使用机器学习识别酒精相关性肝病的综合蛋白质组和转录组签名
Stanislav Listopad1, Christophe Magnan1, Le Z Day2
1Department of Computer Science, University of California, Irvine, California, United States of America.
PLOS digital health
|February 9, 2024
概括
机器学习使用多omics数据准确地分类了与酒精相关的肝病. 综合转录和蛋白质组学表明,液体活检有望从血细胞中检测出与酒精有关的肝炎和肝硬化.
科学领域:
- 发现生物标志物的发现.
- 机器学习在医学中的应用
- 多主题数据分析数据分析.
背景情况:
- 区分与酒精相关的肝炎 (AH) 和与酒精相关的肝硬化 (AC) 在诊断上具有挑战性.
- 对酒精相关性肝病 (ALD) 的准确分类对于患者的管理和治疗至关重要.
- 目前的诊断方法可能无法完全捕捉ALD进展的复杂性.
研究的目的:
- 开发和验证机器学习模型,使用转录组学和蛋白质组学数据对AH,AC和健康对照进行分类.
- 确定用于ALD诊断的综合基因蛋白生物标记面板.
- 探索外周单核血细胞 (PBMCs) 在非侵入性ALD检测方面的潜力.
主要方法:
- 利用了来自肝脏组织和PBMC的转录组学 (RNAseq) 和蛋白质组学数据.
- 开发了每个数据类型的单独分类和特征选择管道.
- 在独立数据集和集成的多omics数据上验证的肝组织模型,以改进分类.
主要成果:
- 使用转录组学和蛋白质组学数据,对于肝脏组织和PBMC实现了高分类准确度.
- 集成的多奥米克模型提高了PBMC的分类准确性,但不是肝脏组织.
- 确定了特定的基因-蛋白质匹配 (例如,PBMC中的SELENBP1-SBP1) 作为潜在的生物标志物.
结论:
- 机器学习模型在使用来自组织和血液的多omics数据来分类ALD时表现出高准确性.
- 在PBMC中多omics数据集成显示了开发ALD.液体活检的潜力.
- 已识别的基因蛋白生物标志物可能有助于早期和准确诊断与酒精相关的肝病.
更多相关视频
09:29Investigating Drivers of Antireward in Addiction Behavior with Anatomically Specific Single-Cell Gene Expression Methods
Published on: August 4, 2022
2.2K
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
1.0K
