使用转录基因数据集预测子宫内膜异位症的基因组生物标志物
Zeynep Kucukakcali1, Sami Akbulut1,2, Cemil Colak1
1Department of Biostatistics and Medical Informatics, Inonu University Faculty of Medicine, Malatya 44280, Türkiye.
World journal of clinical cases
|July 17, 2025
概括
机器学习发现了子宫内膜异位症的潜在遗传生物标志物,这是一种影响数百万女性的疾病. 这项研究突出了CUX2和HOTAIR等基因,用于未来的诊断开发.
科学领域:
- 基因组学和生物信息学
- 计算生物学是一种计算生物学.
- 妇女健康研究 妇女健康研究
背景情况:
- 子宫内膜异位症影响全球1.8亿名女性,其特点是子宫外的子宫内膜组织.
- 子宫内膜异位症的确切原因尚不清楚,这促使人们对其遗传基础进行研究.
- 遗传学研究通过关联和映射技术探索子宫内膜异位症的遗传方面.
研究的目的:
- 使用机器学习 (ML) 精确确定与子宫内膜异位症相关的遗传生物标志物.
- 开发基于转录基因数据的子宫内膜异位症诊断预测模型.
主要方法:
- 一项用16名子宫内膜异位症患者和22名对照组的开放访问转录组数据进行的病例对照研究.
- 机器学习算法的应用,包括AdaBoost,XGBoost,随机梯度提升和袋式分类和回归树 (CART).
- 模型性能使用精度,平衡精度,灵敏度,特异性,正预测值,负预测值和F1得分进行评估,并进行五倍交叉验证.
主要成果:
- 袋装CART表现出优越的分类性能,达到85.7%的准确性和100%的灵敏性.
- 确定了一些关键的潜在遗传生物标志物,包括CUX2,CLMP,CEP131,EHD4,CDH24,ILRUN,LINC01709,HOTAIR,SLC30A2和NKG7.7等.
- 该研究成功地对子宫内膜异位症进行了分类,表明了高度准确的诊断预测模型.
结论:
- 从转录基因数据中确定了子宫内膜异位症的潜在基因组生物标志物.
- 机器学习模型可以有效地分类子宫内膜异位症,有助于诊断预测.
- 未来的研究可能会阐明子宫内膜异位症的病理学,并导致非侵入性诊断方法.
