应用12个机器学习算法和非负矩阵因子化,可对狼性炎进行可靠的预测
Lisha Mou1,2, Ying Lu1,2, Zijing Wu1,2
1Department of Rheumatology and Immunology, Institute of Translational Medicine, Health Science Center, The First Affiliated Hospital of Shenzhen University, Shenzhen Second People's Hospital, Shenzhen, China.
Frontiers in immunology
|September 3, 2024
概括
机器学习模型确定了用于诊断狼性炎 (LN) 的关键免疫基因. 六个枢纽基因显示出对非侵入性LN检测和理解疾病进展的承诺.
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:
- 狼性炎 (LN) 带来了诊断和治疗方面的挑战.
- 了解免疫细胞在LN病原发生中的作用至关重要.
研究的目的:
- 在单细胞脏活检数据上使用机器学习对LN进行分析.
- 识别新型诊断标记物和了解LN病理生理学.
主要方法:
- 在单细胞数据集中应用了12个机器学习算法和非负矩阵因数分解 (NMF).
- 开发了102种免疫相关基因 (IRG) 预测模型.
- 使用曲线下面面积 (AUC) 和外部队列验证的模型;进行了蛋白质与蛋白质相互作用 (PPI) 分析.
主要成果:
- 确定了关键的免疫细胞种群及其在LN中的作用.
- 突出了六个枢纽IRG (CD14,CYBB,IFNGR1,IL1B,MSR1,PLAUR) 作为强大的诊断标记.
- 在和周围血液中显示出高诊断准确性,与GFR,蛋白尿和肌素相关联的基因表达.
结论:
- 基于机器学习的新型IRG模型为LN诊断提供了一个有前途的非侵入性方法.
- 像IFNGR1,PLAUR和CYBB这样的枢纽IRG与LN病理生理学和疾病严重程度有关.
- 基因组数据和机器学习的整合可以推进对LN等自身免疫疾病的个性化管理.
