使用基因表达分析和机器学习识别纤维肌痛的诊断生物标志物
Fuyu Zhao1,2,3, Jianan Zhao1,2,3, Yang Li4
1Department of Rheumatology, Guanghua Hospital Affiliated to Shanghai University of Traditional Chinese Medicine, Shanghai, China.
Frontiers in genetics
|May 2, 2025
概括
研究人员确定了纤维肌痛 (FM) 的三个遗传生物标志物 (DYRK3,RGS17,ARHGEF37). 这一利用生物信息学和机器学习的发现,可以改善这种复杂的自身免疫性疾病的早期诊断和患者管理.
科学领域:
- 遗传学 是一个遗传学.
- 生物信息学是一种生物信息学.
- 免疫学 免疫学 免疫学
背景情况:
- 纤维肌痛 (FM) 是一种复杂的自身免疫性疾病,引起广泛的疼痛和疲劳.
- 目前的诊断挑战源于缺乏特定的生物标志物.
- 早期诊断和干预对于有效的患者管理至关重要.
研究的目的:
- 识别和验证纤维肌痛潜在的遗传标记物.
- 使用机器学习开发FM的诊断模型.
- 为了促进早期诊断和改善FM患者的治疗结果.
主要方法:
- 来自基因表达大巴 (GEO) 的基因表达数据的分析.
- 识别与FM.相关的差异表达基因 (DEGs).
- 丰富分析 (GO,KEGG,Reactome) 和XGBoost模型的开发和验证.
主要成果:
- 三个关键基因 (DYRK3,RGS17,ARHGEF37) 被确定为潜在的FM生物标志物.
- 这些基因参与离子稳态,细胞信号传递和神经生物学功能.
- 一个诊断模型的AUC为0.8338 (训练) 和0.8178 (验证).
结论:
- 通过生物信息学和机器学习成功确定了三种FM的诊断生物标志物.
- 这些发现显示了改善FM诊断准确性的潜力.
- 这可能会带来更好的患者管理和更好的治疗结果.


