基于时间约束联合非负矩阵分解的早期轻度认知障碍影像基因组学研究

这篇研究创新性地提出时间约束联合非负矩阵分解（TCJNMF）算法，通过整合多时间点脑结构磁共振成像（sMRI）数据和DNA甲基化数据，挖掘早期轻度认知障碍（EMCI）的神经影像-表观遗传关联。该算法利用相似性网络融合（SNF）提取时间先验信息，结合半监督学习降低随机性，显著提升了阿尔茨海默病（AD）早期生物标志物识别的敏感性和特异性。

　　

Highlight
本研究首次将多时间点脑区定量特征与DNA甲基化数据整合，提出时间约束联合非负矩阵分解（TCJNMF）算法，通过相似性网络融合（SNF）提取sMRI时间维度信息并正则化约束，结合半监督学习降低噪声干扰，显著提升早期轻度认知障碍（EMCI）神经影像-表观遗传关联模式的挖掘能力。

Discussion
与既往研究相比，本研究首次系统分析了EMCI患者多时间点风险脑区与CpG位点甲基化水平的关联。结果表明，TCJNMF算法能有效捕捉脑萎缩与表观遗传变化的动态关联，例如海马体体积缩小与特定CpG位点高甲基化的协同变化（p<0.01）。这些发现为AD早期干预提供了新型分子影像标志物。

Conclusion
TCJNMF算法通过整合多时间点sMRI和DNA甲基化数据，成功鉴定出EMCI相关风险脑区（如内嗅皮层）、差异甲基化CpG位点（如cg14361672）及其动态关联网络。该模型具有明确的生物学解释性，其模块化分解结果经统计验证（FDR<0.05）和通路富集分析（KEGG hsa05034）证实与AD病理进程显著相关。