使用基因签名基于机器学习模型预测腰痛患者的治疗结果
Youzhi Lian1,2, Yinyu Shi3,4, Haibin Shang1,2
1Baoshan Hospital Affiliated to Shanghai University of Chinese Medicine, Shanghai, 201999, China.
Pain and therapy
|December 25, 2024
概括
使用外围免疫细胞基因表达的机器学习模型可以准确预测腰部疼痛 (LBP) 治疗结果. 这种方法识别了关键基因,为个性化LBP管理策略铺平了道路.
科学领域:
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
- 机器学习 机器学习
背景情况:
- 腰部疼痛 (LBP) 是一个重大的全球健康挑战,治疗反应不可预测.
- 低腰痛的分子基础和治疗结果的有效预测仍然难以捉摸.
- 来自外围免疫细胞的转录组数据为了解LBP变异性提供了潜在的途径.
研究的目的:
- 开发和验证用于预测LBP治疗结果的机器学习模型.
- 利用基因签名基础的方法,使用外围免疫细胞转录学.
- 确定与LBP患者治疗反应相关的关键基因.
主要方法:
- 来自LBP患者的转录组数据被分析以确定差异表达基因 (DEGs).
- 机器学习模型 (Lasso,弹性网,随机森林,SVM,GBM) 用于特征选择.
- 使用9个算法训练了45个预测模型,并通过5倍的交叉验证进行评估,评估准确性,精度,回忆和F1分数.
主要成果:
- 在患有缓解和持续疼痛的患者中确定了61个DEG.
- 性能最好的模型,包括带有物流回归的弹性网,实现了高精度 (高达88.7%±8.0%).
- 15个模型的准确度超过了80%,证明了机器学习方法的稳定性.
结论:
- 转录数据和机器学习可以有效预测LBP治疗结果.
- 已识别的关键基因和准确的预测模型支持个性化的LBP治疗策略.
- 沙普利添加式扩展 (SHAP) 增强了模型的解释性和临床相关性.
