使用机器学习算法探索不同细胞死亡相关基因在败血症诊断中的作用
Xuesong Wang1,2, Ziyi Wang1, Zhe Guo2
1School of Clinical Medicine, Tsinghua University, Beijing 100190, China.
International journal of molecular sciences
|October 14, 2023
概括
研究人员确定了10个关键的编程细胞死亡 (PCD) 相关基因用于败血症诊断. 机器学习模型实现了高精度,为临床败血症诊断和治疗目标提供了新的参考.
科学领域:
- 分子生物学分子生物学
- 计算生物学 计算生物学
- 免疫学 免疫学 免疫学
背景情况:
- 败血症是一种危及生命的感染反应,缺乏可靠的诊断生物标志物.
- 编程细胞死亡 (PCD) 途径与败血症的发病有关.
- 现有的败血症诊断模型是不够的.
研究的目的:
- 通过使用PCD相关基因,识别出新的败血症诊断生物标志物.
- 构建和验证基于机器学习的败血症诊断模型.
- 使用已识别的诊断基因分析与败血症相关的免疫景观.
主要方法:
- 在败血症中对编程细胞死亡 (PCD) 相关基因的分析.
- 使用机器学习算法对诊断相关基因进行查.
- 诊断模型的构建和验证 (AUC 0.7951内部,0.9627外部).
- 诊断基因的定量PCR (qPCR) 验证.
主要成果:
- 通过机器学习确定了10个与诊断相关的基因.
- 开发并验证了一种强大的败血症诊断模型.
- 根据诊断基因观察到免疫格局的显著差异.
结论:
- 已识别的PCD相关基因作为可靠的生物标志物用于败血症诊断.
- 开发的诊断模型显示出高精度和临床应用的潜力.
- 这项研究为败血症诊断和向治疗开发提供了基础.


