整合学习用于更高的诊断精度在精神分裂症使用外周血液基因表达特征
Vipul Vilas Wagh1, Tanvi Kottat1, Suchita Agrawal2
1Symbiosis School of Biological Sciences, Symbiosis International (Deemed University), Pune, MH, India.
Neuropsychiatric disease and treatment
|May 8, 2024
概括
这项研究开发了一种集体学习方法,使用基因表达数据进行精确的精神分裂症诊断. 这些模型达到80.41%的精度,为精神分裂症提供了更准确的诊断工具.
科学领域:
- 基因组学就是基因组学.
- 计算生物学 计算生物学
- 精神病诊断 精神病诊断 精神病诊断
背景情况:
- 精神分裂症 (SCZ) 诊断受到耻辱的负担,需要更高的精度.
- 减少诊断错误阳性对于患者的福祉和临床实践至关重要.
研究的目的:
- 开发一种基于集体学习的方法,用于SCZ的高精度诊断.
- 使用外周血液基因表达特征用于诊断建模.
主要方法:
- 机器学习模型 (SVM,PAM) 用差异表达基因 (DEG) 进行训练.
- 一个投票组合分类器将SVM和PAM结合起来用于SCZ样本分类.
- 通过对RNA测序 (RNA-Seq) 数据进行分类来评估跨平台兼容性.
主要成果:
- 集体学习实现了80.41%的精度,优于单个SVM (71.69%) 和PAM (77.20%) 模型.
- 通过RNA-Seq数据分类获得了中等精度 (59.92%).
- 发现的关键生物过程包括应对压力和免疫系统调节的反应,其中包括RBX1和CUL4B等枢纽基因.
结论:
- 开发了强大的模型,以提高精神疾病的诊断精度.
- 未来的工作将集中在多原子集成和用于诊断的可解释AI上.


