使用机器学习和等离子体蛋白质组签名来区分下降胸前大动脉疾病

科学领域:

• 心血管研究研究心血管研究
• 蛋白质组学是指蛋白质组学.
• 机器学习应用 机器学习应用

背景情况:

• 下降的胸前动脉动脉瘤和剖析带来了重大的健康风险.
• 对于这些疾病的早期查或风险预测,仅存在有限的临床工具.

研究的目的:

• 研究与机器学习相结合的血蛋白质组分析的实用性.
• 要区分下降胸前大动脉动脉瘤 (DTAA) 和B型大动脉剖析 (B型) 病例.

主要方法:

• 来自75名B型和62名DTAA患者的血蛋白质组数据.
• 将统计方法与监督机器学习 (ML) 算法进行比较.
• 使用了带有超参数优化的层次聚类和ML模型.
• 采用换重要性 (PI) 来排名预测蛋白和途径分析.

主要成果:

• 只有一种蛋白质,血素 (HPX),在使用标准统计数据的组之间显示出显著差异 (p < 0.01).
• 一个支向量分类器实现了0.7的分类曲线下的精确回忆面积.
• 顶级PI蛋白包括免疫球蛋白重变量基因,LCAT,F12和HPX.
• B型患者的丰富途径涉及补充激活,幽默免疫反应和血液凝固.

结论:

• 机器学习可以根据血蛋白质组数据区分高度相似的疾病状态.
• ML有助于优先考虑诊断模型开发的关键蛋白质.
• 已识别的途径表明在B型剖析中免疫反应和凝血的作用.