使用生物信息学和机器学习方法的关键基因开发和验证产前预测模型

科学领域:

• 生殖生物学 生殖生物学
• 免疫学 免疫学 免疫学
• 遗传学 遗传学 是一个

背景情况:

• 孕前 (PE) 带来了重大的诊断和治疗挑战.
• 确定新的诊断和治疗目标对于管理PE至关重要.
• 了解PE背后的免疫机制对于开发有效的治疗方法至关重要.

研究的目的:

• 为了确定新基因,用于潜在的诊断和治疗前 (PE) 的目标.
• 阐明参与PE病变的免疫机制.
• 开发PE诊断和预后的预测模型.

主要方法:

• 分析了三个GEO数据集,包括差异基因表达和权重基因共表达网络分析 (WGCNA).
• 应用机器学习算法 (LASSO,SVM-RFE,RF) 来识别诊断中心基因.
• 开发一个预测性名录和一个完全连接的神经网络 (FCNN) 以预测PE,并进行免疫透分析 (ssGSEA).

主要成果:

• 确定了PE的五个验证的诊断生物标志物:CGB5,LEP,LRRC1,PAPPA2和SLC20A1,具有高AUC值.
• 一个预测性名图表显示出强大的预测能力 (C指数0.873),FCNN实现了0.911.11的AUC.
• 免疫透分析强调了T细胞子集,中性粒细胞和NK细胞在PE中的参与,将已识别的基因与免疫反应联系起来.

结论:

• CGB5,LEP,LRRC1,PAPPA2和SLC20A1已被验证为产前症 (PE) 的关键诊断生物标志物.
• 开发的名录图和FCNN模型提供了可靠的PE预测.
• 这些生物标志物与免疫细胞透的关联强调了免疫反应在PE病变发生中的关键作用.