基于机器学习的LDHC和SLC35G2甲基化的验证作为食物过敏的表观遗传生物标志物
Sabire Kiliçarslan1, Meliha Merve Hiz Çiçekliyurt2, Serhat Kiliçarslan3
1Department of Medical System Biology, Graduate School of Sciences, Çanakkale Onsekiz Mart University, Çanakkale 17010, Türkiye.
Biomedicines
|October 29, 2025
概括
在LDHC和SLC35G2中的表观遗传生物标志物DNA甲基化 (DNAm) 显示出准确诊断食物过敏的前景. 机器学习集成提高了诊断精度,减少了误诊,改善了对过敏疾病的患者护理.
科学领域:
- 免疫学 免疫学 免疫学
- 遗传学 遗传学 是一个
- 计算生物学 计算生物学
背景情况:
- 食物过敏是一个日益增长的全球健康问题,具有诊断挑战.
- 目前的方法难以区分过敏和敏感性,导致误诊.
- 像DNA甲基化 (DNAm) 这样的表观遗传标记,为精确的诊断提供了潜力.
研究的目的:
- 为了确定新的表观遗传生物标志物用于准确的食物过敏诊断.
- 通过机器学习和DNAm数据来提高诊断准确度.
- 要区分真正的食物过敏和食物敏感性.
主要方法:
- 采用了集成DNAm数据的机器学习框架.
- 使用差异甲基化分析 (limma) 和各种算法 (SVM,k-NN,随机森林,ANN).
- 应用深度学习 (堆叠自动编码器) 用于模式发现和维度减少,在外部数据集 (GSE114135) 上得到验证.
主要成果:
- 确定LDHC和SLC35G2甲基化作为预测食物过敏的潜在生物标志物.
- LDHC基因甲基化有效地区分了食物过敏和敏感性.
- 机器学习和深度学习的整合提供了对表观遗传数据的强有力的分析,并通过外部验证得到证实.
结论:
- 机器学习与DNAm数据相结合,在食物过敏诊断方面推进了精准医学.
- LDHC和SLC35G2是食品过敏的经过验证的表观遗传生物标志物.
- 结合这些生物标志物的临床试验可以减少误诊,并指导对过敏疾病表观遗传学的研究.
