使用随机森林和人工神经网络模型进行早期诊断和在缺血性中风中免疫透的特征化

科学领域:

• 基因组学和生物信息学
• 神经科学是一个神经科学.
• 免疫学 免疫学 免疫学

背景情况:

• 缺血性中风 (IS) 是一个重大的全球健康挑战,具有显著的发病率和死亡率.
• 目前的IS诊断方法存在局限性,需要开发新的方法.
• 改进的诊断模型对于改善IS患者的管理和治疗结果至关重要.

研究的目的:

• 通过基因表达分析识别缺血性中风 (IS) 的新型诊断生物标志物.
• 使用机器学习开发和验证IS分类的预测模型.
• 研究免疫细胞透在IS.病原发生中的作用.

主要方法:

• 利用基因表达数据集 (GSE16561,GSE22255) 来识别IS中的差异表达基因 (DEG).
• 构建了蛋白质-蛋白质相互作用 (PPI) 网络,并使用随机森林和人工神经网络模型来进行关键的DEG选择.
• 使用GSE58294数据集验证了IS分类模型,并通过CIBERSORT分析评估了免疫细胞透.

主要成果:

• 确定了26个与IS相关的显著DEG,其中10个关键基因被选择 (例如ARG1,DUSP1,F13A1).
• 开发了一种具有高精度的IS分类模型 (AUC接近1),证明了其诊断潜力.
• 揭示了IS患者免疫相关网络的升高,突出了免疫细胞透的作用.

结论:

• 这项研究确定了特定的基因和免疫细胞特征,这些特征对于理解IS的发病过程至关重要.
• 这些发现为开发缺血性中风的新诊断和治疗策略提供了潜在的目标.