针对帕金森病中稀疏DAG生物标志物发现的惩罚性FCI方法
统计方法学
2025-07-02 v1 应用统计
摘要
帕金森病（Parkinson's disease, PD）是一种渐进性神经退行性疾病，缺乏可靠的早期诊断、预后及治疗监测生物标志物。虽然胼胎脑脊液（CSF）生物标志物，如α-肠肽酶扩增测验（alphaSyn-SAA），具有诊断潜力，但其临床实用性受限于侵入性及其特异性不完整。血浆生物标志物提供了一种 minimally 侵入性的替代方案，但其在PD中的机制性作用尚不明确。一个主要挑战在于区分血浆生物标志物是否反映原始神经退行性过程，抑或是疾病进展的下游后果。为此，我们利用帕金森进展标志物计划（Parkinson's Progression Markers Initiative, PPMI）项目9000，包含2924个血浆和CSF生物标志物，系统推断与疾病状态相关的因果关系。然而，只有稀疏子集的这些生物标志物及其相互关联才与疾病实际相关。现有的因果发现算法，如快速因果推断（Fast Causal Inference, FCI）及其变体，面对生物标志物数据集的高维稀疏性，难以实现可扩展性。我们提出惩罚性快速因果推断（Penalized Fast Causal Inference, PFCI）方法，引入稀疏约束以高效推断大规模生物数据集中的因果结构。通过应用于PPMI数据，旨在识别与PD病理相关的因果关联的生物标志物，从而实现早期诊断和患者分层。我们的发现将促进生物标志物驱动的临床试验，推动神经保护疗法的发展。
引用
@article{arxiv.2507.00173,
title = {Penalized FCI for Causal Structure Learning in a Sparse DAG for Biomarker Discovery in Parkinson's Disease},
author = {Samhita Pal and Dhrubajyoti Ghosh and Shu Yang},
journal= {arXiv preprint arXiv:2507.00173},
year = {2025}
}