研究炎症反应相关基因对纤维化诊断的影响:基于机器学习的研究,实验验证
Ziwei Yuan1, Xuejia Yang2, Zujian Hu2
1Department of Endocrinology, Taizhou Hospital of Zhejiang Province, Wenzhou Medical University, Taizhou, Zhejiang, China.
Journal of biomolecular structure & dynamics
|February 21, 2024
概括
研究人员使用机器学习识别了四个关键基因 (CCL5,IFITM1,RIPK2,TNFAIP6) 作为纤维化潜在诊断标志物. 开发了一个预测模型,以帮助临床诊断和纤维化患者的个性化治疗.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 生物标志物发现发现
- 计算生物学 计算生物学
背景情况:
- 纤维化是病进展的关键因素.
- 目前缺乏对纤维化的有效诊断标志物,这阻碍了临床管理.
- 机器学习提供了一种有前途的方法来识别新的生物标志物.
研究的目的:
- 使用机器学习识别纤维化可靠的诊断生物标志物.
- 开发一个预测模型来评估纤维化风险.
- 探索生物标志物,免疫力和药物敏感性之间的关系.
主要方法:
- 使用了两个GEO数据集,并应用了LASSO,SVM-RFE和RF算法.
- 对与炎症反应相关的差异表达基因进行选.
- 通过体内实验和免疫组织化学验证的候选生物标志物.
主要成果:
- 确定了四个基因 (CCL5,IFITM1,RIPK2,TNFAIP6) 作为纤维化潜在的诊断指标.
- 验证了这些基因作为纤维化评估的可靠标记物的有用性.
- 为预测疾病风险,开发了一种具有高一致性指数 (0.933) 的名图.
结论:
- 这些已识别的基因是纤维化诊断标志物的有希望的标志物.
- 开发的预测模型有助于临床诊断和个性化治疗策略.
- 这些发现推进了精准医学方法来管理纤维化.
