整合孟德尔随机化和机器学习来识别低氧相关的诊断生物标志物和COPD的因果关系

科学领域:

• 肺部医学 肺部医学
• 遗传学 是一个遗传学.
• 分子生物学分子生物学

背景情况:

• 慢性阻塞性肺病 (COPD) 的特点是肺功能逐渐下降.
• 缺氧是COPD发展的关键病原性因素.
• 在COPD中对缺氧相关基因 (HRG) 的系统性研究是有限的.

研究的目的:

• 通过机器学习来识别使用COPD的HRG相关的诊断生物标志物.
• 评估候选人HRG和COPD之间的因果关系.
• 探索COPD中确定的HRG的临床实用性和潜在的监管机制.

主要方法:

• 机器学习算法被用来识别基于HRG的诊断生物标志物.
• 接收器操作特征 (ROC) 分析用于性能评估.
• 进行了门德尔随机化 (MR) 和ceRNA网络分析,以评估因果关系和调节途径.

主要成果:

• 确定了六个HRG基础的诊断生物标志物,其中SLC2A1显示出高诊断值 (AUC>0.8).
• 核磁共振分析证实了SLC2A1表达对COPD风险的显著因果作用 (OR = 1.32).
• 发现SLC2A1促进了气道上皮细胞中缺氧诱导的代谢重编程,MALAT1,NEAT1和XIST被确定为潜在的上游调节者.

结论:

• SLC2A1被确定为COPD的因果和诊断相关基因.
• 这些发现为低氧驱动的COPD病原体提供了新的见解.
• 这项研究支持COPD个性化治疗策略的开发.