从基于机器学习方法的淋巴细胞子集中识别通用焦虑症的神经炎症生物标志物
Jingjing Lu1,2, Weiwei Liang3, Lijun Cui1,2
1Sleep Medical Center of Huzhou Third Municipal Hospital, The Affiliated Hospital of Huzhou University, Huzhou, China.
Neuropsychobiology
|January 22, 2025
概括
通用焦虑症 (GAD) 涉及炎症反应. 这项研究发现,特定的淋巴细胞子集,如CD3+CD4+T细胞,可以作为GAD诊断的神经炎症生物标志物,机器学习达到95%的准确性.
科学领域:
- 免疫学 免疫学 免疫学
- 神经科学是一个神经科学.
- 计算生物学 计算生物学
背景情况:
- 炎症反应系统的激活与一般性焦虑障碍 (GAD) 的发病有关.
- 确定可靠的炎症生物标志物对于准确的GAD诊断至关重要.
研究的目的:
- 使用机器学习算法识别和描述用于GAD诊断的炎症生物标志物.
- 探索淋巴细胞子集与GAD严重程度之间的关联.
主要方法:
- 在GAD患者中评估周围免疫参数和淋巴细胞子集.
- 多变量线性回归和ROC分析用于预测价值评估.
- 机器学习的应用 (权重组合-L2) 用于GAD分类.
主要成果:
- 在GAD患者中,中性粒细胞,单细胞和SII显著增加 (p < 0.01).
- 在CD3+CD4+T细胞,CD3+CD8+T细胞,CD19+B细胞和NK细胞中观察到显著的变化 (p < 0.001).
- 机器学习模型在GAD预测中实现了95.00 ± 2.04%的准确性;CD3+CD4+T %具有高度的预测性.
结论:
- 淋巴细胞子集,特别是CD3+CD4+T细胞,在GAD中发生变化,可以作为神经炎症生物标志物发挥作用.
- 机器学习为研究神经炎症生物标志物和预测GAD提供了一种有效的方法.
- 这项研究提供了关于细胞免疫在GAD中的作用的见解,突出了淋巴细胞子集作为潜在的预测和治疗点.
