机器学习选择基底膜相关基因,并开发纤维化预测模型
Ziwei Yuan1, Guangjia Lv2, Xinyan Liu3
1Department of Laboratory Medicine, The Third People's Hospital of Ganzhou, 341000, Ganzhou, China.
Scientific reports
|February 24, 2025
概括
研究人员使用机器学习识别了五个关键的底层膜基因,以预测纤维化. 这一发现为早期诊断和针对慢性病的向治疗提供了新的途径.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 基因组学就是基因组学.
- 计算生物学 计算生物学
背景情况:
- 纤维化是慢性病 (CKD) 进展的主要驱动因素,通常导致末期功能衰竭.
- 目前的纤维化诊断方法缺乏足够的灵敏度和特异性.
- 基底膜相关的基因在纤维化病原发生过程中起着至关重要的作用.
研究的目的:
- 确定与纤维化相关的关键底层膜相关基因.
- 开发一种基于机器学习的纤维化预测模型.
- 用实验方法验证已识别的基因和预测模型.
主要方法:
- 利用了来自GEO数据库的基因表达数据.
- 应用机器学习算法,包括LASSO,随机森林和SVM-RFE用于基因选择.
- 开发了一种基于已识别的关键基因的Nomogram预测模型.
- 在临床样本和TGF-β治疗的HK-2细胞上使用qRT-PCR验证的结果.
主要成果:
- 确定了五个关键的基底膜相关基因:ARID4B,EOMES,KCNJ3,LIF和STAT1.
- 开发了一个Nomogram预测模型,其曲线下面面积 (AUC) 为0.923.
- 在纤维化模型中,实验证实了ARID4B,EOMES,LIF,STAT1的上调和KCNJ3的下调.
结论:
- 基底膜相关的基因在纤维化的发展中至关重要.
- 开发的Nomogram模型在预测纤维化方面具有很高的准确性.
- 这些发现支持提升早期诊断和脏纤维化向治疗的开发.
