细胞外陷相关基因作为子宫内膜异位症的潜在诊断生物标志物

科学领域:

• 妇科 妇科 妇科 妇科
• 免疫学 免疫学 免疫学
• 生物信息学是一种生物信息学.

背景情况:

• 子宫内膜异位症 (EM) 是生殖年龄妇女常见的妇科疾病.
• 目前的EM诊断方法缺乏可靠性和非侵入性选择.
• 中性细胞外细胞陷 (NETs) 参与EM病原和免疫调节.

研究的目的:

• 为了确定新的生物标志物,用于对子宫内膜异位症的非侵入性诊断.
• 使用机器学习开发EM的预测诊断模型.
• 通过差异基因表达分析和NETs相关标记,精确确定与EM相关的关键基因.

主要方法:

• 利用GSE141549数据集识别EM中差异表达的基因和NET相关标记物.
• 采用了13个机器学习算法来构建和评估诊断模型.
• 选择了四个中心基因 (CEACAM1,FOS,PLA2G2A,THBS1) 并使用交叉验证和外部队列验证诊断模型.

主要成果:

• 一个四基因诊断模型显示出高精度 (AUC:0.962在训练中,0.975在交叉验证中).
• 该模型在外部队列和一致的基因表达中显示出强大的概括性.
• 鉴定的基因 (CEACAM1,FOS,PLA2G2A,THBS1) 与免疫透有显著的关联.

结论:

• CEACAM1,FOS,PLA2G2A和THBS1是对子宫内膜异位症诊断的有希望的生物标志物.
• 这些生物标志物可能会增强EM的早期检测策略.
• 这些发现支持对子宫内膜异位症的非侵入性诊断工具的潜在开发.