基于多组学分析和机器学习的分子特征识别,用于肝脏疾病类型的诊断分类,沿着微生物群-肠-肝脏轴
1Department of Bioengineering, Faculty of Engineering, Adana Alparslan Türkeş Science and Technology University, Adana, Turkey.
Journal of clinical and experimental hepatology
|April 28, 2025
概括
这项研究确定了与肝病进展相关的关键基因,microRNA和肠道微生物. 机器学习模型在诊断急性肝衰竭和非酒精性脂肪肝等疾病方面表现有前途.
科学领域:
- 基因组学和微生物学
- 计算生物学和生物信息学
- 肝病学 肝病学是一种肝病学.
背景情况:
- 肝脏疾病每年造成数百万人的死亡,肠肝轴微生物相互作用与病变发生有关.
- 研究的疾病包括早期慢性肝病 (eCLD),慢性肝病 (CLD),急性肝衰竭 (ALF),急性至慢性肝衰竭 (ACLF),非酒精性脂肪肝病 (NAFLD),脂肪肝炎和肝硬化.
研究的目的:
- 用转录组和肠道微生物组数据识别肝病进展中的分子特征.
- 用机器学习模型评估这些签名的诊断实用性.
主要方法:
- 转录组分析以识别差异表达基因 (DEG) 和调控元素 (microRNA,转录因子).
- 将转录基因数据与肠道微生物组合的整合.
- 机器学习算法的应用 (随机森林,MLP,XGBoost等) 对于ALF和NAFLD的分类.
主要成果:
- 关键基因 (例如CLDN14,EGFR,GSK3B),miRNA (例如let-7a-5p,miR-124-3p) 和转录因子 (例如NFKB1,SP1) 被确定为关键.
- 潜在的新型肠道微生物群与肝脏疾病的相关性,包括Dictyostelium discoideum和Eikenella.
- 随机森林模型实现了75%的ALF准确度和100%的NAFLD诊断准确度.
结论:
- 确定了肝病进展至关重要的关键生物分子和途径.
- 突出了分子特征和肠肝轴的诊断潜力.
- 临床应用需要进一步的实验验证.
更多相关视频
11:22Microbiota Analysis Using Two-step PCR and Next-generation 16S rRNA Gene Sequencing
Published on: October 15, 2019
27.6K
09:52A Clinical Metaproteomics Workflow Implemented within Galaxy Bioinformatics Platform to Analyze Host-Microbiome Interactions Underlying Human Disease
Published on: January 10, 2025
436
