通过生物信息学和双样本孟德尔随机化研究来识别和验证用于毒症诊断的潜在基因
1Emergency Department, Affiliated Hospital of Jiangxi University of Chinese Medicine, Nanchang, Jiangxi, China.
Medicine
|July 19, 2024
概括
这项研究确定了CD177,LDHA和MCEMP1作为使用机器学习的败血症的关键诊断生物标志物. 门德尔的随机化证实了MCEMP1的存在.
科学领域:
- 生物信息学和计算生物学
- 遗传学和基因组学 遗传学和基因组学
- 机器学习在医疗保健中的应用
背景情况:
- 败血症诊断仍然具有挑战性,需要新的分子生物标志物.
- 当前的诊断方法可能缺乏具体性和及时性.
- 综合方法可以增强败血症的生物标志物发现.
研究的目的:
- 识别和验证分子生物标志物,以准确诊断败血症.
- 探索潜在生物标志物与败血症的遗传关联和因果关系.
- 开发一个预测模型来评估败血症风险.
主要方法:
- 生物信息学分析包括差异基因表达和加权基因共同表达网络分析 (WGCNA).
- 机器学习算法从高通量数据中识别诊断基因.
- 功能丰富分析和孟德尔随机化 (MR) 用于验证和因果推理.
- 开发一个用于预测败血症风险的诺莫格拉姆模型.
主要成果:
- 三个基因 (CD177,LDHA,MCEMP1) 在败血症患者中被确定为持续上调.
- 一个名图模型证明了有效的败血症风险预测能力.
- 观察到诊断基因和免疫细胞透之间的相关性.
- 门德尔随机分析表明MCEMP1和败血症风险之间存在积极的因果关系.
结论:
- 建议CD177,LDHA和MCEMP1作为毒症的潜在分子诊断生物标志物.
- 这项研究强调了MCEMP1与败血症的遗传关联,为早期诊断提供了洞察力.
- 这些发现支持了综合生物信息学和机器学习方法在败血症生物标志物发现方面的实用性.
