通过使用生物信息学和机器学习方法,确定了潜在的三个关键目标基因,用于儿童的败血性休克

科学领域:

• 儿科重症监护医药 儿科重症监护医药
• 生物信息学是一种生物信息学.
• 计算生物学是一种计算生物学.

背景情况:

• 儿童的感染性休克是一种危及生命的传染病,死亡率高.
• 了解儿科败血症死亡的机制对于改善患者的治疗结果至关重要.
• 早期预测死亡风险有助于临床决策和治疗策略.

研究的目的:

• 用生物信息学和机器学习来确定与儿童致命性败血症相关的关键基因和途径.
• 为包括中国传统医学 (TCM) 在内的向治疗提供理论基础.
• 发现新的遗传标记,用于预测儿科患者的败血症相关死亡.

主要方法:

• 来自GEO数据库 (GSE4607) 的基因表达特征分析,比较非致命和致命的儿科败血症病例.
• 鉴定差异表达基因 (DEGs) 和基因本体学 (GO) 和基因和基因组 (KEGG) 路径的京都百科全书的丰富分析.
• 构建蛋白质-蛋白质相互作用 (PPI) 网络并应用机器学习算法 (LASSO,随机森林,SVM-RFE) 来识别核心诊断基因.

主要成果:

• 鉴定了83个差异表达的基因,其中78个是上调的,5个是下调的.
• 蛋白质与蛋白质相互作用网络分析强调了17个候选基因.
• 确定了三个核心基因CD163,MCEMP1和RETN具有诊断价值,并可能调节补充和凝血级联等途径.

结论:

• 鉴定出CD163,MCEMP1和RETN是与儿童败血症相关死亡率相关的关键基因.
• 这些基因可能共同影响参与败血症发病的关键生物学途径.
• 这些发现提供了对儿科败血症死亡率的新理解,并建议潜在的治疗点.