使用数据驱动的算法与大规模的等离子体蛋白质数据来发现用于诊断抑郁症的新生物标志物
Simeng Ma1, Ruiling Li1, Qian Gong1
1Department of Psychiatry, Renmin Hospital of Wuhan University, Wuhan 430060, China.
Journal of proteome research
|August 16, 2024
概括
机器学习确定了45种血蛋白作为潜在的抑郁症生物标志物. 添加蛋白质组数据改善了抑郁症诊断模型,显示了早期检测和治疗指导的希望.
科学领域:
- 发现生物标志物的发现.
- 蛋白质组学是指蛋白质组学.
- 机器学习在医疗保健中的应用
背景情况:
- 技术进步使得大量患者群体的血蛋白质组定量化成为可能.
- 血蛋白质组查有助于识别抑郁症诊断和治疗的生物标志物.
研究的目的:
- 使用机器学习建模和发现抑郁症生物标志物.
- 用蛋白质组数据来增强抑郁症诊断模型.
主要方法:
- 利用CatBoost机器学习在英国生物库数据上进行模型构建.
- 用Shapley添加式解释 (SHAP) 来解释模型.
- 使用5倍交叉验证和AUC分析验证模型性能.
主要成果:
- 根据顶级CatBoost功能,确定了45种与抑郁症相关的蛋白质.
- 最好的诊断模型,包括蛋白质组数据,平均AUC达到0.764.
- 凯格路径分析强调了细胞因子-细胞因子受体相互作用作为一个重要的途径.
结论:
- 数据驱动的机器学习和大规模数据集对于探索抑郁症诊断生物标志物是可行的.
- 蛋白质组数据集成提高了抑郁症诊断模型的性能.
- 对已识别的生物标志物和诊断模型需要进一步验证.
