基于二部网络轨迹聚类识别与预测帕金森病亚型
应用统计
2020-07-01 v2 动力系统
生物物理
数据分析、统计与概率
摘要
帕金森病（PD）是一种常见的神经退行性疾病，其临床特征、进展速率以及变量随时间的改变均具有高度异质性。本工作中，我们提出一种新颖的、数据驱动的、基于网络的轨迹轮廓聚类（TPC）算法，用于 1）识别 PD 亚型以及 2）对个体患者的疾病进展进行早期预测。我们的亚型识别不仅基于 PD 变量，还基于其复杂的进展模式，为分析大型异质性纵向数据提供了有用工具。具体而言，我们依据患者轨迹的相似性进行聚类，这些轨迹通过连接患者与人口统计学、临床和遗传变量的一系列时间序列二部网络来刻画。我们将该方法应用于来自帕金森病进展标志物倡议（PPMI）数据集的人口统计学与临床数据，识别出 3 个患者簇，对应于 3 种 distinct PD 亚型，每种均具有特征性的变量进展轮廓。此外，TPC 基于基线评估预测个体患者的亚型及未来疾病轨迹。在我们的方法中，测试/验证队列中第 5 年的亚型预测准确率达 74%。进而，我们表明遗传变异性可无缝整合进 TPC 方法。总之，以 PD 作为慢性进展性疾病的模型，我们表明 TPC 可利用高维纵向数据集进行亚型识别与个体疾病亚型的早期预测。我们预期该方法将广泛适用于多种慢性疾病的多维纵向数据集。
引用
@article{arxiv.1906.05338,
title = {Identifying and Predicting Parkinson's Disease Subtypes through Trajectory Clustering via Bipartite Networks},
author = {Sanjukta Krishnagopal and Rainer Von Coelln and Lisa M. Shulman and Michelle Girvan},
journal= {arXiv preprint arXiv:1906.05338},
year = {2020}
}
备注
14 pages, 4 figures