基于深度自重构多任务关联分析(DS-MTAA)的阿尔茨海默病生物标志物挖掘与诊断模型研究

为解决阿尔茨海默病(AD)生物标志物异质性和非线性关联难题，研究人员开发了深度自重构多任务关联分析(DS-MTAA)模型。该方法融合深度神经网络与超图正则化自表达技术，通过多任务框架同步挖掘诊断特异性基因型-表型模式，实验证实其分类性能优于现有方法，为AD机制解析提供了新工具。

　　

随着脑成像技术(brain imaging)和基因分型技术(genotyping)的发展，脑影像遗传学方法已成为解析阿尔茨海默病(AD)发病机制的有力工具。然而AD具有进展性、异质性和复杂性特征，不同诊断组可能携带不同的生物标志物。传统模型往往忽视脑影像遗传数据的非线性关系和固有拓扑特征。

为此，研究者提出深度自重构多任务关联分析(DS-MTAA)模型：首先设计深度神经网络捕捉样本间非线性关联，利用超图正则化(hypergraph regularization)实现网络输出的子空间聚类；继而构建包含稀疏典型相关分析(SCCA)和正则化逻辑回归的多任务框架，每个任务专门学习诊断特异性基因型-表型模式；最终采用RobustBoost分类器进行5折交叉验证。实验表明，DS-MTAA不仅能显著提升分类性能，还可识别与疾病强相关的有效脑生物标志物和遗传标记。该研究为深入理解AD发病机制提供了新视角。

关键词：阿尔茨海默病(AD)、脑影像遗传学(brain imaging genetics)、深度自重构(deep self-reconstruction)、超图正则化、稀疏典型相关分析(SCCA)、DS-MTAA模型