机器学习识别的MDK得分基于集成的批量和单细胞表达数据,对异常性肺纤维化具有预后价值

科学领域:

• 肺部医学 肺部医学
• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.

背景情况:

• 异形性肺纤维化 (IPF) 是一种渐进的,致命的肺部疾病,发病率越来越高,对其分子基础的理解有限.
• 目前IPF的诊断和治疗策略仍然具有挑战性,原因是复杂的潜在机制.

研究的目的:

• 确定异常性肺纤维化 (IPF) 的新型分子机制和潜在生物标志物.
• 利用基因表达数据和机器学习开发IPF的预测模型.

主要方法:

• 集成的批量和单细胞RNA测序数据集用于伪时间轨迹,切换基因和细胞通信分析.
• 鉴定了与临床指标相关的差异表达切换基因,重点关注预后数据集 (GSE47460).
• 开发了基于中基因 (MDK) 和相关的细胞通信基因的"中基因分数";为IPF预测构建了机器学习模型.

主要成果:

• 鉴定了22个差异表达的切换基因,其中中基因 (MDK) 由于在上皮细胞中的差异表达而成为潜在的IPF生物标志物.
• 中的得分与IPF的临床指标相关.
• 机器学习模型在分类IPF时取得了高准确性 (肺组织AUC为0.94,PBMC为0.86).

结论:

• 中基因 (MDK) 及其相关的细胞通讯通道与IPF病变发生有关.
• 开发的中分数和机器学习模型显示了IPF诊断和预后的前景.
• 这些发现为IPF提供了新的治疗目标和见解,为进一步的研究铺平了道路.