通过综合生物信息学分析和机器学习开发和验证初级Sjögren综合征的综合诊断模型

科学领域:

• 免疫学 免疫学 免疫学
• 计算生物学 计算生物学
• 基因组学就是基因组学.

背景情况:

• 主要Sjögren综合征 (pSS) 是一种慢性,全身性自身免疫性疾病,影响外分泌腺,目前的治疗方法有限.
• 早期诊断PSS至关重要,但由于其复杂性质和缺乏特定的诊断工具,因此具有挑战性.
• 显著需要新的诊断策略,以促进PSS患者的早期查和干预.

研究的目的:

• 开发和验证基于机器学习的诊断模型,用于早期检测原发性Sjögren综合征 (pSS).
• 确定一组特定的基因,可以作为pSS诊断的生物标志物.
• 为了评估不同的机器学习算法在预测pSS中的性能.

主要方法:

• 来自基因表达综合数据库 (GEO) 的四个基因表达数据集的分析.
• 使用"limma"包,识别差异表达基因 (DEGs).
• 随机森林 (RF) 用于基因特征识别和机器学习模型 (ANN,RF,SVM) 用于诊断模型构建的应用.

主要成果:

• 在pSS.中共发现了96个差异表达基因 (DEGs).
• 一个由14个特征基因组成的小组,对转录调节和疾病进展至关重要,使用RF分类来确定.
• 机器学习模型表现出高的诊断性能,RF模型实现了最佳的预测准确性 (验证集上的AUC为0.8321).

结论:

• 使用机器学习成功开发了一种有效的初级Sjögren综合征 (pSS) 早期预测模型.
• 开发的模型具有高的诊断性能,为PSS查和早期诊断提供了宝贵的工具.
• 已识别的14个基因签名为pss提供了潜在的生物标志物,提高了诊断能力.