相关实验视频
Updated: May 24, 2025
07:42
A Data-Driven Approach to Quantifying Immune States in Sepsis
Published on: February 7, 2025
135
通过整合生物信息学和机器学习,利用各种细胞死亡模式来诊断败血症
Mi Liu1, Xingxing Gao2, Hongfa Wang1
1Center for Rehabilitation Medicine, Department of Anesthesiology, Zhejiang Provincial People's Hospital, Affiliated People's Hospital, Hangzhou Medical College, Hang Zhou, China.
PeerJ
|March 3, 2025
概括
编程细胞死亡 (PCD) 在败血症中至关重要. 研究人员确定了三个PCD相关基因 (NLRC4,TXN,S100A9) 作为诊断败血症的准确生物标志物,为早期检测提供了潜力.
科学领域:
- 生物化学 生物化学
- 免疫学 免疫学 免疫学
- 遗传学 遗传学 是一个
背景情况:
- 败血症是一种危及生命的疾病,死亡率高.
- 编程细胞死亡 (PCD) 与败血症的发展和进展有关.
- 对于败血症患者来说,PCD可以作为诊断和预后指标.
研究的目的:
- 开发和验证使用PCD相关基因对败血症的诊断模型.
- 为了确定潜在的外周血液生物标志物用于败血症诊断.
主要方法:
- 分析14个PCD模式用于模型构建.
- 收集和分析七个转录组和一个单细胞测序数据集.
- 机器学习算法用于选PCD相关基因.
主要成果:
- 在败血症患者和健康个体之间确定了289个PCD相关的差异表达基因.
- 使用机器学习选NLRC4,TXN和S100A9作为潜在的败血症生物标志物.
- 在培训和验证组中实现了高诊断准确性 (AUC 98.6%-100.0%).
- 通过qPCR在患者样本中验证了生物标志物,并在骨髓细胞/单细胞和树突细胞中发现了表达.
- 与免疫细胞透相关的生物标志物,表明在败血症发病过程中发挥了作用.
结论:
- 开发并验证了基于三种PCD相关基因的败血症诊断模型.
- NLRC4,TXN和S100A9显示为周围血液毒症诊断生物标志物具有前途.
