机器学习识别了原发性髓纤维化与炎症相关的诊断生物标志物,并进行了临床验证

科学领域:

• 血液学 血液学 血液学
• 在瘤学瘤学.
• 基因组学就是基因组学.

背景情况:

• 初级骨髓纤维化 (PMF) 是一种复杂的骨髓疾病,炎症在其进展中起着关键作用.
• 目前,没有一个确立的诊断模型有效地利用与炎症相关的基因来诊断PMF或风险分层.

研究的目的:

• 确定具有初级骨髓纤维化 (PMF) 诊断和预后价值的特定炎症相关基因 (IRG).
• 使用机器学习方法开发和验证PMF的预测模型.

主要方法:

• 来自基因表达综合 (GEO) 数据库的转录组数据被分析以确定差异表达基因 (DEG).
• 机器学习算法,包括LASSO和随机森林,被用来选择关键的枢纽基因.
• 使用选择的基因构建了一个名录模型,并使用独立的数据集和局部测序数据进行验证.

主要成果:

• 三个基因 (HBEGF,TIMP1,PSEN1) 被确定为PMF患者和健康个体之间的显著表达差异.
• 在初始队列中,基于这三个基因的诺米图表显示出高诊断准确性 (AUC=0.994),并得到了外部验证 (AUC=0.807,AUC=0.982).
• 丰富分析显示了与癌症和免疫通路的关联,以及与免疫细胞透和功能相关的模型基因.

结论:

• 基于与炎症相关的基因开发并验证了一种强大的PMF三基因诊断模型.
• 该模型为初级骨髓纤维化辅助诊断和风险评估提供了一个有前途的非侵入性分子工具.