ترجمه فارسی مقاله فنوتیپ دیجیتالی از ابزارهای پوشیدنی با استفاده از هوش مصنوعی، اختلالات روانپزشکی را مشخص می کند و ارتباط ژنتیکی را شناسایی می کند.

چکیده

Psychiatric disorders are complex and influenced by both genetic and environmental factors. However, studying the full spectrum of these disorders is hindered by practical limitations on measuring human behavior. This highlights the need for novel technologies that can measure behavioral changes at an intermediate level between diagnosis and genotype. Wearable devices are a promising tool in precision medicine, since they can record physiological measurements over time in response to environmental stimuli and do so at low cost and minimal invasiveness. Here we analyzed wearable and genetic data from a cohort of the Adolescent Brain Cognitive Development study. We generated >250 wearable-derived features and used them as intermediate phenotypes in an interpretable AI modeling framework to assign risk scores and classify adolescents with psychiatric disorders. Our model identifies key physiological processes and leverages their temporal patterns to achieve a higher performance than has been previously possible. To investigate how these physiological processes relate to the underlying genetic architecture of psychiatric disorders, we also utilized these intermediate phenotypes in univariate and multivariate GWAS. We identified a total of 29 significant genetic loci and 52 psychiatric-associated genes, including ELFN1 and ADORA3. These results show that wearable-derived continuous features enable a more precise representation of psychiatric disorders and exhibit greater detection power compared to categorical diagnostic labels. In summary, we demonstrate how consumer wearable technology can facilitate dimensional approaches in precision psychiatry and uncover etiological linkages between behavior and genetics.

چکیده به فارسی (ترجمه ماشینی)

اختلالات روانپزشکی پیچیده و تحت تأثیر عوامل ژنتیکی و محیطی است.با این حال ، مطالعه طیف کامل این اختلالات با محدودیت های عملی در اندازه گیری رفتار انسان مانع می شود.این امر نیاز به فن آوری های جدید را که می توانند تغییرات رفتاری را در یک سطح متوسط ​​بین تشخیص و ژنوتیپ اندازه گیری کنند ، برجسته می کند.دستگاه های پوشیدنی ابزاری امیدوار کننده در پزشکی دقیق هستند ، زیرا آنها می توانند در پاسخ به محرک های محیطی ، اندازه گیری های فیزیولوژیکی را با گذشت زمان ثبت کنند و این کار را با هزینه کم و حداقل تهاجمی انجام دهند.در اینجا ما داده های پوشیدنی و ژنتیکی را از یک گروه از مطالعه رشد شناختی مغز در بزرگسالان تجزیه و تحلیل کردیم.ما> 250 ویژگی مشتق شده پوشیدنی را ایجاد کردیم و از آنها به عنوان فنوتیپ میانی در یک چارچوب مدل سازی AI قابل تفسیر استفاده کردیم تا نمرات ریسک را اختصاص داده و نوجوانان را با اختلالات روانپزشکی طبقه بندی کنیم.مدل ما فرآیندهای فیزیولوژیکی کلیدی را مشخص می کند و الگوهای زمانی آنها را برای دستیابی به عملکرد بالاتر از آنچه قبلاً ممکن بود ، اعمال می کند.برای بررسی چگونگی ارتباط این فرآیندهای فیزیولوژیکی با معماری ژنتیکی اساسی اختلالات روانپزشکی ، ما همچنین از این فنوتیپ های میانی در GWA های یک متغیره و چند متغیره استفاده کردیم.ما در مجموع 29 مکان ژنتیکی قابل توجه و 52 ژن مرتبط با روانپزشکی ، از جمله ELFN1 و ADORA3 را شناسایی کردیم.این نتایج نشان می دهد که ویژگی های مداوم مشتق از پوشیدنی ، نمایش دقیق تری از اختلالات روانپزشکی را امکان پذیر می کند و قدرت تشخیص بیشتری را در مقایسه با برچسب های تشخیصی طبقه بندی می کند.به طور خلاصه ، ما نشان می دهیم که چگونه فناوری پوشیدنی مصرف کننده می تواند رویکردهای بعدی را در روانپزشکی دقیق تسهیل کند و پیوندهای اتیولوژیکی بین رفتار و ژنتیک را کشف کند.