基于集体学习的基础上,构建和验证用于心房动的与cuproptosis相关的诊断基因签名

科学领域:

• 心血管研究研究心血管研究
• 分子生物学分子生物学
• 计算生物学 计算生物学

背景情况:

• 心房动 (AF) 是一种常见的心律失常,具有诊断挑战.
• 细胞死亡,包括cuproptosis,涉及到AF的发病.
• 需要新的AF诊断标志物.

研究的目的:

• 为了确定与cuproptosis相关的AF诊断的新型基因特征.
• 使用计算方法探索cuproptosis和AF之间的联系.
• 根据与cuproptosis相关的基因开发AF的诊断模型.

主要方法:

• 组合学习 (随机森林,极端梯度提升) 用于基因选择.
• 光梯度增强机 (LightGBM) 用于诊断模型的构建.
• 微RNA-转录因子-信使RNA网络分析和CIBERSORT用于免疫细胞透分析.

主要成果:

• 两种与cuproptosis相关的基因SLC31A1和LIAS被确定为AF的潜在诊断标记物.
• 使用这些基因的诊断模型实现了AUC>0.75.5.
• 预测HOXA9和TET1可以调节AF中的SLC31A1和LIAS.
• 杯症与免疫细胞活动有关,在AF患者中中性粒细胞增加.
• 观察到SLC31A1/LIAS和各种免疫细胞之间的特定相关性.

结论:

• 通过使用LightGBM算法,成功开发了一种与cuproptosis相关的AF诊断模型.
• 在AF中,HOXA9和TET1可能会调节cuproptosis.
• 在AF的背景下,cuproptosis可能与透的免疫细胞相互作用.