使用机器学习和生物信息学识别和诊断动脉样硬化中的性细胞死亡基因

科学领域:

• 生物医学研究的研究.
• 分子生物学分子生物学
• 计算生物学是一种计算生物学.

背景情况:

• 狂热细胞死亡 (LCD) 越来越多地被认为是其在慢性炎症状况,如动脉样硬化 (AS) 中的作用.
• 了解LCD在AS中的精确机制对于开发新的治疗策略至关重要.
• 这项研究利用先进的生物信息学和机器学习来探索LCD在AS病变发生过程中的参与.

研究的目的:

• 为了研究动脉样硬化中细胞死亡的作用和机制.
• 使用机器学习识别与AS中的LCD相关的关键基因和途径.
• 根据LCD相关特征开发AS的诊断模型.

主要方法:

• 利用了来自GEO数据库的基因表达数据和单细胞测序.
• 确定了差异表达基因 (DEG) 和与LCD相关的DEG (LCDEG).
• 开发并验证了一种人工神经网络 (ANN) 模型,用于使用ROC曲线进行AS诊断和分期.

主要成果:

• 该ANN模型在区分正常与AS病例以及识别早期与高级阶段方面表现出高准确性.
• 共识聚类揭示了两个AS亚型:C1 (非免疫,早期阶段) 和C2 (免疫,高级阶段).
• 在巨细胞中,LCDEG活性升高,特别是在"炎症"亚型中,这表明巨细胞介导的机制.

结论:

• 狂热细胞死亡与动脉样硬化有关,主要是通过巨细胞介导的途径.
• 该研究确定了细胞染色体B-245β链 (CYBB) 作为AS的潜在诊断生物标志物.
• 这些发现强调了在AS管理中准LCD的临床潜力.