在老鼠中使用机器学习算法对 premenstrual dysphoric 障碍的致病因子进行表征
Yu-Wei Chang1, Taichi Hatakeyama1, Chia-Wei Sun2
1Department of Veterinary Physiology, Graduate School of Agricultural and Life Sciences, The University of Tokyo, 1-1-1 Yayoi, Bunkyo-ku, Tokyo, 113-8657, Japan.
Molecular and cellular endocrinology
|July 8, 2023
概括
研究人员开发了一种机器学习方法,以识别 premenstrual dysphoric disorder (PMDD) 的原因. 这种方法在老鼠中准确诊断了PMDD症状,为潜在的人类诊断工具铺平了道路.
科学领域:
- 神经科学是一个神经科学.
- 遗传学 遗传学 是一个
- 计算生物学 计算生物学
背景情况:
- 月经前失调障碍 (PMDD) 呈现出各种情绪和身体症状,使得诊断具有挑战性.
- 识别PMDD的致病因素对于有效的诊断和治疗至关重要.
研究的目的:
- 建立基于机器学习的方法来诊断月经前失调障碍 (PMDD).
- 为了确定与PMDD病变发生相关的关键基因.
主要方法:
- 无监督的机器学习被用来根据焦虑和抑郁行为对伪怀孕的老鼠进行集群.
- 在海马样本上进行了RNA测序 (RNA-seq) 和定量PCR (qPCR).
- 通过监督机器学习的两步特征选择,确定了17个关键诊断基因.
主要成果:
- 伪怀孕的老鼠被分为三个不同的行为集群 (C1-C3).
- 使用17个关键基因的诊断模型在分类小鼠PMDD症状时达到96%的准确性.
- 这些已识别的基因是PMDD的潜在生物标志物.
结论:
- 开发的机器学习方法为PMDD诊断提供了一个有前途的方法.
- 未来的应用可能涉及使用血液样本用于人类的临床诊断.
- 这项研究为了解PMDD的遗传基础提供了基础.
