使用基于机器学习的策略,识别精神分裂症第一发病前未使用过药物的患者的外围生物标志物

科学领域:

• 神经科学是一个神经科学.
• 免疫学 免疫学 免疫学
• 遗传学 遗传学 是一个

背景情况:

• 精神分裂症诊断缺乏可靠的生物标志物,使临床分类复杂化.
• 周围血液生物标志物对于可访问的精神分裂症诊断至关重要.
• 识别与免疫相关的标记物可能会提供新的诊断途径.

研究的目的:

• 在外周血液中识别精神分裂症的免疫相关分子生物标志物.
• 使用机器学习对RNA测序数据进行预测基因选.
• 在外部数据集中验证潜在的生物标志物.

主要方法:

• 高通量RNA测序外周血液白细胞从第一期药物先精神分裂症患者和对照.
• 差异基因表达分析和权重基因相关性网络分析 (WGCNA).
• 机器学习算法 (随机森林,LASSO,SVM-RFE) 和CIBERSORT用于免疫细胞分析.

主要成果:

• 在精神分裂症患者和对照者之间确定了734个差异表达基因 (DEG).
• 选了三个与免疫相关的预测基因:FOSB,NUP43和H3C1.
• 这些基因与中性粒细胞和休息自然杀手细胞的比例呈现相关性.

结论:

• 通过外围mRNA表达的分析,FOSB,NUP43和H3C1被确定为潜在的精神分裂症生物标志物.
• 这些与特定免疫细胞相关的基因可以改善精神分裂症的诊断.
• 使用这些基因的机器学习模型在外部数据集中证明了验证.