基于机器学习的勒相关生物标志物的识别和预后预测模型在败血症
Xiaoshu Liu1, Junmei Song2,3, Yi Liao1
1Department of Respiratory and Critical Care Medicine, Sichuan Provincial People's Hospital, School of Medicine, University of Electronic Science and Technology of China, Chengdu, China.
Frontiers in cellular and infection microbiology
|October 15, 2025
概括
这项研究开发了机器学习模型,使用勒相关的分子亚型来预测败血症预后. 转移素受体 (TFRC) 和Pleckstrin同质域含有家族A成员1 (PILRA) 成为败血症患者分层的关键生物标志物.
科学领域:
- 生物化学 生物化学
- 基因组学就是基因组学.
- 计算生物学 计算生物学
背景情况:
- 莱普在败血症预后中的作用是公认的,但其潜在机制需要阐明.
- 败血症是一个重大的全球健康挑战,需要改进诊断和预后工具.
研究的目的:
- 通过先进的机器学习开发勒普丁相关的败血症诊断和预后模型.
- 确定用于预测败血症结果和理解疾病异质性的新生物标志物.
主要方法:
- 非阴性矩阵因子化 (NMF) 和加权基因共表达网络分析 (WGCNA) 以确定败血症亚型和关键基因.
- 使用最小绝对收缩和选择运算符,随机森林,随机生存森林和渐变增强机算法的预测模型的开发.
- 单细胞RNA测序和实验验证 (qPCR,西方涂抹) 用于核心基因表达分析.
主要成果:
- 鉴定了三种不同的勒相关性败血症分子亚型,预后不同.
- 开发可靠的预测模型,在培训和验证队伍中展示强大的预测性能.
- 通过多平台分析,一致确定TFRC和PILRA作为潜在的生物标志物.
结论:
- 通过集成机器学习方法建立了有效的素相关的败血症预后模型.
- 作为败血症患者分层和临床管理的生物标志物,TFRC和PILRA显示出前景,为疾病异质性提供了洞察力.
