揭示NLR路径签名:EP300和CPN60标记器与临床数据和机器学习集成,用于准确的NASH诊断
Marwa Matboli1, Noha E El-Attar2, Ibrahim Abdelbaky3
1Medical biochemistry and molecular biology department, Faculty of Medicine, Ain Shams University, Cairo 11566, Egypt; Molecular biology Research Lab. Faculty of Oral and Dental Medicine, Misr International University, Egypt.
Cytokine
|February 9, 2025
概括
准确的早期诊断非酒精性脂肪肝炎 (NASH) 是至关重要的. 整合分子和临床数据的机器学习模型在识别NASH时达到97%的准确性,有望更早地检测和治疗.
科学领域:
- 肝病学和胃肠道学
- 生物标志物发现发现
- 计算生物学 计算生物学
背景情况:
- 与代谢功能障碍相关的脂肪肝疾病 (MAFLD) 和非酒精性脂肪肝炎 (NASH) 越来越普遍.
- 迫切需要准确的,非侵入性的NASH早期诊断标志物.
研究的目的:
- 为了验证NLRP3相关的RNA特征用于早期NASH诊断.
- 通过集成的分子数据和机器学习来识别强大的生物标志物.
主要方法:
- 分析了237名参与者的队列 (117名对照组,60名MAFLD,120名NASH).
- 收集了25个人口,临床和分子特征.
- 机器学习模型被训练来分类NASH病例.
主要成果:
- 随机森林算法在区分NASH和非NASH方面取得了97%的准确性.
- 关键的预测特征包括EP300 mRNA,CPN60 mRNA,AST,D. bilirubin,Albumin,GGT,HbA1c,HOMA-IR和BMI. 这些特征都被发现.
结论:
- 将分子,临床和人口统计数据与机器学习相结合,为早期NASH诊断提供了一种高度准确的方法.
- 这种方法可能有助于识别患肝硬化或肝癌风险的个体,并发现新的治疗点.


