通过机器学习引导血蛋白水平的解卷
Maik Pietzner1,2,3, Carl Beuchel4,5, Kamil Demircan4,6
1Computational Medicine, Berlin Institute of Health at Charité - Universitätsmedizin Berlin, Berlin, Germany. maik.pietzner@bih-charite.de.
Molecular systems biology
|October 9, 2025
概括
机器学习确定了影响超过43,000个人的血液蛋白质水平的关键因素. 可修改的因素解释了比遗传学更多的蛋白质变异,有助于生物标志物的发现.
科学领域:
- 蛋白质组学是指蛋白质组学.
- 生物标志物发现发现
- 机器学习 机器学习
背景情况:
- 蛋白质组技术测量数千种血液蛋白质,但了解它们的起源对于生物标志物开发至关重要.
- 对影响血蛋白水平的因素的有限知识阻碍了临床转化.
研究的目的:
- 使用机器学习系统地识别参与者和样本特征,以解释血蛋白水平的差异.
- 开发一个框架来识别潜在的药物向参与标记物和疾病特异性生物标记物.
主要方法:
- 应用机器学习分析了43,240个人的血蛋白水平和>1800名参与者/样本特征.
- 基于共享的解释因素的聚类蛋白质,并将发现与遗传和药物数据集成到知识图中.
主要成果:
- 20个因素的中位数解释了19.4%的蛋白质变异,可改变的因素 (10.0%) 比遗传变异 (3.9%) 贡献更多.
- 解释因素在性别和祖先群体中基本一致.
- 确定了矩阵金属蛋白酶12作为腹腔大动脉动脉瘤的潜在生物标志物.
结论:
- 机器学习可以系统地发现驱动血蛋白水平的因素,推进生物标志物发现.
- 开发的框架和知识图有助于识别蛋白质生物标记物和潜在的药物标.
- 该资源使表型丰富成为可能,并为探索蛋白质组数据和发现提供了工具.
