多模式转录学:整合机器学习和卷积神经网络,以识别动脉样硬化中的免疫生物标志物

科学领域:

• 血管生物学 血管生物学
• 计算生物学 计算生物学
• 免疫学 免疫学 免疫学

背景情况:

• 动脉样硬化是心血管事件的主要原因,但其致病性尚未完全理解.
• 现有的知识差距阻碍了对这种复杂的血管疾病的有效治疗方法的开发.
• 动脉样硬化在全球范围内造成了重大的社会和经济负担.

研究的目的:

• 开发用于识别动脉样硬化分子水平标记物的计算模型.
• 整合机器学习和生物信息学,以更深入地了解动脉样硬化.
• 阐明动脉样硬化管理的新型治疗点.

主要方法:

• 对三个基因表达综合 (GEO) 数据集 (GSE100927,GSE43292,GSE159677) 的分析,包括批量和单细胞转录组学.
• 权重基因同表达网络分析 (WGCNA) 和蛋白与蛋白相互作用 (PPI) 网络构建的应用.
• 开发和验证三种机器学习模型 (逻辑回归,CNN) 用于标记基因识别和亚型聚类 (GSVA,免疫测试).

主要成果:

• 鉴定了三个关键的动脉样硬化相关基因:CD36,S100A10和CSNK1A1.1.
• 划分两种不同的动脉样硬化异型:C2 (杀菌活性) 和C1 (炎症调节,组织修复,免疫平衡).
• 通过分子对接来探索雌激醇,齐多夫丁,印尼纳维尔和德罗纳的治疗潜力.

结论:

• 引入了三种动脉样硬化特征基因,为研究临床免疫药物建立了一个新的框架.
• 区分高生物杀伤性C2亚型和调节炎症的C1亚型.
• 利用已识别的特征基因作为动脉样硬化治疗的关键治疗点.