通过综合生物信息学分析和机器学习,识别枢纽基因,诊断模型和在孕前的免疫透

科学领域:

• 基因组学和生物信息学
• 生物标志物发现发现
• 生殖医学 生殖医学

背景情况:

• 孕前 (PE) 对母亲和胎儿的健康构成重大风险.
• 准确和早期诊断PE对于有效的管理至关重要.
• 需要新的生物标志物来提高PE检测率.

研究的目的:

• 为了确定产前 (PE) 的新型诊断生物标志物.
• 将权重基因共同表达网络分析 (WGCNA) 与用于生物标记物发现的机器学习相结合.
• 在PE患者中验证候选生物标志物.

主要方法:

• 使用了来自基因表达综合 (GEO) 数据库的PE数据集GSE25906.
• 进行了差异基因表达分析和WGCNA.
• 使用机器学习来识别候选枢纽基因 (F13A1和SCCPDH).
• 使用西式涂抹和qPCR验证了基因表达.
• 用CIBERSORT算法评估免疫细胞的透情况.

主要成果:

• 确定F13A1和SCCPDH作为PE的关键枢纽基因.
• 获得了名谱和候选基因的高诊断值 (AUC:0.90和0.88).
• 在PE患者中证实F13A1和SCCPDH表达升高.
• 在PE中观察到独特的免疫细胞透模式,包括增加的血细胞和激活的树突细胞.

结论:

• F13A1和SCCPDH作为PE诊断的潜在生物标志物非常有前途.
• 整合WGCNA和机器学习有助于发现复杂疾病的生物标志物.
• 这种方法为PE提供了更精确,更可靠的诊断工具的途径.