基于机器学习的缺血性中风的病因学亚型化使用循环外体微RNAs

科学领域:

• 生物化学和分子生物学
• 神经学 神经学
• 基因组学就是基因组学.

背景情况:

• 缺血性中风是全球主要的死亡原因,需要精确的病因学亚型才能有效治疗.
• 目前用于中风亚型的方法可能具有挑战性,这凸显了对新型诊断生物标志物的需求.
• 细胞外囊泡 (EVs) 含有微RNA (miRNAs),反映细胞状态,并可作为疾病指标.

研究的目的:

• 研究循环细胞外囊泡微RNAs (EV-miRNAs) 作为区分缺血性中风亚型的生物标志物的潜力.
• 使用 EV-miRNA 配置文件,区分大动脉动脉样硬化 (LAA),心血管血栓性中风 (CES) 和小动脉阻塞 (SAO).
• 开发和评估基于EV-miRNA签名的精确缺血性中风亚型的机器学习模型.

主要方法:

• 从70名急性缺血性中风患者收集了血样本,分为LAA (n=24),SAO (n=24) 和CES (n=22) 组.
• 利用下一代测序 (NGS) 来分析EV-miRNAs,并确定每个亚型的差异表达miRNAs (DEMs).
• 应用机器学习算法,包括后勤回归,以构建中风亚型分类的预测模型.

主要成果:

• 在LAA,SAO和CES中风亚型中确定了不同的EV-miRNA配置文件.
• 机器学习模型在区分中风亚型方面实现了92%的高诊断准确度.
• 生物信息学分析揭示了DEM在中风病理生理学中的功能性作用,集体miRNA的影响比个体标志物更为重要.

结论:

• 循环的EV-miRNAs代表了一个有希望的,非侵入性的生物标记面板,用于准确的缺血性中风病因学亚型.
• 机器学习集成显著提高了用于临床应用的EV-miRNA配置文件的诊断能力.
• 需要进一步的研究来验证这些EV-miRNA生物标志物在更大,多样化的患者队列中进行临床实施.