一个机器学习框架用于选与血细胞相关的特征基因,以估计骨质疏松风险和治疗脆弱性
Shoubao Wang1, Jiafu Zhu2, Weinan Liu3,4
1Department of Orthopedics, Huai'an Hospital Affiliated to Yangzhou University (The Fifth People's Hospital of Huai'an), Huai'an, 223300, China.
Biochemical genetics
|June 19, 2024
概括
这项研究使用机器学习来识别与骨质疏松症相关的循环单细胞中的基因. 这些发现有助于个性化风险评估和骨脆弱性治疗策略.
科学领域:
- 基因组学就是基因组学.
- 计算生物学 计算生物学
- 骨生物学 骨生物学 骨生物学
背景情况:
- 骨质疏松症是一个主要的全球健康问题,其特点是骨脆弱,因为骨密度低.
- 骨矿物质密度 (BMD) 对于诊断骨质疏松症至关重要,循环单细胞是骨重塑的关键参与者.
- 识别与骨质损失相关的分子标记可以改善骨质疏松症的管理.
研究的目的:
- 开发一种机器学习框架,以识别在骨质疏松症中影响骨损失的循环单细胞相关基因.
- 探索这些基因对骨质疏松症的诊断和预后潜力.
- 发现潜在的治疗点,了解骨质疏松症中涉及的分子机制.
主要方法:
- 利用了来自女性患者的公开数据集 (GSE56815,GSE7158,GSE7429,GSE62402),其中女性患者的 BMD 不同.
- 使用CIBERSORT量化单细胞类型和确定差异表达基因 (DEGs).
- 采用机器学习模型 (GLM,随机森林,XGB,SVM) 进行特征选择,其次是人工神经网络 (ANN) 和用于诊断和风险估计的名ograms.
主要成果:
- 支持载体机器 (SVM) 在识别与骨质疏松相关的关键基因 (DEFA4,HLA-DPB1,LCN2,HP,GAS7) 中表现出卓越的性能.
- ANNs和名图有效地区分了低和高的骨质量,估计了骨质疏松症风险.
- 确定了潜在的治疗药物 (例如,克洛扎宾,阿司匹林),并突出了miRNAs,m6A修饰和自在调节确定的基因中的作用.
结论:
- 使用单细胞关联基因的机器学习框架为骨质疏松症个性化风险分层提供了一个有希望的方法.
- 鉴定的基因和途径为骨质疏松症的分子机制和潜在的治疗干预提供了洞察力.
- 这种方法可以帮助估计治疗脆弱性,并指导骨质疏松症患者的个性化药物.
