在基于机器学习模型的基础上,识别人类骨质疏松症中与菌相关的生物标志物

科学领域:

• 生物化学 生物化学
• 遗传学 是一个遗传学.
• 分子生物学分子生物学

背景情况:

• 骨质疏松症 (OP) 是一个重要的全球健康问题,其特点是慢性骨代谢疾病.
• 虽然已知菌在骨代谢中的作用,但其在骨质疏松症中的具体作用尚不清楚.

研究的目的:

• 为了研究线粒在骨质疏松症中的作用.
• 识别与骨质疏松症相关的菌性相关基因 (MRG) 并评估它们的诊断潜力.

主要方法:

• 对基因表达综合 (GEO) 数据集 GSE56815 的生物信息分析,以识别差异表达基因 (DEG).
• 对线粒体自相关基因 (MRG) 的查和差异表达MRG (DE-MRG) 的鉴定.
• 利用蛋白质-蛋白质相互作用 (PPI) 网络,机器学习 (SVM-RFE,Boruta) 和接收器操作特征 (ROC) 曲线来识别枢纽基因并评估诊断价值.

主要成果:

• 确定了548个DEG和91个DE-MRG. 三个中心基因 (NELFB,SFSWAP,MAP3K3) 显示出显著的诊断潜力 (AUC 0.75,0.71,0.70).
• 诺莫图模型显示了骨质疏松症的高诊断价值.
• 途径分析涉及到OP进展中的核糖体路径,MAP3K3与GNRH信号相关. 温克洛佐林被预测为一种潜在的治疗药物.

结论:

• 线性菌在骨质疏松病变发生过程中起着至关重要的作用.
• 已识别的枢纽基因 (NELFB,SFSWAP,MAP3K3) 为早期骨质疏松症诊断,机制研究和治疗开发提供了潜力.