相关实验视频
Updated: Jul 21, 2025
08:46
A Neonatal Imaging Model of Gram-Negative Bacterial Sepsis
Published on: August 12, 2020
6.5K
新生儿败血症中的生物信息分析和机器学习方法:生物标志物的识别和免疫透
Zhou Jiang1, Yujia Luo1, Li Wei1
1Department of NICU, Sir Run Run Shaw Hospital, School of Medicine, Zhejiang University, No. 368 Xiasha Road, Qiantang District, Hangzhou 310016, China.
Biomedicines
|July 29, 2023
概括
新生儿败血症 (NS) 的发病原因尚不清楚. 这项研究确定了与免疫反应相关的四个关键生物标志物 (HK3,CST7,RETN,GYG1),为预测和治疗这种危及生命的疾病提供了洞察力.
科学领域:
- 新生儿免疫学 新生儿免疫学
- 计算生物学是一种计算生物学.
- 基因组学就是基因组学.
背景情况:
- 新生儿败血症 (NS) 是一种严重的疾病,疾病机制尚不清楚.
- 识别分子标记物对于早期诊断和有效治疗至关重要.
研究的目的:
- 使用生物信息学识别新生儿败血症的新生物标志物.
- 探索已识别的生物标志物与免疫细胞透之间的关系.
主要方法:
- 在GEO数据库上的差异基因表达分析.
- 功能丰富分析和机器学习 (LASSO,SVM-RFE,RF) 进行最佳特征基因选择.
- 免疫细胞丰度和相关性分析的CIBERSORT分析.
主要成果:
- 在新生儿败血症中鉴定出44个差异表达基因 (DEGs).
- 四个最佳特征基因 (OFG) - HK3,CST7,RETN,GYG1 - 成为潜在的生物标志物.
- 在外部数据集和细胞模型中验证的生物标志物;与中性粒细胞,M0巨细胞和调控性T细胞的相关性得到证实.
结论:
- HK3,CST7,RETN和GYG1显示为新生儿败血症的诊断和治疗生物标志物具有前途.
- 这些生物标志物与NS的免疫失调有关,提供了分子洞察力.
- 进一步的研究可以利用这些发现来改善预测和治疗策略.
