マルチオミックスの統合は分子異質性を明らかにし,セプシス誘発の凝血病の機械学習生存モデルを構築します
Songzan Qian1, Rui Zheng2, Yiyi Shi3
1Department of Intensive Care Unit, The First Affiliated Hospital of Wenzhou Medical University, Wenzhou, 325000, China.
Thrombosis research
|February 19, 2026
まとめ
この研究は,セプシス誘発性凝血症 (SIC) の主要な分子要因を明らかにし,患者のリスクの階層化を改善するための機械学習モデルを開発しています. 統合モデルは,臨床データだけで予測の精度を向上させる.
科学分野:
- バイオケミストリー バイオケミストリー
- ゲノミクスゲノミクスとは
- 機械学習 (Machine Learning) とは,機械学習 (Machine Learning) について学ぶことです.
背景:
- セプシス誘発性凝血症 (SIC) は,高度な異質性と死亡率を示しています.
- 現在の予後モデルには,限られた分子洞察力があるため,精度が欠けている.
- SICにおける高度なリスク層分化の必要性がある.
研究 の 目的:
- マルチオミックスの統合を使用してSICの分子景観を探求する.
- SIC生存率を予測するための堅牢な機械学習 (ML) モデルを開発する.
- SICの早期リスク層分化と精密管理を強化する.
主な方法:
- トランスクリプトミクス (RNA-seq) とプロテオミクスを含む878人のSIC患者の統合マルチオミクス分析.
- 経路の識別のための重量遺伝子共発現ネットワーク分析 (WGCNA) と遺伝子セット濃縮分析 (GSEA).
- 臨床データとトランスクリプトミックのデータを組み合わせた総合的なMLフレームワークの開発.
主要な成果:
- 年齢,SOFAスコア,乳糖値などの臨床的要因は死亡率の予測要因である.
- 特定の遺伝子発現パターン (GABARAPL1,PHLPP1,KLF6など) は,死亡リスクと相関しています.
- 統合MLモデル (Clinical + Transcriptomics) はC指数0.735を達成し,臨床のみのモデル (C指数:0.694) を上回った.
結論:
- メタボリック再プログラム,低酸素,血中代謝は,SICの主要な分子特性である.
- アンサンブルMLモデルは,SIC患者に対する優れたリスク分層化を提供します.
- このアプローチは,セプティック凝固病の精密な管理を容易にする.
