使用机器学习探索可能与牛皮中IL-17A抑制剂反应相关的目标
Yan Wei1, Meng Liu1, Kuan-Hou Mou1
1Department of Dermatology, The First Affiliated Hospital of Xi'an Jiaotong University, Xi'an, Shaanxi, 710061, People's Republic of China.
Clinical, cosmetic and investigational dermatology
|December 31, 2025
概括
这项研究揭示了牛皮中IL-17抑制剂的机制,确定了CLCNKB和GFRA3基因上调作为治疗耐药性和复发的潜在驱动因素. 这些发现为牛皮的结果提供了新的预测模型.
科学领域:
- 免疫皮肤学 免疫皮肤学
- 基因组学就是基因组学.
- 计算生物学 计算生物学
背景情况:
- 牛皮是一种慢性炎症性皮肤疾病.
- 干白素-17 (IL-17) 抑制剂是有效的治疗方法,但可能导致耐药性和复发.
- 了解治疗反应背后的分子机制对于改善患者的治疗结果至关重要.
研究的目的:
- 为了阐明IL-17抑制剂在牛皮中的机制.
- 为了确定关键的基因和途径参与治疗耐药性和复发.
- 开发用于用IL-17抑制剂治疗的牛皮患者临床结果的预测模型.
主要方法:
- 使用的公共基因表达数据集 (GSE226244,GSE31652,GSE201827).
- 应用差异基因表达分析 (Limma,WGCNA) 和机器学习 (LASSO-glmBoost) 来识别预测生物标志物.
- 使用qPCR验证了关键基因表达 (CLCNKB,GFRA3) 并通过孟德尔随机化探索了与细胞因子的因果关系.
主要成果:
- 鉴定了95个差异表达的基因,富含FoxO信号,氨酸降解和cGMP-PKG通路.
- 开发了一种具有高诊断性能 (AUC 0.920培训,0.858测试) 的LASSO-glmBoost模型,强调CLCNKB和GFRA3作为关键预测因素.
- 证实了CLCNKB和GFRA3的上调以及它们与细胞因子失调的因果关系 (例如IL-13,IL-10,IL-12,TGF-β,TNF-α).
结论:
- 在细胞因子失调的同时,CLCNKB和GFRA3的上调可能会导致IL-17抑制剂耐药性和牛皮的复发.
- 这项研究提出了一种新的预测方法,用于牛皮的临床结果.
- 需要进一步的临床验证才能将这些发现转化为实践.
更多相关视频
03:08Using Human Differentially Expressed Gene Lists to Perform Downstream Pathway Enrichment Analysis and Target Prioritization
Published on: October 3, 2025
866
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.6K
