通过整合多个编程细胞死亡相关基因和机器学习算法来开发异常性肺纤维化诊断预测特征
Jingyang Sun1,2,3, Rongxuan Jiang1,2,3, Meng Li4
1Department of Thoracic Surgery, the First Affiliated Hospital of Xi'an Jiaotong University, Xi'an, China.
Journal of thoracic disease
|October 29, 2025
概括
这项研究使用编程细胞死亡 (PCD) 基因开发了异常性肺纤维化 (IPF) 的预后模型. 该模型准确预测患者的生存率,并确定IPF的潜在治疗药物.
科学领域:
- 肺部医学 肺部医学
- 基因组学就是基因组学.
- 计算生物学 计算生物学
背景情况:
- 异形性肺纤维化 (IPF) 是一种进展性肺病,存活时间有限.
- 编程细胞死亡 (PCD) 途径与IPF进展有关.
- 对PCD在IPF预后中的作用缺乏全面的分析.
研究的目的:
- 整合多个PCD相关基因,以构建IPF的预后模型.
- 为IPF的个性化临床预后评估提供见解.
- 为了促进IPF更精确的治疗策略.
主要方法:
- 利用机器学习和多个数据集来分析16种类型的PCD相关基因.
- 在IPF样本中评估免疫细胞透.
- 使用外部数据集验证了预后模型,并通过连接地图识别了潜在的药物.
主要成果:
- 鉴定了IPF的7个关键预后生物标志物 (TLR2,PDCD1LG2,AKT3,SLC1A4,ANTXR2,HTRA1,TIMP1) 的发现.
- 开发了一种细胞死亡评分 (CDS),有效地分层患者,具有高预后准确性 (AUC=0.907).
- 发现免疫细胞丰富 (B细胞,单细胞,NK细胞) 与更糟糕的结果相关,并确定了25种潜在的治疗小分子.
结论:
- 与PCD相关的基因签名为IPF预后评估提供了具有高准确性的新生物标志物.
- 鉴定出潜在的药物为IPF治疗提供了新的治疗途径.
- 这些发现支持未来开发IPF的个性化疗法.
