使用机器学习算法和免疫透分析来识别儿童发作的全身性红斑狼的新生物标志物
1Department of Clinical Laboratory, Chengdu Women's and Children's Central Hospital, School of Medicine, University of Electronic Science and Technology of China, Chengdu, China.
概括
儿童开始的全身性红斑狼 (cSLE) 难以诊断. 机器学习确定了CCR1和SAMD9L作为cSLE诊断的关键生物标志物,为该疾病提供了新的见解.
科学领域:
- 免疫学 免疫学 免疫学
- 基因组学就是基因组学.
- 计算生物学 计算生物学
背景情况:
- 儿童发病的系统性红斑狼 (cSLE) 由于其严重程度和可变的症状,提出了独特的诊断挑战.
- 缺乏特定的诊断测试使得cSLE的早期和准确诊断变得复杂.
研究的目的:
- 使用机器学习方法识别cSLE的新型诊断生物标志物.
- 分析差异表达基因 (DEGs),以发现cSLE的潜在分子指标.
主要方法:
- 利用基因表达综合数据库在cSLE和健康样本之间识别DEG.
- 应用机器学习算法 (LASSO回归,SVM-递归特征消除) 来精确确定关键的DEG.
- 进行功能丰富和免疫透分析 (CIBERSORT),以了解生物标志物的作用.
主要成果:
- 确定了110个DEG,其中95个是上调的,15个是cSLE下调的.
- CCR1和SAMD9L被确定为具有高诊断价值的枢纽DEG,在数据集中得到验证.
- cSLE患者的中性粒细胞透增加,CCR1和SAMD9L的表达与免疫细胞组成相关.
结论:
- CCR1和SAMD9L被验证为cSLE.cSLE的潜在诊断生物标志物.
- 这些生物标志物为cSLE的病原和免疫失调提供了新的见解.
