通过使用机器学习来探索微RNAs对心肌梗塞的诊断能力

科学领域:

• 发现生物标志物的发现.
• 心血管疾病的研究研究.
• 基因组学和转录基因组学

背景情况:

• 微RNAs (miRNAs) 由于早期失调和稳定性,是心肌梗塞 (MI) 的有前途的诊断生物标志物.
• miRNAs调节心血管疾病反应,使它们成为潜在的治疗和诊断目标.
• 需要进行系统的评估,以确认miRNAs是心血管疾病的新生物标志物.

研究的目的:

• 为了确定一个微RNA (miRNA) 生物标记面板用于早期心肌梗塞 (MI) 检测.
• 利用生物信息学和机器学习 (ML) 进行强大的生物标志物选择.
• 开发和验证MI的预测诊断模型.

主要方法:

• 利用MI患者和健康对照群的基因表达大盘的miRNA表达数据.
• 应用差异表达分析和LASSO用于特征选择以识别关键miRNAs.
• 开发和评估了ML模型,包括支持向量机,梯度增强,XGBoost和硬投票组合 (HVE).

主要成果:

• 确定了99个失调的miRNA,其中21个通过LASSO特征选择优先考虑.
• 验证了LASSO选择和独立测试集中共同的10个miRNA.
• 在独立测试组中,HVE模型实现了0.86准确度和0.83AUC.

结论:

• 从omics数据中选择miRNA的综合框架显示了准确的早期MI诊断模型的潜力.
• HVE模型表现出强大的性能,表明尽管数据集的变化,它的实用性.
• 这种方法支持开发基于miRNA的新生物标志物,用于心血管疾病诊断.