机器学习分析使用RNA测序来区分光学神经炎和多发性硬化症,并确定治疗候选者

科学领域:

• 神经免疫学 神经免疫学
• 基因组学就是基因组学.
• 计算生物学 计算生物学

背景情况:

• 光学神经炎 (NMO) 和复发性复发性多发性硬化症 (RRMS) 是中枢神经系统的不同的炎症性脱髓化疾病.
• 准确区分NMO和RRMS对于适当的治疗和管理至关重要.
• 当前的诊断方法可能具有挑战性,需要寻找新的生物标志物.

研究的目的:

• 确定RNA生物标志物,可在以前未接受治疗的患者中可靠地区分NMO和RRMS.
• 通过机器学习 (ML) 和途径分析,探索NMO和RRMS的潜在治疗应用.
• 利用RNA测序数据和多变量方法来加强疾病检测和治疗标识.

主要方法:

• 利用组合方法,结合差异基因表达分析和竞争性ML方法,对来自外围全血的总RNA测序数据进行组合分析.
• 分析了从RRMS,NMO和健康对照的治疗先患者的数据.
• 进行途径分析以了解生物背景,转录因子活性和小分子治疗潜力.

主要成果:

• 开发了ML模型,可以准确地将NMO与RRMS患者区分开来,性能准确度超过90%.
• 确定了与核糖体功能障碍和病毒感染相关的RNA生物标志物,作为模型性能的关键驱动因素.
• 发现了小分子候选物,包括mitoxantrone和vorinostat,能够逆转扰乱的基因表达并加强发现的特征.

结论:

• 确定了假定RNA生物标志物,可以准确地区分NMO与RRMS和健康个体.
• 对RNA测序数据的多变量分析增强了独特的RNA生物标记物的发现,加速了新诊断和治疗策略的开发.
• 将生物学理解与RNA生物标志物发现相结合,有助于识别疾病特异性特征和潜在的治疗点.