使用机器学习算法识别和验证基于与线粒体相关的基因的诊断生物标志物,这些基因与产前的免疫微环境有关,使用机器学习算法

科学领域:

• 生物医学科学 生物医学科学
• 遗传学 遗传学是一种遗传学.
• 计算生物学 计算生物学

背景情况:

• 孕前是全球主要的孕产妇和胎儿死亡原因之一.
• 线粒体功能障碍与孕前症的发病有关.
• 需要新的诊断标志物来诊断子宫前.

研究的目的:

• 利用线粒体相关基因 (MRG) 开发一种基于机器学习的孕前诊断模型.
• 为了确定关键的MRG与妊娠前相关.
• 为了探索MRGs和免疫透在怀孕前之间的关系.

主要方法:

• 对GSE75010数据库进行分析,以确定差异表达MRG (DE-MRG).
• 应用LASSO和支持矢量机器递归特征消除 (SVM-RFE) 进行基因选择.
• 使用多个数据集和RT-PCR的诊断模型的验证.
• 使用CIBERSORT算法对免疫细胞透的评估.

主要成果:

• 确定了552个DE-MRG,主要与能量代谢有关.
• 选择了三个关键的诊断基因:CPOX,DEGS1和SH3BP5.5.
• 开发并验证了一种具有高精度的新型诊断模型.
• 在孕前中证实CPOX,DEGS1和SH3BP5的表达增加.
• 在产前和正常样本之间观察到免疫细胞透的显著差异.
• 发现了SH3BP5表达和特定免疫细胞之间的关联.

结论:

• 已经建立了一个基于CPOX,DEGS1和SH3BP5的新型,经过验证的孕前的诊断模型.
• 这些MRG有潜力作为孕前诊断的生物标志物.
• 这项研究突出了线粒体功能障碍和产前的免疫微环境之间的相互作用.
• 这些发现为进一步研究孕前病原和治疗提供了基础.