通过机器学习识别和验证四种候选生物标志物,用于早期诊断骨关节炎
Xinyu Wang1,2, Tianyi Liu1,3,4, Yueyang Sheng1
1Department of Molecular Orthopaedics, National Center for Orthopaedics, Beijing Research Institute of Traumatology and Orthopaedics, Beijing Jishuitan Hospital, Capital Medical University, Beijing, 100035, China.
Heliyon
|August 19, 2024
概括
这项研究确定了用于早期骨关节炎 (OA) 诊断的四个基因生物标记面板 (B3GALNT1,GRB10,KLF9,SCRG1). 这一发现为了解OA机制和开发诊断工具提供了新的途径.
科学领域:
- 发现生物标志物的发现.
- 基因组学就是基因组学.
- 骨关节炎的研究研究.
背景情况:
- 骨关节炎 (OA) 是一种常见的慢性关节疾病.
- 早期诊断对于有效的管理至关重要.
- 确定可靠的诊断生物标志物仍然是一个挑战.
研究的目的:
- 识别和验证骨关节炎的新型诊断生物标志物.
- 在患者样本中评估候选生物标志物的临床意义.
- 开发一个强大的诊断模型,用于早期发现OA.
主要方法:
- 为了培训和验证,利用了三个基因表达总 (GEO) 数据集.
- 应用机器学习算法 (随机森林,LASSO,SVM-RFE) 来选差异表达基因 (DEG).
- 经过验证的候选生物标志物,使用对外围血液样本和红细胞的定量实时PCR.
主要成果:
- 选了251个DEG,所有算法都识别了B3GALNT1,SCRG1和ZNF423.
- 包括B3GALNT1,GRB10,KLF9和SCRG1在内的组合模型实现了高AUC值 (0.986培训,1,000验证,0.836测试集).
- 单个生物标志物表现有变化,但组合模型显示出强大的诊断潜力.
结论:
- 一个由四个基因组成的特征 (B3GALNT1,GRB10,KLF9,SCRG1) 被确定为早期骨关节炎诊断的有前途的生物标志物组.
- 这个小组提供了一个潜在的非侵入性诊断方法.
- 这些发现为OA病原和潜在的治疗点提供了新的见解.


