相关实验视频
Updated: Jun 28, 2025
05:37
Experimental Model of Ligature-Induced Peri-Implantitis in Mice
Published on: May 17, 2024
2.2K
基于随机森林和人工神经网络的诊断模型的构建,用于围植入炎
Haoran Yang1,2, Yuxiang Chen1,2, Anna Zhao1,2
1Stomatological Hospital of Kunming Medical University, Kunming 650000, China.
概括
这项研究确定了围植入炎的CD38和TLR4等关键基因,并开发了一种可靠的诊断模型,使用随机森林 (RF) 和人工神经网络 (ANN) 进行早期检测.
科学领域:
- 生物医学信息学 生物医学信息学
- 口腔生物学 口腔生物学
- 基因组学就是基因组学.
背景情况:
- 牙周植入炎是牙科植入物的一种严重并发症.
- 早期诊断和调节基因的识别对于管理周植入炎至关重要.
研究的目的:
- 为了确定涉及到围植入炎发育的关键基因.
- 使用机器学习算法构建和验证周植入炎的诊断模型.
主要方法:
- 对公开可用的基因表达数据集 (GSE-33774,GSE106090,GSE57631) 的分析.
- 不同基因表达分析,功能丰富和蛋白质-蛋白质相互作用网络构建.
- 随机森林 (RF) 和人工神经网络 (ANN) 的应用用于基因查和诊断模型开发.
主要成果:
- 确定了124个与周植入炎相关的差异表达基因 (DEGs).
- 六个关键基因 (CD38,CYBB,FCGR2A,SELL,TLR4,CXCL8) 被确定为潜在的诊断标记物.
- 该ANN模型表现出周植入炎的优异诊断性能.
结论:
- 通过使用RF和ANN,开发了一种强大的围部植入炎诊断模型.
- CD38,CYBB,FCGR2A,SELL,TLR4和CXCL8是周植入炎的有希望的生物标志物.
- 确定FOXC1,GATA2,NF-κB1和hsa-miR-204是围植入炎的关键调节因素.
