相关实验视频
Updated: Jul 5, 2025
06:03
Electrolytic Inferior Vena Cava Model EIM of Venous Thrombosis
Published on: July 12, 2011
17.1K
乳酸代谢相关分子与静脉血栓栓塞之间的关联:基于生物信息学和体外模型的研究
Zhong Qin1, Jing Chen1, Jianfeng Zhang1
1Department of Vascular Surgery, The First Affiliated Hospital of Guangxi Medical University, Nanning, Guangxi 530021, P.R. China.
Experimental and therapeutic medicine
|January 18, 2024
概括
与乳酸代谢相关的分子 (LMRMs) 参与静脉血栓塞栓症 (VTE) 的发病. 该研究确定了关键的LMRM,并开发了用于VTE预测的机器学习模型,建议SLC16A1作为潜在的治疗点.
科学领域:
- 生物化学和分子生物学
- 心血管研究研究心血管研究
- 生物信息学和计算生物学
背景情况:
- 静脉血栓塞栓症 (VTE) 的复发率和死亡率很高.
- 血管内皮细胞 (VEC) 损伤在VTE中至关重要,乳酸 (LA) 代谢与这种损伤有关.
- 乳酸代谢相关分子 (LMRMs) 在VTE病变发生中的确切作用尚未完全理解.
研究的目的:
- 与健康个体相比,在VTE患者中识别差异表达的LMRMs (DE-LMRMs).
- 开发和验证用于使用已识别的LMRMs进行VTE预测的机器学习模型.
- 通过体外氧气-葡萄糖剥夺 (OGD) 模型,研究LMRMs在VEC损伤中的作用.
主要方法:
- 对GSE48000数据集的分析,以在VTE患者和健康对照者之间识别DE-LMRMs.
- 开发用于VTE预测的四种机器学习模型 (随机森林,SVM,GLM,XGBoost).
- 使用名图,校准曲线,决策曲线分析和外部数据集的验证;用于VEC实验的体外OGD模型.
主要成果:
- 确定了四种DE-LMRMs:溶液载体家族16成员1 (SLC16A1),SLC16A7,SLC16A8和SLC5A12.
- 通用线性模型 (GLM) 是预测VTE的最佳机器学习模型.
- OGD模型显示VEC存活率降低,细胞内LA增加,SLC16A1表达率降低.
结论:
- LMRMs,特别是SLC16A1,SLC16A7和SLC16A8,在VTE病变发生过程中发挥着重要作用.
- 使用LMRM的机器学习模型可以准确预测VTE.
- 降低SLC16A1表达与VEC细胞内LA增加相关,这表明SLC16A1是VTE的潜在治疗标.
