基于多个omics的机器学习揭示了脏缺血-再输液损伤中的特定巨细胞子集群,并构建了移植结果的预测模型

科学领域:

• 免疫学 免疫学 免疫学
• 腎臟醫學 腎臟醫學
• 计算生物学 计算生物学

背景情况:

• 缺血-再输液损伤 (IRI) 是移植并发症的主要原因,如延迟移植功能 (DGF) 和移植失败.
• 巨细胞在IRI期间的炎症反应中发挥着关键作用.
• 了解巨细胞动态是预测和减轻IRI结果的关键.

研究的目的:

• 在IRI中分析巨细胞的发育和分化.
• 为了识别IRI的分子亚型.
• 建立DGF和移植生存的预测策略.

主要方法:

• 单细胞RNA测序 (scRNA-Seq) 数据分析以确定IRI特异性的巨细胞子集群.
• 权重基因共同表达网络分析 (WGCNA) 以确定关键基因模块和枢纽基因.
• 达成共识的聚类来定义IRI分子亚型.
• 深度学习和机器学习算法用于DGF和移植生存预测.
• 在小鼠IRI模型中的验证 (qRT-PCR,WB,IHC).

主要成果:

• 确定了与脏IRI相关的独特的巨细胞子集群,与损伤进展有关.
• 发现了两个具有独特特征的IRI分子亚型 (CI和C2).
• 一个用于DGF预测的深度学习模型实现了高性能 (AUC 0.816/0.845).
• 一个机器学习模型准确地预测了移植失败.
• 在IRI脏组织中,ANXA1表达显著上调.

结论:

• 这项研究阐明了特定巨细胞子集在脏IRI中的作用.
• 确定了两个不同的IRI患者子组,使得量身定制的管理.
• 开发了DGF和移植存活的强大预测模型,提供了潜在的治疗目标和早期预防策略.