目的:探讨快速老化相关miRNAs在遗忘型轻度认知功能障碍(aMCI)患者血清中的表达,阐明其在aMCI发病中的作用。方法:选取aMCI患者(aMCI组,n=66)和认知功能正常老年人(对照组,n=76)为研究对象。采用实时定量PCR技术(qRT-PCR)检测2组受试者...目的:探讨快速老化相关miRNAs在遗忘型轻度认知功能障碍(aMCI)患者血清中的表达,阐明其在aMCI发病中的作用。方法:选取aMCI患者(aMCI组,n=66)和认知功能正常老年人(对照组,n=76)为研究对象。采用实时定量PCR技术(qRT-PCR)检测2组受试者血清中miR-132、miR-193b、miR-130b、miR-20a、miR-296、miR-329和miR-206的表达。采用TargetScan 6.0软件对差异表达的血清miRNAs进行靶基因预测,并通过DAVID在线工具分析靶基因生物学功能;利用酶联免疫吸附实验(ELISA)检测2组受试者血清中靶基因的水平。结果:aMCI组患者血清miR-206和miR-132表达水平均明显高于对照组(P<0.05),其他miRNAs则差异无统计学意义(P>0.05)。靶基因预测,脑源性神经营养因子(BDNF)和沉默信息调节因子1(SIRT1)共为miR-206和miR-132的靶基因。aMCI组患者血清BDNF和SIRT1表达水平均明显低于对照组(BDNF:29.50μg·L^(-1)±3.13μg·L^(-1) vs 32.29μg·L^(-1)±3.66μg·L^(-1);SIRT1:1.86μg·L^(-1)±0.25μg·L^(-1) vs 2.10μg·L^(-1)±0.29μg·L^(-1)),2组比较差异均有统计学意义(P<0.05)。结论:miR-206和miR-132在aMCI患者血清中表达水平明显升高,二者可能通过调控其靶基因BDNF和SIRT1的表达参与aMCI发病过程。展开更多
文摘目的:探讨快速老化相关miRNAs在遗忘型轻度认知功能障碍(aMCI)患者血清中的表达,阐明其在aMCI发病中的作用。方法:选取aMCI患者(aMCI组,n=66)和认知功能正常老年人(对照组,n=76)为研究对象。采用实时定量PCR技术(qRT-PCR)检测2组受试者血清中miR-132、miR-193b、miR-130b、miR-20a、miR-296、miR-329和miR-206的表达。采用TargetScan 6.0软件对差异表达的血清miRNAs进行靶基因预测,并通过DAVID在线工具分析靶基因生物学功能;利用酶联免疫吸附实验(ELISA)检测2组受试者血清中靶基因的水平。结果:aMCI组患者血清miR-206和miR-132表达水平均明显高于对照组(P<0.05),其他miRNAs则差异无统计学意义(P>0.05)。靶基因预测,脑源性神经营养因子(BDNF)和沉默信息调节因子1(SIRT1)共为miR-206和miR-132的靶基因。aMCI组患者血清BDNF和SIRT1表达水平均明显低于对照组(BDNF:29.50μg·L^(-1)±3.13μg·L^(-1) vs 32.29μg·L^(-1)±3.66μg·L^(-1);SIRT1:1.86μg·L^(-1)±0.25μg·L^(-1) vs 2.10μg·L^(-1)±0.29μg·L^(-1)),2组比较差异均有统计学意义(P<0.05)。结论:miR-206和miR-132在aMCI患者血清中表达水平明显升高,二者可能通过调控其靶基因BDNF和SIRT1的表达参与aMCI发病过程。
文摘目的建立基于海马MRI影像组学的预测模型,以评估2型糖尿病(type 2 diabetes mellitus,T2DM)患者的认知功能水平属于认知正常(cognitive normal,CN)、轻度认知障碍(mildly cognitively impaired,MCI)还是痴呆(dementia,Dem)。材料与方法回顾性纳入140例T2DM患者的临床资料和MRI影像资料,根据蒙特利尔认知评估量表北京版(Montreal Cognitive Assessment Beijing version,MoCA-B)评分分为CN组、MCI组及Dem组,按照7∶3的比例随机分配至训练集(n=98)和测试集(n=42)以验证模型性能。使用联影智能平台(u AI Research Portal,uRP)勾画左右海马体感兴趣区(region of interest,ROI),提取影像组学特征,用方差阈值法和特征权重评估算法(Relief)进行特征降维,将其MRI影像组学特征使用十二个分类器构建机器学习(machine learning,ML)模型,并采用混淆矩阵评估分类模型性能。在训练数据中探讨最优截止点和调整参数,并在试验数据中对模型进行进一步评价。通过比较各分类器曲线下面积(area under the curve,AUC)确定最佳算法。结果从海马MRI的2313个原始组学特征中通过K-best选择方法确定了10个关键特征,进一步应用Select KBest,最终识别出2个最优特征。在CN组、MCI组、Dem组中使用十二个分类器进行训练时,二次判别分析(quadratic discriminant analysis,QDA)算法在分类器中表现最佳,训练集各组的AUC分别为0.869、0.854和0.893;测试集各组的AUC分别为0.819、0.779和0.811。结论基于海马MRI的QDA模型对T2DM患者认知功能障碍及其严重程度具有预测价值。
