代谢学和机器学习确定代谢差异和频繁与不频繁的痛风爆发的潜在生物标志物
1Department of Endocrinology and Metabolism, the Affiliated Hospital of Qingdao University, Qingdao, China and Shandong Provincial Clinical Research Center for Immune Diseases and Gout, Qingdao, China.
Arthritis & rheumatology (Hoboken, N.J.)
|June 30, 2023
概括
这项研究确定了与不常见的痛风发作 (InGF) 和频繁的痛风发作 (FrGF) 相关的不同的代谢概况和途径. 机器学习模型有效地使用这些已识别的代谢物预测痛风发作频率.
科学领域:
- 代谢学 代谢学 代谢学
- 系统生物学 系统生物学
- 机器学习 机器学习
背景情况:
- 痛风发作,以突发的关节疼痛,炎症和胀为特征,可以不频繁或频繁.
- 了解这些表现之间的潜在代谢差异对于开发有针对性的干预措施至关重要.
研究的目的:
- 为了识别差异化代谢物和代谢途径,区分罕见的痛风发作 (InGF) 和频繁的痛风发作 (FrGF).
- 开发和验证使用机器学习算法和已识别的代谢物对痛风发作频率的预测模型.
主要方法:
- 来自发现和验证队伍的血清样本的非向和向代谢分析.
- 途径丰富分析和网络传播算法,以识别失调的代谢途径.
- 机器学习算法用于预测模型开发和优化.
主要成果:
- 在InGF和FrGF组之间确定了439种不同的代谢物.
- 最重要的失调路径包括碳水化合物,氨基酸,胆酸和核酸代谢.
- 开发了一个具有0.88 (发现) 和0.67 (验证) 的接收器操作特征曲线下的区域的预测模型.
结论:
- 明显的代谢变化是少见和频繁的痛风爆发的基础.
- 代谢分析和机器学习可以有效地区分痛风爆发频率.
- 这些发现表明表观遗传修饰和肠道微生物组在代谢变化中的潜在作用.
更多相关视频
11:02Identification and Quantification of Deranged Metabolites in Critically Ill Patients Using NMR-Based Metabolomics
Published on: November 29, 2024
578
07:34Large Scale Non-targeted Metabolomic Profiling of Serum by Ultra Performance Liquid Chromatography-Mass Spectrometry UPLC-MS
Published on: March 14, 2013
12.8K
