通过综合生物信息学分析和机器学习识别缺血性中风的新生物标志物
Juan Jia1,2, Liang Niu1,3, Peng Feng1
1Lanzhou University Second Hospital, The Second Medical College of Lanzhou University, Cuiyingmen No.82, Chengguan District, Lanzhou, 730030, China.
Journal of molecular neuroscience : MN
|January 25, 2025
概括
使用生物信息学和机器学习识别的缺血性中风的预测生物标志物可以改善早期诊断和个性化治疗. 基因VIM在预测中风后果方面特别有前途.
科学领域:
- 生物标志物和生物信息学
- 神经科学和中风研究
- 计算生物学和机器学习
背景情况:
- 缺血性中风会导致不可逆转的脑损伤,需要快速诊断和治疗.
- 预测性生物标志物对于早期检测,及时干预和个性化治疗策略至关重要.
- 生物信息学方法对于了解中风的生物机制和确定治疗点至关重要.
研究的目的:
- 使用基因表达数据识别缺血性中风的新型预测生物标志物.
- 研究候选基因在缺血性中风病原和免疫透中的作用.
- 为改善缺血性中风的预测和诊断提供参考.
主要方法:
- 从基因表达综合 (GEO) 数据库中分析了缺血性中风基因表达数据.
- 采用加权基因共同表达网络分析 (WGCNA) 来识别相关的基因模块.
- 利用机器学习算法 (LASSO,RF,SVM-RFE,GLM,XGBoost) 进行核心基因查和验证.
主要成果:
- 确定了与缺血性中风相关的五个候选核心基因 (MBOAT2,CKAP4,FAF1,CLEC4D,VIM).
- 绘制了免疫透景观,并分析了核心基因和免疫细胞之间的关系.
- 基因VIM进一步被验证为缺血性中风的关键预测生物标志物.
结论:
- 这项研究成功地确定并验证了VIM作为缺血性中风的有希望的预测生物标志物.
- 这些发现增强了对缺血性中风分子支柱和免疫相互作用的理解.
- 鉴定的生物标志物为临床预测和诊断缺血性中风提供了有价值的参考.
