整合机器学习来识别白细胞中的诊断基因,用于急性心肌梗塞患者

科学领域:

• 基因组学和生物信息学
• 心血管疾病研究研究
• 机器学习在医学中的应用

背景情况:

• 急性心肌梗塞 (AMI) 的特点是错误诊断和白细胞功能障碍的高率.
• 白细胞中的转录RNA与AMI患者的结果有关.
• 这项研究探讨了白细胞转录RNA对AMI的诊断潜力.

研究的目的:

• 使用白细胞转录RNA识别AMI的诊断生物标志物.
• 在临床环境中验证已识别基因的诊断潜力.
• 探索这些生物标志物与疾病严重程度和免疫细胞的关联.

主要方法:

• 集成机器学习 (IML) 被使用,使用六个算法 (SVM,NN,RF,GBM,DT,LASSO).
• 来自基因表达综合 (GEO) 的四个AMI微阵列被分析 (n=220).
• 临床验证涉及20名AMI和20名稳定冠状动脉疾病 (SCAD) 患者.

主要成果:

• 在对照组和AMI患者之间确定了39个差异表达基因 (DEG).
• IML确定了AQP9和SOCS3作为关键诊断基因,曲线下的面积 (AUC) > 0.9.9.
• 较高的AQP9和SOCS3水平与冠状动脉狭窄和基利普分类相关,并且与单细胞和中性粒细胞有关.

结论:

• 白细胞中的AQP9和SOCS3在区分AMI和SCAD患者方面表现有前途.
• 这些基因与单细胞和中性粒细胞的关联可能会促进AMI诊断.
• 需要进一步的多中心大规模试验来确认AQP9和SOCS3.3的临床效用.