多omics集成揭示了一个非线性签名,它在肺纤维化进展之前
Céline Pattaroni1, Christina Begka1, Bailey Cardwell1
1Department of Immunology, School of Translational Medicine Monash University Melbourne VIC Australia.
Clinical & translational immunology
|January 25, 2024
概括
研究人员确定了预测异常性肺纤维化 (IPF) 进展的关键分子特征. 这种多omics方法揭示了早期疾病的驱动因素和潜在的治疗点对于这种渐进的肺部疾病.
科学领域:
- 肺部医学 肺部医学
- 分子生物学分子生物学
- 系统生物学 系统生物学
背景情况:
- 异形性肺纤维化 (IPF) 是一种渐进的间歇性肺病,对早期分子驱动因素的理解有限.
- 目前对IPF病理生理学的知识还不能完全解释疾病的发病和进展.
研究的目的:
- 用数据驱动的多omics方法建模IPF纤维化的早期阶段.
- 为了识别与IPF发病和进展相关的分子特征.
主要方法:
- 综合的转录组学,代谢组学和脂质组学数据来自健康和IPF肺部实验者.
- 应用多学科因子分析,以确定与疾病状态和进展相关的潜在因素.
- 利用在转录基因数据上训练的机器学习模型来预测疾病状态和进展.
主要成果:
- 确定了两个关键因素:因子1与已建立的纤维化特征相关,因子2具有非线性进展轨迹.
- 因子2签名包括细胞分化的基因,纤毛发育和内分泌类脂质.
- 机器学习模型在独立数据集上准确预测了IPF状态和进展.
结论:
- 多omics方法揭示了一个独特的签名,可能代表IPF进展的拐点.
- 这一签名为识别新型治疗点提供了一个有希望的途径,以打击IPF的渐进性质.
