Yasuo build的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列線上看、影評和彩蛋懶人包

機器學習方法研究NMDA受體調控的認知功能

為了解決Yasuo build的問題，作者張俊鴻 這樣論述：

背景：機器學習(Machine Learning)是人工智慧的技術應用之一，機器學習算法具有多個優點，包括非線性，容錯和即時性操作，其適合複雜關聯性的分析與預測，開始有研究利用機器學習模型於精準醫學領域。N-methyl-D-aspartate (NMDA) N-甲基-D-天門冬氨酸受體（NMDA receptor, NMDAR）NMDAR路徑傳導低下(hypofunction)是思覺失調症的重要機轉，新的研究也支持NMDAR路徑在認知功能與阿茲海默症的影響。D-amino acid oxidase (DAO, DAAO) 可以代謝增強劑D-serine進而影響NMDAR傳導，然而血中的DA

O濃度與思覺失調症的嚴重度仍未知，NMDAR增強劑D-glutamate在MCI與AD不同認知認知受損是否不同? 是否適合用這些Biomarker分析預測這些認知受損的疾病? 因此我們進行了一系列的研究並利用機器學習模型來嘗試回答這些問題。方法：研究一: 測量兩群不同的思覺失調症病患與健康對照組之周邊血液的DAO蛋白濃度，評估機器學習四種模式區分思覺失調症病患與健康對照組的預測力，並且分析DAO濃度與整體臨床嚴重度(PANSS)，憂鬱嚴重度(HAMD)的相關性。研究二: 測量輕度認知障礙(Mild Cognitive Impairment，MCI)、 阿茲海默症(Alzheimer’s di

sease，AD)兩群認知受損不同程度的病患與健康對照組之周邊血液的D-glutamate濃度。評估機器學習四種模式區分MCI、AD與健康對照組的預測力，並且分析D-glutamate濃度與整體認知功能嚴重度(MMSE)的相關性。結果：研究一：在配對年齡和性別之後，思覺失調症組的血清DAO濃度顯著高於對照組（分別為37.06±16.33 ng / mL和31.58±11.75 ng / mL，p = 0.044）。僅使用血清DAO濃度時，Receiver operating characteristic (ROC) curve分析顯示曲線下面積（AUC）= 0.673，靈敏度= 0.576，特

異性= 0.849。僅使用血清DAO濃度時，SVM模型預測力（AUC）最佳。它的AUC，靈敏度，特異性和準確性分別為0.6702、0.6650、0.6766和0.6702。在使用DAO，性別，年齡和HAMD等四個因素後，隨機森林模型顯示出對思覺失調症的最佳預測，AUC = 0.8104，敏感性= 0.8141，特異性= 0.8080。此外，思覺失調症患者的PANSS總分和HAMD總分與DAO濃度呈正相關（PANSS: r = 0.2179, p = 0.0178, in schizophrenia patients; HAMD: r=0.2769, p