代谢学和机器学习方法用于诊断和预后生物标志物的查在败血症
Han She1,2, Yuanlin Du1,2, Yunxia Du1,2
1Department of Anesthesiology, Daping Hospital, Army Medical University, Chongqing, 400042, China.
BMC anesthesiology
|November 10, 2023
概括
代谢学和机器学习确定了用于败血症诊断和预后的关键代谢物. 通过MAOA基因抑制向氨酸代谢,改善了败血症大鼠的存活率,提供了新的治疗见解.
科学领域:
- 生物化学 生物化学
- 遗传学 遗传学 是一个
- 计算生物学 计算生物学
背景情况:
- 败血症是一种危及生命的疾病,死亡率很高.
- 代谢失调是败血症发展和进展的关键因素.
研究的目的:
- 为了确定与败血症诊断相关的关键代谢物.
- 为了发现败血症结果的预后生物标志物.
- 阐明氨酸代谢在败血症中的作用.
主要方法:
- 利用非向液体染色学-高分辨率质谱仪在败血症患者和健康对照中的代谢学.
- 应用机器学习算法 (SVM,RF) 来识别差异表达代谢物 (DEM).
- 进行了考克斯回归分析,以确定预后标志物,并在有MAOA基因抑制的败血症大鼠模型中验证了研究结果.
主要成果:
- 确定了532种DEM,主要影响氨基酸生物合成和氨酸,氨酸,甘氨酸,氨酸,氨酸,氨酸,氨酸,氨酸,氨酸,氨酸和氨酸代谢.
- 使用机器学习发现了四种用于败血症的诊断生物标志物.
- 在败血症中发现了MAOA基因的显著上调;其抑制改善了败血症大鼠的生存率和平均动脉压.
- 确定了六个DEM作为败血症的预后标志物.
结论:
- 代谢学和机器学习有效地确定了败血症的诊断和预后生物标志物.
- 这项研究强调了代谢变化的关键作用,特别是在氨酸代谢中,在败血症中.
- 这些发现为败血症病理生理学和潜在的治疗点提供了新的见解.
