通过应用具有变量重要性的神经网络,使用细胞因子生物标志物来优化吸烟分类

科学领域:

• 生物标志物研究 生物标志物研究
• 机器学习在医学中的应用
• 计算生物学 计算生物学

背景情况:

• 吸烟是可预防死亡的主要原因,增加心脏病,中风和癌症的风险.
• 吸烟引起的内皮功能障碍与炎症性细胞因子有关,这些细胞因子可以作为预测生物标志物.
• 生物标志物研究和机器学习的进步对于精确诊断和治疗至关重要.

研究的目的:

• 使用基于细胞因子配置文件的机器学习算法将个人分类为吸烟者或非吸烟者.
• 确定最有影响力的细胞因子生物标志物,以区分吸烟者和非吸烟者.
• 评估神经网络模型在吸烟状态分类中的有效性.

主要方法:

• 利用神经网络 (NN) 算法根据63种不同的细胞因子对吸烟者和非吸烟者进行分类.
• 采用交叉验证和超参数调整来优化NN性能.
• 确定了前10个最有影响力的细胞因子进行分类,并使用所有63种与前10种细胞因子的模型性能进行了比较.

主要成果:

• 使用所有63种细胞因子的NN模型实现了受体运行特征曲线 (AUROC) 下的面积为0.949.
• 使用前10种细胞因子的精细模型表现出卓越的性能,AUROC为0.995.
• 发现的10种影响力最大的细胞因子是I-TAC,IL-22,IL-2R,IL-3,HGF,IL-18,G-CSF-CSF-3,MIF,SDF-1alpha,MMP-1等.

结论:

• 机器学习,特别是神经网络,有效地使用细胞因子配置文件对吸烟者进行分类.
• 像I-TAC和IL-22这样的特定细胞因子对吸烟状况具有很高的预测能力.
• 细胞因子生物标志物与机器学习相结合,对早期疾病预测和新型治疗策略具有重大潜力.