与代谢功能障碍相关的脂肪肝炎诊断和分层的创新方法

科学领域:

• 肝病学和生物信息学
• 分子生物学和机器学习

背景情况:

• 与代谢功能障碍相关的脂肪性肝病 (MASLD) 和其炎症形式,与代谢功能障碍相关的脂肪性肝炎 (MASH),正在引发全球健康问题.
• 由于缺乏非侵入性生物标志物,早期检测MASLD/MASH具有挑战性,需要创新的诊断方法.

研究的目的:

• 开发一种用于MASLD/MASH的诊断模型,使用生物信息学,分子/生化数据和机器学习的组合.
• 确定用于早期检测和区分MASLD/MASH的新型非侵入性生物标志物.

主要方法:

• 生物信息学分析以确定与MASLD/MASH.相关的RNA分子和途径 (铁亡,外食)
• 来自400名参与者的血清样本的生物化学和分子分析 (健康,MASLD,MASH).
• 监督机器学习模型 (随机森林,神经网络) 应用于分子签名和临床/生化数据.

主要成果:

• 生物信息学确定了铁亡中的关键分子网络 (例如GPX4,LPCAT3) 和外食 (例如TSG101,HGS).
• 血清分析显示了脂质,肝功能和血糖指标的显著差异,以及MASLD/MASH患者特定基因和表观遗传调节者的改变表达.
• 随机森林模型在区分健康,MASLD和MASH组方面表现出很高的表现,BMI是关键的歧视性临床因素.

结论:

• 整合各种数据类型,包括分子特征和临床/生化特征,为早期MASLD/MASH检测提供了一个有希望的非侵入性策略.
• 机器学习模型,特别是随机森林模型,可以有效地利用这些集成数据进行准确的MASLD/MASH诊断.
• 这些发现的进一步验证可能会导致改善MASLD/MASH的临床诊断工具.