基于微RNA的机器学习模型用于诊断基本高血压
Amela Jusic1,2, Inela Junuzovic3, Ahmed Hujdurovic3
1Cardiovascular Research Unit, Department of Precision Health, Luxembourg Institute of Health, L-1445 Strassen, Luxembourg.
Non-coding RNA
|November 21, 2023
概括
通过整合微RNA (miRNA) 和临床风险因素,可以改善基本高血压诊断. 一个结合特定miRNA和风险因素的机器学习模型在对高血压患者进行分类时显示出高准确度.
科学领域:
- 生物标志物 生物标志物
- 基因组学就是基因组学.
- 心血管疾病研究研究
背景情况:
- 基本高血压,占90-95%的病例,是主要的心血管疾病风险因素.
- 鉴定基本高血压的新生物标志物对于理解其病理生理学和开发个性化治疗至关重要.
- 这项研究研究了循环微RNA (miRNA) 和临床风险因素的整合,使用机器学习来改善高血压诊断和管理.
研究的目的:
- 为了确定新型的循环微RNA (miRNA) 生物标志物用于基本高血压.
- 开发和评估一个机器学习模型,将miRNA和临床风险因素集成为高血压分类.
- 探索miRNA生物标志物的潜力,以了解高血压病理生理学和个性化治疗.
主要方法:
- 一项观察性病例控制研究,涉及174名参与者 (89名高血压患者,85名对照).
- 在全血样 (30名患者,30名对照组) 中使用小RNA测序的发现阶段.
- 验证阶段使用RT-qPCR和机器学习 (支持矢量机器) 与170名参与者.
主要成果:
- 在高血压患者中发现了7种miRNA的下调;六个通过RT-qPCR得到证实.
- 一种支持向量机模型将临床风险因素 (性别,BMI,酒精使用,吸烟,家族病史) 与miR-361-3p和miR-501-5p结合起来,实现了0.90的AUC.
- 该模型表现出高分类性能:平衡精度为0.87,灵敏度为0.83,特异性为0.91.
结论:
- 循环中的miRNAs,特别是miR-361-3p和miR-501-5p,显示出作为基本高血压的生物标志物的潜力.
- 开发的集成miRNA和临床因素的机器学习模型显示出对高血压诊断和管理的前景.
- 在临床应用之前,需要在独立队列中进一步验证.
