一个基于机器学习的心肌梗塞患者的诊断模型:对中性粒细胞外细胞陷相关基因和eQTL门德尔随机化的分析

科学领域:

• 基因组学和生物信息学
• 心血管疾病研究研究
• 免疫学 免疫学 免疫学

背景情况:

• 中性粒细胞外细胞陷 (NETs) 与炎症性疾病有关,包括心肌梗塞 (MI).
• 识别与NET相关的特定基因特征可以改善MI诊断和治疗策略.

研究的目的:

• 在心肌梗塞 (MI) 患者的血液中发现NET相关的基因特征.
• 评估这些基因特征在动脉样硬化中的诊断效用.
• 探索潜在的治疗点心脏病发作.

主要方法:

• 在基因表达综合 (GEO) 数据集 (GSE66360,GSE48060) 上利用生物信息学和机器学习.
• 将四种机器学习算法 (RF,XGBoost,GLM,SVM-RFE) 进行比较,以识别关键诊断基因.
• 进行了相关性分析,样本再聚类,权重基因共同表达网络分析 (WGCNA) 和门德尔随机化.

主要成果:

• 确定了47个与NET相关的差异基因;支持矢量机 (SVM) 选择了ATG7,MMP9,IL6,DNASE1和PDE4B作为关键诊断基因.
• 诊断模型在独立数据集中证明了有效性,并显示了与中性粒细胞的相关性.
• 门德尔随机化证实ATG7表达和心脏病发病率之间存在因果关系.

结论:

• 鉴定的基因组 (ATG7,MMP9,IL6,DNASE1,PDE4B) 显示出潜在的诊断生物标志物和治疗点.
• ATG7表达是心脏病发作的重要因素,突出了它作为治疗点的潜力.
• 与NET相关的基因表达影响了补充和凝血级联等途径,以及MI中的细胞因子-细胞因子相互作用.