通过生物信息学分析和机器学习识别和验证急性心肌梗塞的相关诊断标记物

科学领域:

• 生物分子分析.
• 心血管研究的心血管研究.
• 基因组医学是一种基因组医学.

背景情况:

• 急性心肌梗塞 (AMI) 发病率正在上升,目前的诊断缺乏早期检测能力.
• (Ca2+) 水平与AMI启动密切相关,这表明与相关的基因是潜在的早期诊断生物标志物.
• 现有的AMI诊断方法在及时和准确的早期检测方面存在局限性.

研究的目的:

• 确定新的与相关的基因作为早期急性心肌梗塞 (AMI) 诊断的生物标志物.
• 开发和评估基于已识别的特征基因的AMI诊断模型.
• 探索免疫细胞透格局,构建与AMI相关的调控网络 (ceRNA,药物相互作用).

主要方法:

• 权重基因相关性网络分析 (WGCNA) 和机器学习算法 (LASSO,SVM-RFE,随机森林) 用于从基因表达数据中识别签名基因.
• CIBERSORT和ssGSEA算法分析了AMI患者的免疫细胞透与正常样本.
• 使用Cytoscape和DGIdb构建竞争的内源RNA (ceRNA) 网络并确定潜在的药物相互作用.

主要成果:

• 使用四个已识别的特征基因开发了一种高性能诊断模型.
• 在AMI患者和正常人之间观察到免疫细胞透的显著差异.
• 一个涉及lncRNAs和miRNAs的ceRNA网络被阐明为向标志性基因,以及与这些基因相互作用的潜在药物 (尼亚,酸盐,二硫化物,酸盐).

结论:

• 四个与相关的基因被验证为急性心肌梗塞 (AMI) 的潜在诊断生物标志物.
• 这项研究提供了关于AMI免疫细胞动态和调控网络的见解.
• 已确定的ceRNA和药物相互作用网络为AMI治疗提供了新的治疗策略.