在MASH中发现肝脏转录组和循环蛋白组签名:基于元分析和机器学习的生物标志物发现
Elena Cristina Rusu1, Helena Clavero-Mestres2, Mario Sánchez-Álvarez2
1GEMMAIR research Unit (AGAUR) - Applied Medicine (URV). Department of Medicine and Surgery. University Rovira I Virgili (URV), Health Research Institute Pere Virgili (IISPV), 43007, Tarragona, Spain; Institute for Integrative Systems Biology (I2SysBio), University of Valencia and the Spanish National Research Council (CSIC), 46980, Valencia, Spain.
Computers in biology and medicine
|April 12, 2025
概括
研究人员确定了代谢相关脂肪肝炎 (MASH) 中的关键分子通路,并开发了一种用于诊断的机器学习模型. 这项研究强调了细胞外矩阵放松调节和补充系统参与MASH进展.
科学领域:
- 肝病学和分子生物学
- 生物标志物发现发现
- 机器学习在医学中的应用
背景情况:
- 代谢相关脂肪肝炎 (MASH) 是一种与纤维化和心血管问题相关的渐进性肝病.
- 目前的诊断方法缺乏用于MASH检测和分期的可靠生物标志物.
- 识别特定的分子签名对于推进MASH管理至关重要.
研究的目的:
- 为了识别与MASH相关的肝脏转录和循环蛋白质组签名.
- 开发一种机器学习模型,用于使用蛋白质比率发现MASH生物标志物.
主要方法:
- 对RNA-Seq和蛋白质组数据集 (483个肝脏,169个血清/血样本) 的系统审查.
- 差异基因和蛋白质表达分析,通路丰富分析.
- 开发一种机器学习模型,利用蛋白质比率来识别生物标志物.
主要成果:
- 肝脏分析揭示了5017个差异表达的基因,富含细胞外矩阵 (ECM) 途径.
- 血清蛋白组学确定了六种差异表达的蛋白质,包括补充因子.
- 机器学习模型在外部验证中获得了F1得分0.67.
结论:
- 在MASH的进展中,ECM放松管制和补充系统激活都涉及到MASH的进展.
- 使用蛋白质比率的新型机器学习模型显示了MASH诊断的潜力.
- 为了临床应用,需要在更大的队列中进一步验证.
