

El protocolo de validación es un procedimiento fundamental para verificar los modelos de la capacidad de generalizar los resultados a que había llegado en la fase de prueba. Entre los diferentes protocolos en la literatura, el modelo seleccionado es el protocolo con la mayor capacidad de generalización de los datos desconocidos para el propio modelo. El conjunto de datos fue al azar subdividen en dos sub-muestras: la primera llamada de Formación Conjunto, y la segunda, denominada Prueba de Conjunto; ANN fijo (y / o el organismo), que está capacitado para la formación Set fue elegido. En esta fase, la ANN aprende a asociar las variables de entrada con las que se indican como objetivos, la matriz de peso producida por el RNAs al final de la etapa de capacitación se salvó, y bloquear con todos los parámetros utilizados para la formación y, por último, cada Caso, pertenecientes a las Pruebas de Conjunto se muestra a la ANN, con el fin de permitir la ANN para expresar una evaluación sobre la base de la formación acaba de realizar. Este procedimiento se lleva a cabo para cada uno de los vectores de entrada, pero cada resultado (la producción de vectores) no es comunicada a la ANN, de esta manera, la ANN se evalúa sólo en referencia a la capacidad de generalización que se ha adquirido durante la etapa de formación.

A continuación, una nueva arquitectura de ANN con idéntica a la anterior y se construyó el procedimiento desde el punto 1 se repitió.

Este plan de formación general se ha desarrollado aún más para aumentar el nivel de fiabilidad de la generalización de los modelos de procesamiento. Los experimentos se han realizado utilizando un criterio de la distribución aleatoria de las muestras. Hemos empleado los 5 × 2 protocolo de validación cruzada, que produce 10 elaboraciones por cada muestra. Consiste en dividir la muestra en cinco ocasiones en dos sub-muestras, que contienen cada una distribución similar de casos y controles [14].

Resultados
Análisis descriptivo

Control de los temas y el leve AD pacientes eran comparables en cuanto a edad y distribución por sexo (véase el cuadro 1].

Figura 1 responde con un representante de Western Blot APP formas, ADAM10, BACE y en 2 niveles de control de los temas y en 2 pacientes leves AD, este último mostrando una alteración de estas tres medidas. Como se muestra, la densidad óptica de la parte superior (130 kDa) APP forma se redujo en AD pacientes en comparación con los controles, siendo APP ratio disminuyó en el primer grupo (grupo A). Por otra parte, una reducción de la densidad óptica y la relación entre ADAM10 patrón interno de control (actina), así como entre los 36 y los 57 kDa kDa BACE formas se demostró en AD (véase el panel B, C). A diferencia estadística significativa estuvo presente en el APP ratio, BACE y ADM10 valores entre los dos grupos (ver Tabla 1].

La significación estadística de las diferencias alcanzaron un valor mayor para ADAM 10 en comparación con BACE y APP, respectivamente, debido fundamentalmente a un menor índice de coeficiente de variación y de un valor más alto índice de correlación (R 2 = 0,012) con la variable de destino (clase de diagnóstico) .

A pesar de estas diferencias promedio existe un cierto grado de superposición de beta amiloide marcadores de los dos valores a través de grupos de estudio, lo que hacía difícil la precisa distinción entre los sujetos individuales que pertenecen a una de las dos clases.

Análisis RNAs

En este estudio dos tipos de protocolos con los modelos de redes neuronales se han llevado a cabo con el fin de distinguir los distintos temas de control de los pacientes leves AD sólo sobre la base de APP, BACE1 y ADAM 10 valores. En el primer protocolo, que incluyó 170 análisis, APP, BACE y ADAM10 constituye la variables de entrada. En el segundo protocolo, que incluyó 150 análisis, las tres posibles combinaciones de doble parámetros constituyen la variables de entrada (APP - BACE; APP - ADAM10; BACE - ADAM)

El cuadro 2 se resumen los resultados relacionados con el promedio de 10 análisis independientes cada uno con diferentes ANN modelo con tres variables de entrada y 5 × 2 protocolo de validación cruzada.

El mejor resultado se obtuvo con Self periódicas Red dinámico Sine Net (SelfDASn) modelo, que alcanzó un índice de exactitud media aritmética de 93,08%. El resultado obtenido con el correspondiente Análisis discriminante lineal (LDA) es igual al 81,6%.

En el cuadro 3 los resultados relacionados con el promedio de 10 análisis independientes cada uno con diferentes ANN modelo utilizando dos variables de entrada y 5 × 2 protocolo de validación cruzada se informó. En estos análisis, Feed-Forward ANN modelos de aprendizaje basado en tres leyes (volver a la propagación, SineNet e BiModal) han sido empleados con el fin de definir de forma más precisa la contribución de cada AD discriminar en el marcador.

La comparación se realizó con LDA y, siendo la más alta exactitud de la ANN. El diferencial entre la tasa de rendimiento de RNAs y LDA fue el siguiente 12% para APP + ADAM (FF-Sn 84,99% - 72,99% LDA), 10,09% para APP + BACE (FF-Sn 82,20% - 72,11% LDA), y de 8,61% ADAM para BACE + (FF-Sn 83,36% - 74,75% LDA).

En las tres variables de protocolo, el diferencial correspondiente valor obtenido con la mejor alimentación adelante RNAs es igual al 6,42% (FF-Sn 88,03% - 81,61% LDA)

Entrada análisis de la pertinencia

Además de evaluar el desempeño general en la tasa objetivo de discriminar entre clases, la AAN modelos permiten la definición de la red de pertinencia de cada una de las entradas se producen en el modelo. Esta evaluación se ha realizado utilizando los siete mejores resultados ANN modelos (precisión global del 97% más alto que en las pruebas ciegas). Como se informó en el Cuadro 4, la entrada de relevancia a que se refiere cada valor independiente marcador se informó. APP ratio resultó ser la variable más relevante en un modelo, alcanzando así el 41%, mientras que ADAM10 y BACE mostró la mayor relevancia de entrada tres veces cada uno.

Discusión

El principal hallazgo de este estudio es que la aplicación de redes neuronales artificiales en un conjunto de biomarcadores de AD, diseñado sobre la cascada amiloide, la mejora en más de un 10% de la precisión en el diagnóstico precoz de la enfermedad.

El potencial de las aplicaciones médicas de biomarcadores de diagnóstico ha generado mucho entusiasmo dentro de la comunidad biomédica para el diagnóstico precoz de enfermedades en AD. Varios biomarcadores se han propuesto en los últimos años como candidatos prometedores para evaluar AD susceptibilidad individual entre en riesgo de la enfermedad.

En los últimos años, hemos asistido a la transición de un único biomarcador a un enfoque de múltiples biomarcadores [15]. El uso simultáneo de diferentes biomarcadores, cada uno de ellos el estudio de un componente de un complejo fisiopatólogicos de la vía, tiene la ventaja intrínseca de captar más información vinculada a la enfermedad en estudio, frente a un único enfoque biomarcador. El uso concomitante de los diferentes factores que pueden disminuir el riesgo de variación aleatoria de un solo factor de ocultar la verdadera señal.

Muchos médicos se toman las decisiones en situaciones en las que los múltiples factores que deben ser ponderados. Debido a las características múltiples de predicción pueden interactuar y en correlación con los resultados de manera compleja, a partir de estadísticas y herramientas de modelado son necesarios para integrar estos datos y para determinar sus consecuencias. Esto también es válido para utilizar biomarcadores. Cuando solo factor enfoque se aplica al análisis de varios marcadores de datos, sólo uno de los factores (marcador) es variado en el tiempo, con los demás factores se mantienen constantes. Este es el caso clásico de técnicas estadísticas multivariable. Con estas técnicas de la interpretación combinada de un determinado conjunto de posibles predictores con respecto a los pacientes individuales puede resultar difícil. Esto se debe principalmente a las limitaciones impuestas por las linearities y no a la compleja interacción entre los factores en estudio.

Redes neuronales puede introducir múltiples factores simultáneamente, la combinación de ellos y recombinación de diferentes maneras de acuerdo a las (en general no lineal) de ecuaciones. Así, el mayor valor predictivo obtenido por AAN podría explicarse debido a la consideración de los parámetros que tal vez no alcanzó significación para toda la población, pero son altamente significativos dentro de los subgrupos. Por otra parte, las estadísticas revelan convencionales sólo los parámetros que son importantes para toda la población.

Los sistemas de adaptación ha precisión superior en comparación con los modelos clásicos de las estadísticas lineal. De hecho, la evaluación de la presencia de AD, RNAs son más eficientes que las convencionales de análisis estadístico, por ejemplo, análisis discriminante, el logro de un correcto funcionamiento (diagnóstico), en muy alto porcentaje de sujetos que, en promedio, y llegar a una exactitud de la predicción del 93% cuando el mejor neto fue Utilizados.

Recientemente, la hipótesis de utilizar una combinación de pruebas bioquímicas con el fin de mejorar la discriminación de AD en las primeras etapas se ha presentado en [8].

El uso de RNAs para la detección de marcadores biológicos de asociación entre la susceptibilidad a la enfermedad y recientemente ha atraído la atención de la comunidad científica y clínica [16, 17]. De hecho, para mejorar la precisión de la combinación de las pruebas de diagnóstico deben considerarse para aumentar el poder discriminativo del análisis. En este sentido, dos estrategias diferentes podrían seguirse: o bien la combinación de las pruebas relacionadas con diferentes vías fisiopatológicas o asociar biomarcadores vinculados a la misma cascada biológica.

En este sentido, puso de manifiesto que AAN modelos permiten evaluar tres elementos clave de la cascada amiloide para fines de diagnóstico, llegando a valores de sensibilidad y especificidad superiores a los obtenidos en la práctica clínica. Los estudios realizados sobre una amplia muestra de pacientes con EA muy leve, pre-sintomáticas sujetos o pacientes con otro tipo de demencia, será útil para confirmar el valor diagnóstico de este enfoque.