应用多种机器学习方法来确定2型糖尿病中关键的热化分子

科学领域:

• 分子生物学分子生物学
• 免疫学 免疫学 免疫学
• 遗传学 是一个遗传学.

背景情况:

• 作为一种被编程的细胞死亡途径的灭,与2型糖尿病 (T2DM) 和其并发症有关.
• 在T2DM病原发生过程中至关重要的特定热分子在很大程度上仍然未被识别.

研究的目的:

• 鉴定T2DM中起着重要作用的关键灭相关基因.
• 探索这些基因作为T2DM的诊断标记物和治疗点的潜力.

主要方法:

• 对T2DM的公共转录造型数据集 (GSE20966,GSE95849,GSE26168) 的分析.
• 机器学习模型 (随机森林,SVM,XGBoost,GLM) 和WGCNA的应用,以识别关键的灭基因.
• 用于临床预测,免疫透分析 (CIBERSORT) 和药物向关系识别的诺摩图构造.

主要成果:

• 在T2DM样本中,热致死基因通常被上调.
• 一个包含BAK1,CHMP2B,NLRP6,PLCG1和TIRAP的支持矢量机器 (SVM) 模型显示出高诊断准确度 (AUC=1).
• 在T2DM中观察到减少NK细胞丰度和增加中性粒细胞透,NLRP6与中性粒细胞呈正相关性. 几种药物被确定为关键 pyroptosis 基因的潜在目标.

结论:

• 这项研究提议BAK1,CHMP2B,NLRP6,PLCG1和TIRAP作为T2DM中关键的烧灭基因.
• 这些已识别的基因代表了管理T2DM及其相关并发症的潜在新型治疗点.