基于生物信息学和多种机器学习方法的诊断模型的构建和对糖尿病病的效应基因的识别,同时进行血管化
Lili Huang1, Wenjing Wu2,3,4, Shenhui Lv2
1Clinical College of Chinese Medicine, Hubei University of Chinese Medicine, Wuhan, China.
Frontiers in molecular biosciences
|October 30, 2025
概括
这项研究确定了JUN,PTGDS和SLC22A17作为糖尿病病 (DKD) 与血管化 (VC) 的潜在生物标志物. 这些来自生物信息学和机器学习的发现为DCD与VC的早期诊断提供了新的目标.
科学领域:
- 生物信息学是一种生物信息学.
- 机器学习 机器学习
- 基因组学就是基因组学.
- 生物标志物发现发现
背景情况:
- 糖尿病病 (DKD) 和血管化 (VC) 是严重的健康问题.
- 了解DKD和VC之间的共享机制对于有效治疗至关重要.
研究的目的:
- 为DKD构建一个诊断模型,同时使用VC.
- 探索DKD和VC共享的潜在生物机制.
- 为了确定DKD与VC的潜在诊断生物标志物.
主要方法:
- 利用了基因表达综合 (GEO) 数据库中的RNA测序数据.
- 应用生物信息学工具,包括limma和加权基因共同表达网络分析 (WGCNA).
- 采用机器学习算法 (LASSO,随机森林,GMM,SVM-REF) 进行模型构建和枢纽基因识别.
- 进行了基因本体学 (GO),基因和基因组的京都百科全书 (KEGG),基因组丰富分析 (GSEA) 和Cibersort免疫透分析.
主要成果:
- 确定了五种常见的差异表达基因 (coDEGs):JUN,KCND3,HIP1,PTGDS和SLC22A17.
- 在SVM-REF模型中,JUN,PTGDS和SLC22A17在SVM-REF模型中显示出高的诊断性能 (AUC:1在验证中,0.897在测试中).
- 功能性丰富分析强调了炎症,骨质细胞分化,亡和铁亡中的作用.
- 免疫透分析揭示了DKD患者各种免疫细胞群体的显著变化.
结论:
- 建议JUN,PTGDS和SLC22A17作为DCD与VC的潜在生物标志物.
- 这些生物标志物与免疫,代谢和炎症过程有关.
- 这项研究为早期诊断和治疗VC的DKD提供了新的目标.
- 强调了将生物信息学和机器学习整合到生物标志物发现中的有用性.
