基于机器学习的基因表达生物标志物来区分寨卡病毒和登革热病毒感染:对诊断的影响

科学领域:

• 病毒学 病毒学
• 生物信息学是一种生物信息学.
• 基因组学就是基因组学.

背景情况:

• 寨卡病毒 (ZIKV) 和登革热病毒 (DENV) 感染对全球健康构成重大挑战.
• 血清学诊断因这些黄病毒之间的抗原重叠而复杂化.
• 在ZIKV和DENV之间存在基因组和结构相似之处.

研究的目的:

• 为了确定基因生物标志物来分类登革热和寨卡病毒感染.
• 用机器学习算法和生物信息学来发现诊断标记物.

主要方法:

• 对单细胞RNA测序数据集GSE110496 (人类肝瘤细胞) 的分析.
• 二元分类器的应用 (物流回归,SVM,随机森林,决策树).
• 使用随机森林分类器 (RFC) 和递归特征消除 (RFE) 进行特征选择,RFE显示更高的准确性.

主要成果:

• 使用10个选定的基因生物标志物,实现了89.4%的分类准确度和90%的精度.
• 鉴定了SCYL3,C1orf112,CFH,HEBP1,CDH1,NBN,HDAC5,NR0B2,ANXA9和ADH6作为潜在的生物标志物.
• 功能分析揭示了生物标志物参与病毒进入,复制,翻译和代谢途径.

结论:

• 鉴定到的10个基因生物标志物显示出ZIKV和DENV感染的准确分类的潜力.
• 这些通过机器学习验证的生物标志物需要进一步的实验确认才能用于诊断.