USA: Graph-Attention-Netzwerke zeigen begrenzte Vorhersagekraft in ADHD-Transkriptomstudie
Eine aktuelle Studie hat die Leistungsfähigkeit von Graph-Attention-Netzwerken (GAT) bei der Klassifikation von Aufmerksamkeitsdefizit‑Hyperaktivitäts‑Störung (ADHS) anhand von Blut‑RNA‑Sequenzdaten untersucht. Dabei wurden 76 Probanden analysiert, darunter 39 ADHS‑Patienten, 37 Kontrollpersonen und 16 monozygotische Zwillingspaare mit unterschiedlichem Krankheitsstatus.
Methodisches Vorgehen
Die Forschenden setzten einen lecksensiblen Analyse‑Workflow ein, der twin‑aware, gruppen‑stratifizierte Kreuzvalidierung, genbasierte Merkmalsselektion pro Fold und korrigierte Zuordnung von Transkripten zu Genen umfasste. Zusätzlich wurden mehrere Validierungsstrategien, darunter Permutationstests und drei unabhängige Feature‑Importance‑Methoden, angewendet.
Ergebnisse der Modellbewertung
Über 20 wiederholte Kreuzvalidierungs‑Durchläufe erreichte das GAT einen durchschnittlichen AUC‑Wert von 0,624, leicht über dem Wert von 0,599 des Graph‑Convolutional‑Network (GCN). Im Vergleich zu fünf klassischen Machine‑Learning‑Modellen schnitt das GAT auf einem vordefinierten Datensplit besser ab. Dennoch war die Leistung des GAT nicht signifikant von einer permutierten Nullverteilung zu unterscheiden (p = 0,327).
Interpretation der Aufmerksamkeitsgewichte
Die durch das GAT generierten Aufmerksamkeits‑Rankings korrelerten signifikant negativ mit den Ergebnissen von SHAP‑ und Permutations‑Importance‑Analysen. Unabhängige Differential‑Expressions‑Analysen, einschließlich der Vergleiche innerhalb der discordanten Zwillingspaare, sowie Pfad‑Enrichment‑Studien lieferten nach Korrektur für multiples Testen keine reproduzierbaren biologischen Signale.
Validität des Analyse‑Pipelines
Die Wiedererkennung etablierter Ko‑Expressions‑Module und das Fehlen von Unterschieden in Blut‑Zell‑Markern bestätigten die methodische Integrität des Pipelines. Eine explorative Stichprobengrößen‑Berechnung zeigte, dass etwa das Doppelte der aktuellen Stichprobengröße nötig wäre, um den beobachteten Effekt mit konventioneller Power nachzuweisen.
Schlussfolgerungen
Die Autoren schließen, dass Graph‑basierte Modelle zwar leichte Vorhersagegewinne bieten können, die Vorhersageleistung jedoch nicht automatisch mit biologischer Interpretierbarkeit gleichzusetzen ist. Aufmerksamkeits‑abgeleitete Wichtigkeiten sollten demnach als hypothesengenerierend betrachtet werden, solange sie nicht durch unabhängige Validierungen gestützt werden.
Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.
Ende der Uebertragung