在基于机器学习的2型糖尿病中识别与铁亡相关的基因

科学领域:

• 生物化学 生物化学
• 遗传学 是一个遗传学.
• 生物信息学是一种生物信息学.

背景情况:

• 2型糖尿病 (T2DM) 是一个严重并发症的全球重大健康问题.
• 新兴的研究强调了铁化在T2DM病变发生过程中的作用.
• 这项研究旨在使用生物信息学识别与铁死相关的T2DM新型诊断生物标志物.

研究的目的:

• 在T2DM患者中识别差异表达的铁亡相关基因 (FRG).
• 根据已识别的FRG,开发T2DM的诊断模型.
• 探索与这些FRG相关的潜在治疗点和药物关联.

主要方法:

• 使用基因表达总 (GEO) 和FerrDb数据库用于T2DM和FRG数据.
• 应用LASSO和支持矢量机器递归特征消除 (SVM-RFE) 用于标记基因选择.
• 构建的药物基因相互作用和竞争性内源RNA (ceRNA) 网络.
• 使用西式涂抹,免疫组织化学 (IHC),免疫光 (IF) 和定量实时PCR (qRT-PCR) 验证的基因表达.

主要成果:

• 鉴定了58个与铁亡相关的差异表达基因 (DEGs),在缺氧和铁亡途径中丰富.
• 使用机器学习算法选了八个关键标记基因 (SCD,CD44,HIF1A,BCAT2,MTF1,HILPDA,NR1D2,MYCN).
• 基于这些八个基因,开发了一种高精度的诊断模型.
• 构建了一个ceRNA网络,并确定了48种潜在药物.

结论:

• 已确定的八个与铁灭相关的基因 (FRG) 显示出作为T2DM的诊断生物标志物具有显著的潜力.
• 这些发现为T2DM的病因提供了新的见解,并提出了新的治疗途径.
• 该研究通过实验方法验证了生物信息学预测,加强了研究结果.