相关实验视频
Updated: May 5, 2026
12:04
Mouse Genome Engineering Using Designer Nucleases
Published on: April 2, 2014
28.8K
基因算法应用于代谢功能障碍相关脂肪肝炎 (MASH) 的翻译策略. 从小鼠模型学习
Ibon Martínez-Arranz1, Cristina Alonso2, Rebeca Mayo2
1OWL Metabolomics (Rubió Metabolomics), Derio, Bizkaia, Spain; Department of Mathematics, University of the Basque Country UPV/EHU, Bilbao, Spain.
Computer methods and programs in biomedicine
|August 1, 2024
概括
基因算法通过识别具有明显脂蛋白配置文件的子组来完善与代谢 (功能障碍) 相关的脂肪性肝病 (MASLD) 患者分类,类似于小鼠模型,突出潜在的异位风险.
科学领域:
- 代谢学 代谢学 代谢学
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 与代谢 (功能障碍) 相关的脂肪性肝病 (MASLD) 呈现出多种不同的代谢表型.
- 以前的分类确定了具有明显代谢概况的患者子组.
- 完善MASLD分类对于了解疾病进展和治疗至关重要.
研究的目的:
- 开发和介绍一个Python包,PyGenMet,利用遗传算法进行增强的代谢学数据分析.
- 根据遗传算法和代谢表型来完善MASLD患者的分类.
- 在MASLD中识别具有独特脂质配置文件的特定患者子组.
主要方法:
- 分析了氨酸腺转移酶1a淘汰 (Mat1a-KO) 的小鼠的血清代谢组.
- 分析了541名经过活检证明的MASLD (简单肥胖症,MASH) 患者的血清代谢组.
- 基因算法被用来比较小鼠和人类的MASLD代谢组,并选择患者的表型.
主要成果:
- 使用遗传算法识别了一组具有与Mat1a-KO小鼠模型相似的脂质配置文件的MASLD患者.
- 这一确定的患者亚组在脂蛋白中表现出显著的差异,特别是LDL-4,LDL-5和LDL-6.
- 这些脂蛋白差异与增加的异位原体风险有关.
结论:
- 遗传算法提供了一种强大的方法来分类MASLD患者,并分析大型omics数据集.
- 鉴定出具有与小鼠模型相似的脂质配置文件的患者子组呈现出明显的脂蛋白特征.
- 这种方法为MASLD和其他代谢性疾病的患者分类提供了有价值的工具.
