关于在COVID后患者中识别生物标志物的协议,使用人类血的多omics和机器学习分析来确定生物标志物
Mobin Khoramjoo1, Karthik Srinivasan2, Kaiming Wang3
1Department of Physiology, University of Alberta, Edmonton, AB T6G 2H7, Canada; Mazankowski Alberta Heart Institute, University of Alberta, Edmonton, AB T6G 2S2, Canada.
STAR protocols
|April 28, 2024
概括
本研究介绍了一种工作流程,用于分析COVID后病情 (PCC) 患者的多奥米克血数据. 它详细介绍了数据集成,统计分析和机器学习的方法,以识别生物标志物和患者子组.
科学领域:
- 发现生物标志物的发现.
- 翻译研究是翻译研究.
- 计算生物学是一种计算生物学.
背景情况:
- 后COVID状态 (PCC) 提出了复杂的,多系统的挑战.
- 了解PCC的分子基础对于有效的诊断和治疗至关重要.
- 多学科数据为生物系统提供了全面的视图.
研究的目的:
- 提出一种标准化的工作流程,用于分析COVID后病情 (PCC) 患者的多OMIC血数据.
- 为了能够识别与PCC相关的基于血的生物标志物.
- 使用机器学习方法促进患者分层.
主要方法:
- 数据预处理和整合各种等离子体检测数据集.
- 统计分析以确定差异性血形状和生物标志物-临床变量关联.
- 无监督机器学习用于患者聚类和预测生物标志物特征选择.
主要成果:
- 工作流允许对多omics等离子体数据进行可靠的分析.
- 确定了与PCC中的临床变量相关的潜在血生物标志物.
- 证明了机器学习在基于分子形状的患者分层中的实用性.
结论:
- 提出的工作流提供了一个框架,用于PCC的多omics数据分析.
- 这种方法可以加速诊断和预后生物标志物的发现.
- 能够更深入地了解PCC异质性和个性化医疗策略.
