通过使用多种机器学习算法,对BST1作为儿科败血症新型诊断生物标志物的全面分析和实验验证

科学领域:

• 在儿科疾病中发现生物标志物
• 免疫学和炎症研究研究.
• 机器学习在诊断中的应用.

背景情况:

• 儿科败血症是一个关键的全球健康问题,具有显著的发病率和死亡率.
• 儿科败血症的诊断标记需要进一步精细化,以进行早期和准确的检测.
• 骨髓 stromal 细胞抗原-1 (BST1) 在儿科败血症中的作用尚未明确确.

研究的目的:

• 为了研究儿童败血症患者中BST1的表达.
• 为了评估儿童败血症的BST1的诊断价值.
• 为了识别关键的中性粒细胞外细胞陷 (NETs) 相关基因用于败血症诊断.

主要方法:

• 使用机器学习算法 (LASSO,RF,XGBoost,LightGBM,Boruta) 来识别公共数据集中的诊断基因 (GSE13904,GSE26378,GSE26440).
• 通过使用接收器操作特征 (ROC) 曲线,评估了儿科败血症中的BST1表达和诊断效用.
• 在临床样本中通过ELISA测量血清BST1和髓氧化酶 (MPO) -DNA复合物的水平;使用CIBERSORT分析免疫细胞透.

主要成果:

• BST1被确定为儿科败血症中最重要的NET相关诊断生物标志物.
• 与健康对照组相比,儿科败血症患者的血清BST1水平显著升高 (AUC=0.873).
• BST1的诊断性能优于前素 (PCT),白细胞计数 (WBC) 和C反应蛋白 (CRP),与MPO-DNA复合物水平相关.

结论:

• 血清BST1是一种潜在且有效的儿科败血症诊断生物标志物.
• 在儿科败血症中,BST1的诊断能力超过了传统的炎症标志物.
• BST1水平与NET形成有关,这表明它在败血症发病过程中发挥了作用.