基于机器学习的预测,使用新生儿带血CpG部位的甲基化变化来预测早产风险
Yuxin Feng1,2, Ying Ni3, Wenkai Wang4
1Department of Oncology, the Affiliated Suzhou Hospital of Nanjing Medical University, Suzhou, Jiangsu Province, 215000, China.
BMC pregnancy and childbirth
|July 22, 2025
概括
带血中的DNA甲基化变化与早产风险有关. 使用这些表观遗传标记的机器学习模型对早期临床评估具有很高的准确性.
科学领域:
- 表观遗传学 在表观遗传学中,表观遗传学是指表观遗传学.
- 新生儿健康 新生儿健康
- 计算生物学 计算生物学
背景情况:
- 过早分娩 (37周前的分娩) 是导致婴儿死亡和疾病的首要原因.
- 在带血中CpG位点DNA甲基化模式与早产风险有关.
研究的目的:
- 在新生儿带血液中识别差异性CpG位点.
- 开发机器学习模型,利用甲基化数据预测早产风险.
主要方法:
- 分析了110个带血样本 (GSE110828数据集) 的甲基组数据.
- 使用拉索,弹性网和随机森林来选择关键的CpG地点.
- 构建和评估了45个准确度,精度,回忆和F1分数的预测模型.
主要成果:
- 确定了66个重要的CpG位点,区分了早产和满期分娩.
- 四个模型,包括随机森林与拉索和随机森林的梯度提升,实现了93.75%的验证准确度.
结论:
- 在带血液中CpG位点DNA甲基化是早产的重要生物标志物.
- 基于表观遗传的机器学习模型为早期风险评估提供了高预测准确度.
