使用机器学习方法,构建和验证基于亡相关的生物标记物的亚托皮炎诊断模型
Wenfeng Wu1, Gaofei Chen1,2, Zexin Zhang3
1The Second Clinical College, Guangzhou University of Chinese Medicine, Guangzhou, China.
BMC medical genomics
|June 17, 2023
概括
这项研究开发了一个准确的诊断模型,用于Atopic皮肤炎 (AD) 使用机器学习和 pyroptosis 相关的生物标记 (PRBMs). 最佳极端梯度增强 (XGB) 模型识别了关键的PRBM,用于精确的AD诊断.
科学领域:
- 免疫学和计算生物学
- 发现生物标志物的发现.
- 皮肤病学 皮肤病学
背景情况:
- 亚托邦性皮肤炎 (AD) 的诊断可能具有挑战性.
- 确定可靠的生物标志物对于准确的诊断和治疗至关重要.
- 与炎症相关的基因 (PRGs) 与炎症过程有关.
研究的目的:
- 开发一种机器学习模型,用于准确的亚托匹性皮炎 (AD) 诊断.
- 为了确定AD诊断的关键热与相关的生物标记物 (PRBMs).
- 用独立的数据集验证诊断模型.
主要方法:
- 从MSigDB获得的PRG和从GEO获得的基因表达数据.
- 进行了差异表达分析和免疫细胞透分析.
- 使用随机森林,SVM,XGBoost和GLM构建诊断模型,并与独立数据集验证.
主要成果:
- 在阿尔茨海默病患者和健康个体之间确定了九种差异表达的PRG.
- 在免疫细胞群中发现了显著的变化,包括增加的CD4+T细胞和树突细胞.
- 在XGBoost模型中,使用了五个关键PRBM (HDAC1,GPALPP1,LGALS3,SLC29A1,RWDD3) 实现了最佳性能.
结论:
- 基于五个PRBMs开发的XGBoost模型提供了Atopic皮肤炎 (AD) 的准确诊断.
- 这种方法为AD诊断中的临床应用提供了一个有希望的工具.
- 需要进一步验证和临床试验.
