基于机器学习的聚类识别了具有差异性多omics配置文件和代谢模式的肥胖子组
Mohammad Y Anwar1, Heather Highland1, Victoria Lynn Buchanan1
1Department of Epidemiology, Gillings School of Global Public Health, University of North Carolina at Chapel Hill, Chapel Hill, North Carolina, USA.
Obesity (Silver Spring, Md.)
|November 5, 2024
概括
机器学习确定了两个不同的肥胖个体子组. 一个子组的炎症和血糖水平较高,而另一个子组的胆固醇水平较高,这表明心脏代谢疾病的风险不同.
科学领域:
- 代谢学和蛋白质学
- 机器学习在健康研究中的应用
- 心脏代谢疾病亚型分类
背景情况:
- 肥胖导致心脏代谢疾病的风险变化.
- 识别不同的患者子组对于个性化医疗至关重要.
研究的目的:
- 应用综合性的多学科方法来识别肥胖人口中的子组.
- 描述与这些子组相关的不同心脏代谢疾病模式.
主要方法:
- 使用机器学习对243个人蛋白质学和代谢学数据进行无监督聚类 (动脉样硬化队列多民族研究).
- 贡献于集群的omics路径的功能性特征.
- 多变量回归用于评估集群之间的心脏代谢特征差异.
主要成果:
- 确定了两个不同的集群 (iCluster1和iCluster2).
- 在iCluster2中,BMI,禁食血糖和炎症都较高.
- iCluster1与较高的总胆固醇和高脂胆固醇有关,并与相关的细胞生长和脂质生成途径有关.
结论:
- 已识别的集群可能代表肥胖相关病理的不同阶段或不同的潜在机制.
- 诸如饮食模式或不同代谢损伤率等因素可以解释群体差异.
- 需要进一步的研究来阐明驱动肥胖症中这些独特心脏代谢特征的精确机制.
更多相关视频
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
963
09:21Author Spotlight: Generating Neuronal Phenotypic Profiles - A Protocol to Culture and Image Human Midbrain Dopaminergic Neurons
Published on: July 7, 2023
1.4K
