相关实验视频
Updated: Jun 3, 2025
07:42
A Data-Driven Approach to Quantifying Immune States in Sepsis
Published on: February 7, 2025
144
结合机器学习和单细胞测序来识别血症中的关键免疫基因
Hao Wang1, Linghan Len2, Li Hu2
1Clinical Medical College, Southwest Medical University, Luzhou, People's Republic of China.
Scientific reports
|January 9, 2025
概括
研究人员确定了五个关键基因 (CD4,HLA-DOB,HLA-DRB1,HLA-DRA,AHNAK) 是新的败血症指标. 这些参与免疫反应的基因在败血症患者的表达减少,有助于诊断模型的开发.
科学领域:
- 基因组学就是基因组学.
- 免疫学 免疫学 免疫学
- 生物信息学是一种生物信息学.
背景情况:
- 败血症诊断依赖于临床标准,往往导致治疗延迟.
- 新型分子生物标志物是早期和准确的败血症检测所需的.
研究的目的:
- 为了确定新的基于RNA测序的败血症生物标志物.
- 利用这些生物标志物开发机器学习诊断模型.
主要方法:
- 来自败血症患者和健康对照的外周血液的RNA测序分析.
- 使用DESeq2和limma的差异基因表达分析.
- 使用拓学和机器学习算法进行生物网络构建和枢纽基因识别.
- 基因组丰富分析 (GSEA) 和免疫细胞透分析.
- 使用机器学习开发和验证诊断模型.
主要成果:
- 鉴定了5148 (DESeq2) 和5636 (limma) 的差异表达基因.
- 发现了五个关键的枢纽基因:CD4,HLA-DOB,HLA-DRB1,HLA-DRA和AHNAK.
- 关键基因与免疫细胞透相关,并参与免疫/炎症通路.
- 机器学习模型在败血症诊断方面表现出高性能.
- 在败血症患者中通过qPCR确认了关键基因的减少表达.
结论:
- 已识别的关键基因作为毒症的有希望的新生物标志物.
- 结合这些基因的机器学习模型可以改善败血症诊断.
- 需要在更大的队列中进一步验证.
