使用全面机器学习 (实验研究) 在肝脏代谢后和腹手术中识别枢纽生物标志物
Zhehong Li1,2, Liang Wang1,2, Chenxu Tian1,2
1Surgery Centre of Diabetes Mellitus, Beijing Shijitan Hospital, Capital Medical University, Beijing, China.
International journal of surgery (London, England)
|December 27, 2024
概括
机器学习确定了六个关键基因 (PPARA,PLIN2,MED13,INSIG1,CPT1A,ALOX5AP) 作为通过代谢和减肥手术 (MBS) 治疗非酒精性脂肪肝疾病 (NAFLD) 的生物标志物. 这些发现为个性化NAFLD治疗策略提供了潜力.
科学领域:
- 基因组学就是基因组学.
- 生物标志物发现发现
- 机器学习在医学中的应用
背景情况:
- 非酒精性脂肪性肝病 (NAFLD) 影响全球约30%,并可能发展为严重的肝病.
- 代谢和减肥手术 (MBS) 是一种有效的治疗肥胖和相关的代谢障碍,如NAFLD.
研究的目的:
- 从MBS的角度来看,利用机器学习来识别NAFLD治疗的精确生物标志物.
- 发现用于个性化NAFLD管理的新型基因标.
主要方法:
- 在三个数据集中对脂质代谢基因进行了差异基因表达和逻辑回归分析.
- 在99个组合中评估了13个机器学习算法,以选择最佳模型.
- 根据算法重要性和频率确定了Hub基因,并在小鼠模型中验证.
主要成果:
- 确定了12个共识预测基因 (CPG).
- 四个机器学习算法展示了最佳的性能.
- 在小鼠中确定了6个枢纽基因 (PPARA,PLIN2,MED13,INSIG1,CPT1A,ALOX5AP),并验证了它们的表达.
结论:
- 已识别的六个枢纽基因对于通过MBS治疗NAFLD至关重要.
- 这些生物标志物显示出在临床实践中指导个性化NAFLD治疗的重大前景.
