类似性网络融合以识别妊娠年龄小的胎儿的表型
Jezid Miranda1,2, Cristina Paules1,3, Guillaume Noell4
1BCNatal - Barcelona Center for Maternal-Fetal and Neonatal Medicine (Hospital Clínic and Hospital Sant Joan de Deu), IDIBAPS, University of Barcelona, and Centre for Biomedical Research on Rare Diseases (CIBER-ER), Barcelona, Spain.
iScience
|September 11, 2023
概括
机器学习使用multiomics数据确定了两个不同的胎儿生长限制 (FGR) 亚型. 这些亚型具有独特的分子和临床特征,可以更好地预测受FGR影响的怀孕中不良结果.
科学领域:
- 围产儿医学 围产儿医学
- 基因组学就是基因组学.
- 计算生物学 计算生物学
背景情况:
- 胎儿生长限制 (FGR) 影响5-10%的怀孕,是胎儿死亡的主要原因.
- 由于FGR的不同临床表现,使标准化分类和风险评估变得复杂.
- 现有的分类系统在与FGR的多现象性质作斗争.
研究的目的:
- 利用机器学习和多态学数据来识别FGR中的新型表型.
- 根据分子和临床数据开发FGR的公正分类系统.
- 改善FGR的临床决策和预测不良结果.
主要方法:
- 使用机器学习算法对FGR病例进行公正的集群分析.
- 整合多基因组数据 (基因组,转录基因组等) 进行全面分析.
- 机器学习衍生集群与单一数据类型分析和当前临床分类的比较.
主要成果:
- 证实了两种不同的人类FGR亚型具有独特的分子和临床特征.
- 与单个数据分析相比,机器学习驱动的FGR亚型显示出对母亲和新生儿不良结果的优异预测性能.
- 已识别的亚型为完善当前临床FGR分类提供了生物支持.
结论:
- 机器学习和多组学分析可以有效地划分FGR亚型.
- 这些新的FGR表型为围产期风险提供了更好的分层.
- 拟议的方法支持完善FGR的临床分类系统,增强患者护理.
