机器学习识别了与中性粒细胞外细胞陷相关的生物标志物,用于急性缺血性中风诊断

科学领域:

• 生物医学信息学 生物医学信息学
• 免疫学 免疫学 免疫学
• 神经学 神经学

背景情况:

• 急性缺血性中风 (AIS) 是导致残疾和死亡的主要原因.
• 早期和准确的诊断对于有效的治疗至关重要.
• 越来越多地认识到中性粒细胞外细胞陷 (NETs) 在AIS病变发生中的作用.

研究的目的:

• 研究AIS中NET相关基因的诊断潜力.
• 使用生物信息学识别用于AIS诊断的新型基因特征.
• 探索AIS中潜在的分子机制和免疫失调.

主要方法:

• 整合了两个基因表达综合 (GEO) 数据集 (GSE37587,GSE16561) 以识别差异表达基因 (DEG).
• 基因组丰富分析 (GSEA) 和单样GSEA (ssGSEA) 用于途径和免疫细胞透分析.
• 使用机器学习 (LASSO,RF) 识别与NET相关的DEG (NDEG) 和枢纽基因.
• 使用独立数据集 (GSE58294) 构建和验证诊断模型.

主要成果:

• 在AIS患者和健康对照者之间确定了551个DEG.
• 在AIS中观察到显著的免疫失调,包括增加中性粒细胞透.
• 确定了四个枢纽基因 (SRC,TLR8,FCAR,HIF1A),形成了一个诊断模型,AUC为0.880 (训练) 和0.936 (验证).
• NETs形成途径和免疫调节在NDEGs中得到显著丰富.

结论:

• 与NETs相关的基因签名显示了AIS的诊断潜力.
• 已识别的枢纽基因和诊断模型为AIS诊断提供了有前途的工具.
• 这些发现为AIS的免疫机制提供了洞察力,可能指导治疗策略.