TY - JOUR
T1 - Machine learning in Alzheimer’s disease genetics
AU - Bracher-Smith, Matthew
AU - Melograna, Federico
AU - Ulm, Brittany
AU - Bellenguez, C. line
AU - Grenier-Boley, Benjamin
AU - Duroux, Diane
AU - Nevado, Alejo J.
AU - Holmans, Peter
AU - Tijms, Betty M.
AU - Hulsman, Marc
AU - de Rojas, Itziar
AU - Campos-Martin, Rafael
AU - der Lee, Sven van
AU - Castillo, Atahualpa
AU - Küçükali, Fahri
AU - Peters, Oliver
AU - Schneider, Anja
AU - Dichgans, Martin
AU - Rujescu, Dan
AU - Scherbaum, Norbert
AU - Deckert, J. rgen
AU - Riedel-Heller, Steffi
AU - Hausner, Lucrezia
AU - Molina-Porcel, Laura
AU - Düzel, Emrah
AU - Grimmer, Timo
AU - Wiltfang, Jens
AU - Heilmann-Heimbach, Stefanie
AU - Moebus, Susanne
AU - Tegos, Thomas
AU - Scarmeas, Nikolaos
AU - Dols-Icardo, Oriol
AU - Moreno, Fermin
AU - Pérez-Tur, Jordi
AU - Bullido, María J.
AU - Pastor, Pau
AU - Sánchez-Valle, Raquel
AU - Álvarez, Victoria
AU - Boada, Mercè
AU - García-González, Pablo
AU - Puerta, Raquel
AU - Mir, Pablo
AU - Real, Luis M.
AU - Piñol-Ripoll, Gerard
AU - García-Alberca, Jose María
AU - Rodriguez-Rodriguez, Eloy
AU - Soininen, Hilkka
AU - Heikkinen, Sami
AU - de Mendonça, Alexandre
AU - Mehrabian, Shima
AU - Traykov, Latchezar
AU - Hort, Jakub
AU - Vyhnalek, Martin
AU - Sandau, Nicolai
AU - Thomassen, Jesper Qvist
AU - Pijnenburg, Yolande A. L.
AU - Holstege, Henne
AU - van Swieten, John
AU - Ramakers, Inez
AU - Verhey, Frans
AU - Scheltens, Philip
AU - Graff, Caroline
AU - Papenberg, Goran
AU - Giedraitis, Vilmantas
AU - Williams, Julie
AU - Amouyel, Philippe
AU - Boland, Anne
AU - Deleuze, Jean-François
AU - Nicolas, Gael
AU - Dufouil, Carole
AU - Pasquier, Florence
AU - Hanon, Olivier
AU - Debette, Stéphanie
AU - Grünblatt, Edna
AU - Popp, Julius
AU - Ghidoni, Roberta
AU - Galimberti, Daniela
AU - Arosio, Beatrice
AU - Mecocci, Patrizia
AU - Solfrizzi, Vincenzo
AU - Parnetti, Lucilla
AU - Squassina, Alessio
AU - Tremolizzo, Lucio
AU - Borroni, Barbara
AU - Wagner, Michael
AU - Nacmias, Benedetta
AU - Spallazzi, Marco
AU - Seripa, Davide
AU - Rainero, Innocenzo
AU - Daniele, Antonio
AU - Piras, Fabrizio
AU - Masullo, Carlo
AU - Rossi, Giacomina
AU - Jessen, Frank
AU - Kehoe, Patrick
AU - Magda, Tsolaki
AU - Sánchez-Juan, Pascual
AU - Sleegers, Kristel
AU - Ingelsson, Martin
AU - Hiltunen, Mikko
AU - Sims, Rebecca
AU - van der Flier, Wiesje
AU - Andreassen, Ole A.
AU - Ruiz, Agustín
AU - Ramirez, Alfredo
AU - EADB
AU - Ikram, Mohammad Arfan
AU - Mather, Karen
AU - Sachdev, Perminder
AU - Ghanbari, Mohsen
AU - Zulaica, Miren
AU - Yannakoulia, Mary
AU - Woods, Bob
AU - Windle, Gill
AU - Weinhold, Leonie
AU - Wallon, David
AU - Wagner, Michael
AU - Vogelgsang, Jonathan
AU - Vita, Maria Gabriella
AU - Vidal, Jean-Sebastian
AU - Vandenberghe, Rik
AU - van Rooij, Jeroen
AU - van Dongen, Jasper
AU - van Broeckhoven, Christine
AU - Valero, Sergi
AU - Ulstein, Ingun
AU - Ullgren, Abbe
AU - Uitterlinden, Andre
AU - Tybjærg-Hansen, Anne
AU - Thomas, Tegos
AU - Thalamuthu, Anbupalam
AU - Tesí, Niccolo
AU - tárraga, Lluís
AU - Miguel, Andrea
AU - Stordal, Eystein
AU - Spottke, Annika
AU - Sotolongo-Grau, Oscar
AU - Sorbi, Sandro
AU - Solomon, Alina
AU - Skrobot, Olivia
AU - Shadrin, Alexey A.
AU - Selbæk, Geir
AU - Schott, Jonathan M.
AU - Schmid, Matthias
AU - Scherer, Martin
AU - Scarpini, Elio
AU - Scamosci, Michela
AU - Sando, Sigrid B.
AU - Sanchez-Garcia, Florentino
AU - Sánchez-Arjona, María Bernal
AU - García-Gutierrez, Fernando
AU - Saltvedt, Ingvild
AU - Sakka, Paraskevi
AU - Sáez, María Eugenia
AU - Rubino, Elisa
AU - Royo, Jose Luis
AU - Rosende-Roca, Maitée
AU - Allende, Irene Rosas
AU - Rongve, Arvid
AU - Olivé, Claudia
AU - Riederer, Peter
AU - Reinders, Marcel J. T.
AU - Rábano, Alberto
AU - Quintela, Inés
AU - Quenez, Olivier
AU - Puerta, Raquel
AU - Priller, Josef
AU - Posthuma, Danielle
AU - Polak, Thomas
AU - Pisanu, Claudia
AU - Pineda, Juan A.
AU - Pericard, Pierre
AU - Martinez-Lucas, Marta
AU - Paolo, Caffarra
AU - Padovani, Alessandro
AU - Capdevila, Maria
AU - Orsini, Michela
AU - Orellana, Adelina
AU - Olaso, Robert
AU - Nordestgaard, B. rge G.
AU - Ngandu, Tiia
AU - Nöthen, Markus M.
AU - Morgan, Kevin
AU - Montrreal, Laura
AU - Mol, Merel
AU - Menéndez-González, Manuel
AU - Mendoza, Silvia
AU - Meggy, Alun
AU - Medina, Miguel
AU - Mead, Simon
AU - Rodríguez, Carmen Martínez
AU - Montes, Angel Martín
AU - Marshall, Rachel
AU - Marquié, Marta
AU - Marco, Spallazzi
AU - Mangialasche, Francesca
AU - Maier, Wolfgang
AU - MacLeod, Catherine A.
AU - Macías, Juan
AU - Luckcuck, Lauren
AU - löwemark, Malin
AU - Love, Seth
AU - de Munain, Adolfo Lopez
AU - Lleó, Alberto
AU - Lerch, Ondrej
AU - Lehtisalo, Jenni
AU - Lauria, Alessandra
AU - Laukka, Erika J.
AU - Lage, Carmen
AU - Kosmidis, Mary H.
AU - Kornhuber, Johannes
AU - Koivisto, Anne
AU - Kivipelto, Miia
AU - Ståhlbom, Anne Kinhult
AU - Kilander, Lena
AU - Johansson, Charlotte
AU - Jan Biessels, Geert
AU - Hulsman, Marc
AU - Vilas, Raquel Huerto
AU - Holmes, Clive
AU - Hoffmann, Per
AU - Herrmann, Martin J.
AU - Hernández, Isabel
AU - Heneka, Michael T.
AU - Helisalmi, Seppo
AU - Harwood, Janet
AU - Leonenko, Ganna
AU - Hartmann, Annette M.
AU - Hardy, John
AU - Hampel, Harald
AU - Hadjigeorgiou, Georgios
AU - Haapasalo, Annakaisa
AU - Guetta-Baranes, Tamar
AU - Green, Emma
AU - Grande, Giulia
AU - González-Pérez, Antonio
AU - Goldhardt, Oliver
AU - Giorgio, Giaccone
AU - Giegling, Ina
AU - Garcia-Ribas, Guillermo
AU - Garcia-Madrona, Sebastian
AU - García-González, Pablo
AU - García-Alberca, Jose Maria
AU - Froelich, Lutz
AU - Frank-García, Ana
AU - Franco-Macías, Emlio
AU - Fox, Nick C.
AU - Fostinelli, Silvia
AU - Foroud, Tatiana M.
AU - Fortea, Juan
AU - Fließbach, Klaus
AU - Fladby, Tormod
AU - Fischer, Peter
AU - Fin, Bertrand
AU - Ferri, Evelyn
AU - Ferreira, Catarina B.
AU - Fernández-Fuertes, Marta
AU - Fenoglio, Chiara
AU - Farotti, Lucia
AU - Nielsen, Sune Fallgaard
AU - Fabrizio, Tagliavini
AU - Ewers, Michael
AU - Blázquez, Josep
AU - Engelborghs, Sebastiaan
AU - Duron, Emmanuelle
AU - Djurovic, Srdjan
AU - Rossi, Paolo Dionigi
AU - Diez-Fairen, M. nica
AU - Diehl-Schmid, Janine
AU - Denning, Nicola
AU - del Ser, Teodoro
AU - de Deyn, Peter Paul
AU - Dartigues, Jean-François
AU - Dardiotis, Efthimios
AU - Daian, Delphine
AU - Custodero, Carlo
AU - Giuffrè, Guido Maria
AU - Corma-Gómez, Anaïs
AU - Conti, Elisa
AU - Clark, Christopher
AU - Clarimon, Jordi
AU - Claassen, Jurgen A. H. R.
AU - Ciccone, Simona
AU - Chillotti, Caterina
AU - Charbonnier, Camille
AU - Cervera-Carles, Laura
AU - Cecchetti, Roberta
AU - Carracedo, Ángel
AU - Chene, Geneviève
AU - Calero, Miguel
AU - Burholt, Vanessa
AU - Bûrger, Katharina
AU - Buiza-Rueda, Dolores
AU - Brookes, Keeley J.
AU - Brodaty, Henry
AU - Bresner, Catherine
AU - Bråthen, Geir
AU - Bossù, Paola
AU - Boschi, Silvia
AU - Boada, Mercè
AU - Blesa, Rafael
AU - Bizarro, Alessandra
AU - Bellini, Sonia
AU - Binetti, Giuliano
AU - Bessi, Valentina
AU - Besse, C. line
AU - Berr, Claudine
AU - Pastor, Ana Belén
AU - Baquero, Miquel
AU - Banaj, Nerisa
AU - Bailly, Henri
AU - Athanasiu, Lavinia
AU - Pastor, Alfonso Arias
AU - Archetti, Silvana
AU - Arcaro, Marina
AU - Appollonio, Ildebrando
AU - Anthoula, Tsolaki
AU - Armstrong, Nicola J.
AU - Alvarez, Ignacio
AU - Alegret, Montserrat
AU - Alcolea, Daniel
AU - Alarcón-Martín, Emilio
AU - Abdelnour, Carla
AU - Cano, Amanda
AU - Aarsland, Dag
AU - Ahmad, Shahzad
AU - Kleineidam, Luca
AU - Dalmasso, Maria-Carolina
AU - Fernández, Victoria
AU - Andrade, Victor
AU - van der Lee, Sven
AU - Jansen, Iris
AU - Frikke-Schmidt, Ruth
AU - Amin, Najaf
AU - Roshchupkin, Gennady
AU - Lambert, Jean-Charles
AU - van Steen, Kristel
AU - van Duijn, Cornelia
AU - Escott-Price, Valentina
N1 - Publisher Copyright:
© The Author(s) 2025.
PY - 2025/12/1
Y1 - 2025/12/1
N2 - Traditional statistical approaches have advanced our understanding of the genetics of complex diseases, yet are limited to linear additive models. Here we applied machine learning (ML) to genome-wide data from 41,686 individuals in the largest European consortium on Alzheimer’s disease (AD) to investigate the effectiveness of various ML algorithms in replicating known findings, discovering novel loci, and predicting individuals at risk. We utilised Gradient Boosting Machines (GBMs), biological pathway-informed Neural Networks (NNs), and Model-based Multifactor Dimensionality Reduction (MB-MDR) models. ML approaches successfully captured all genome-wide significant genetic variants identified in the training set and 22% of associations from larger meta-analyses. They highlight 6 novel loci which replicate in an external dataset, including variants which map to ARHGAP25, LY6H, COG7, SOD1 and ZNF597. They further identify novel association in AP4E1, refining the genetic landscape of the known SPPL2A locus. Our results demonstrate that machine learning methods can achieve predictive performance comparable to classical approaches in genetic epidemiology and have the potential to uncover novel loci that remain undetected by traditional GWAS. These insights provide a complementary avenue for advancing the understanding of AD genetics.
AB - Traditional statistical approaches have advanced our understanding of the genetics of complex diseases, yet are limited to linear additive models. Here we applied machine learning (ML) to genome-wide data from 41,686 individuals in the largest European consortium on Alzheimer’s disease (AD) to investigate the effectiveness of various ML algorithms in replicating known findings, discovering novel loci, and predicting individuals at risk. We utilised Gradient Boosting Machines (GBMs), biological pathway-informed Neural Networks (NNs), and Model-based Multifactor Dimensionality Reduction (MB-MDR) models. ML approaches successfully captured all genome-wide significant genetic variants identified in the training set and 22% of associations from larger meta-analyses. They highlight 6 novel loci which replicate in an external dataset, including variants which map to ARHGAP25, LY6H, COG7, SOD1 and ZNF597. They further identify novel association in AP4E1, refining the genetic landscape of the known SPPL2A locus. Our results demonstrate that machine learning methods can achieve predictive performance comparable to classical approaches in genetic epidemiology and have the potential to uncover novel loci that remain undetected by traditional GWAS. These insights provide a complementary avenue for advancing the understanding of AD genetics.
UR - https://www.scopus.com/pages/publications/105012217480
U2 - 10.1038/s41467-025-61650-z
DO - 10.1038/s41467-025-61650-z
M3 - Article
C2 - 40691194
SN - 2041-1723
VL - 16
JO - Nat. Commun.
JF - Nat. Commun.
IS - 1
M1 - 6726
ER -