摘要
阿尔茨海默病（Alzheimer’sDisease，AD）作为一类典型的渐进性神经退行性病变，其发病与遗传和环境因素相关。近年来，得益于神经影像与高通量基因组测序技术的进步，影像遗传学可以将遗传信息与大脑结构或功能特征整合，为宏观层面上探索基因与行为及神经系统疾病相关表型之间的关联提供了客观方法。传统的全基因组关联研究（Genome-WideAssociationStudies,GWAS）通过分析单核苷酸多态性（Single-NucleotidePolymorphisms,SNPs）与表型之间的相关性，能够识别与疾病相关联的特定遗传标记。深度学习方法，尤其是图神经网络（GraphNeuralNetworks，GNNs），能够捕捉脑区间复杂的连接关系，揭示脑影像特征与基因变异之间的内在联系。然而，之前关于表型与SNPs关联分析的研究中，没有考虑脑网络之间复杂的连接关系。因此本论文基于GWAS和GNNs理论，将脑影像的神经解剖学和放射组学特征与临床信息结合，研究多脑区多性状与单个SNP之间的关联以及不同特征与脑区对特定SNP的预测潜能。 主要工作和创新点如下： （1）为缓解SNPs类别不均衡的问题，本论文使用基于图数据的Mixup数据增强方法，通过添加混合样本以及权重采样，解决了样本不均衡的问题。 （2）为了使GNNs能够捕捉节点间的远距离依赖关系，增强模型的表征能力。本论文通过随机游走的方式为GNNs中的节点添加位置特征，并将节点特征解耦为结构特征和位置特征，使网络能够同时学习到这两种关键信息。 （3）为充分理解表型对SNP的预测潜能，本论文采用积分梯度的方法量化输入特征对模型分类结果的贡献度。 实验结果表明，对样本进行数据增强后，模型性能有所提高，且在添加了位置特征后，模型对GWAS中与AD显著相关的SNPs预测能力提高了7.83%。整体而言，模型对SNPs有良好的预测能力，且优于随机森林的方法，对GWAS中不显著但与认知相关SNPs同样具有良好的分类准确性。在认知能力的纵向研究发现，模型可以发现潜在的AD患者。在模型的可解释性分析中发现放射组学中的纹理和形状相关特征以及额叶与颞叶相关脑区对基因位点突变具有更高的预测潜能。
NETL