用机器学习驱动的对心房的治疗点的探索 - 单细胞和批量转录组的联合分析和实验验证实验验验证

科学领域:

• 基因组学和生物信息学
• 心血管研究研究心血管研究
• 分子生物学分子生物学

背景情况:

• 心房动 (AF) 是一种复杂的心律失常,其分子机制尚未完全理解.
• 确定AF的新型治疗点和诊断生物标志物对于改善患者的治疗结果至关重要.

研究的目的:

• 通过分析基因表达特征,揭示潜在的AF背后的分子机制.
• 通过机器学习和转录基因数据识别关键基因并开发AF的诊断模型.

主要方法:

• 分析了AF患者的转录组数据,包括差异基因表达分析和途径丰富.
• 机器学习算法 (LASSO,SVM-RFE,RF) 用于选关键的AF相关基因.
• 构建并验证了一个名谱模型;进行单细胞和免疫透分析,随后进行RT-qPCR和西斑验证.

主要成果:

• 确定了64个差异表达基因 (DEG),这些基因在肌肉过程,免疫反应和信号传递中具有丰富作用.
• 通过机器学习算法识别了六个关键基因,形成了一个名录,AF诊断的AUC为0.97.
• 单细胞分析揭示了细胞类型特定的基因表达,免疫透分析显示AF患者的免疫微环境发生了变化.

结论:

• 这项研究为AF分子机制提供了新的见解,并确定了AF诊断的潜在的非侵入性生物标志物.
• 鉴定到的关键基因和诊断模型对开发有针对性的AF疗法充满了希望.