可解释的机器学习揭示了上皮质转录性重新连接和凝索林在COPD中的作用

科学领域:

• 肺部医学 肺部医学
• 生物信息学是一种生物信息学.
• 分子生物学分子生物学

背景情况:

• 转录基因分析有助于理解复杂疾病,如慢性阻塞性肺病 (COPD).
• 高维数据集成挑战了COPD引起的生物学因素的识别.
• 慢性肺炎涉及肺部破坏和炎症,烟雾暴露是主要的危险因素.

研究的目的:

• 揭示COPD病原体背后的新生物学机制.
• 通过可解释的机器学习来识别影响COPD病理生理学的显著潜在因素.
• 为COPD研究建立一个翻译分析平台.

主要方法:

• 无监督和监督可解释的机器学习应用于来自小鼠烟雾暴露模型的单细胞RNA-Seq数据.
• 识别与疾病相关的特定背景的共同表达模块 (潜伏因素).
• 将转录基因签名与蛋白质网络集成.

主要成果:

• 机器学习揭示了网络复杂性降低和与COPD状态相关的改变凝素 (GSN) 表达.
• 在小鼠模型和人类COPD患者的气道上皮细胞中观察到GSN变化.
• 在COPD患者中,在暴露于烟雾后,血GSN水平升高和气道细胞中GSN释放增加.

结论:

• 转录网络的重新布线与COPD的病变发生有关.
• 凝 (GSN) 成为一种关键分子,与COPD的发展和进展有关.
• 开发的分析平台为COPD提供了洞察力,可以应用于其他复杂疾病.