带有多元响应的回归混合模型用于发现带有检测限制的阿尔茨海默病生物标志物的亚型
摘要：阿尔茨海默病（AD）的诊断没有黄金标准，除了尸体解剖。无监督学习可以揭示AD的病理生理学。一种回归混合模型能够同时识别多个生物标志物的聚类，同时考虑聚类内的人口学影响。脑脊液（CSF）中的AD生物标志物具有检测限制，这增加了额外的挑战。我们应用一种多元截断高斯分布的回归混合模型（也称为截断多元高斯混合回归或截断多元Tobit回归混合模型）对Emory Goizueta Alzheimer's疾病研究中心和Emory健康大脑研究中心的3000多名参与者进行分析，研究他们脑脊液中的Abeta42、总tau蛋白和磷酸化tau蛋白，这些都有已知的检测限制。我们在截断多元高斯分布的回归混合模型的文献中解决了三个差距：软件可获得性、推断和聚类准确性。我们发现了三个聚类，倾向于与AD组、正常对照组和非AD病理学对齐。CSF的表型差异表现出种族、性别和基因标记ApoE4的差异，突出了考虑检测限制下人口学因素在无监督学习中的重要性。值得注意的是，在AD样组中非洲裔美国参与者的tau负担显著较低。
作者：Ganzhong Tian, John Hanfelt, James Lah, Benjamin Risk
论文ID：2303.00715
分类：Applications
分类简称：stat.AP
提交时间：2023-03-02