アルツハイマー病（AD）の病因における脳領域の活動と遺伝子型機能の役割は不明なままです。一方で、現在の画像遺伝学的方法では、脳ネットワークと遺伝的変異の相関分析によって潜在的な病因マーカーを特定することが困難です。特定の脳構造と細粒度のレベルから疾患関連の脳コネクトームを発見するために、AAL（自動解剖ラベリング）とヒトBrainnetomeアトラスに基づいて、各被験者の機能的脳ネットワークが最初に構築されます。具体的には、機能的接続性行列の上三角要素が接続性特徴として抽出されます。クラスタリング係数と平均加重ノード次数が各脳領域の重要性を評価するために開発されます。構築された脳ネットワークと遺伝データは、非線形性、高次元性、および少数の被験者によって特徴づけられるため、深層サブスペースクラスタリングアルゴリズムが元のデータを再構築するために提案されています。我々の多層ニューラルネットワークは非線形多様体を捉えるのに役立ち、サブスペースクラスタリングはサンプル間のペアワイズ親和性を学習します。さらに、神経画像遺伝学におけるほとんどのアプローチは教師なし学習であり、疾患に関連する診断情報を無視しています。我々は、画像遺伝学相関分析を指示するために診断ステータスを持つラベル制約を提示しました。この目的のために、診断指導深層サブスペースクラスタリング関連（DDSCA）手法が開発され、遺伝型を機能的ネットワーク表現と統合することによって脳コネクトームとリスク遺伝因子を発見します。広範な実験により、DDSCAがほとんどの関連手法に対して優れた性能を達成し、粗粒度および細粒度レベルで疾患関連の遺伝マーカーと脳コネクトームを効果的に選択することが証明されています。
Jiao et al. (Mon,) はこの問題を研究しました。