基于可解释的机器学习模型,识别与菌相关的基因,用于预测与代谢功能障碍相关的脂肪肝炎

科学领域:

• 生物化学和分子生物学
• 遗传学和基因组学 在
• 肝病学 肝病学是一种肝病学.

背景情况:

• 代谢功能障碍相关的脂肪肝炎 (MASH) 是一个日益严重的健康问题,具有复杂的潜在机制.
• 线粒体功能障碍和 mitoophagy 损害与MASH 病变发生有关.
• 识别线粒细胞衰变中的关键分子参与者对于理解和治疗MASH至关重要.

研究的目的:

• 阐明线粒体自 (线粒体自) 在MASH中的作用.
• 识别和验证具有MASH.诊断潜力的关键菌相关基因 (mito-DEGs).
• 开发MASH诊断和进展的预测模型.

主要方法:

• 利用基因表达总量 (GEO) 数据库用于MASH患者和对照基因表达配置文件.
• 采用LIMA和功能丰富分析来识别 mito-DEGs.
• 应用机器学习模型 (SVM,LightGBM) 用于关键的mito-DEG选择和诊断疗效评估.
• 使用独立数据集和细胞模型验证基因表达水平.
• 为MASH进展风险评估构建了一个名图.

主要成果:

• 鉴定了四个与线粒细胞衰变相关的差异表达基因 (mito-DEGs):MRAS,RAB7B,RETREG1和TIGAR.
• 机器学习模型显示出高诊断性能 (AUC高达0.935,准确度高达0.9189).
• 使用MRAS,RAB7B和RETREG1的逻辑回归模型准确地预测了MASH诊断.
• 诺米图表显示了MASH进展的优秀预测性能.
• 在独立的数据集和细胞模型中验证了 mito-DEG 表达.
• 发现了具有独特特征的与线粒细胞衰变相关的MASH分子亚型,并确定了潜在的亚型特异性药物.

结论:

• 我们的研究为MASH中线粒的关键作用提供了新的见解.
• 确定了MRAS,RAB7B和RETREG1作为MASH的关键诊断生物标志物.
• 发现了MASH预测和个性化治疗的新目标.
• 揭示了与菌相关的分子亚型,为量身定制的治疗策略铺平了道路.