基于机器学习的优先考虑与动物骨关节炎关节损伤相关的基因
1Institute of Systems, Molecular and Integrative Biology, University of Liverpool, Liverpool, L69 7ZB, UK; Computational Biology Facility, University of Liverpool, Liverpool, L69 7ZB, UK.
Osteoarthritis and cartilage
|January 16, 2026
概括
这项研究开发了一种机器学习模型,以优先考虑与骨关节炎 (OA) 关节损伤相关的未研究的基因. 该模型成功地确定了关键的基因和途径,为未来的OA研究提供了一个工具.
科学领域:
- 遗传学和基因组学 在
- 生物信息学是一种生物信息学.
- 骨关节炎研究 骨关节炎研究
背景情况:
- 骨关节炎 (OA) 是一种具有复杂遗传基础的退行性关节疾病.
- 鉴定涉及关节炎病原体的新基因对于开发有效治疗方法至关重要.
- 优先考虑候选基因的现有方法通常在范围和可扩展性方面是有限的.
研究的目的:
- 在骨关节炎 (OA) 动物模型中,系统地优先考虑尚未研究的基因,以了解它们在调节关节损伤表型方面的潜力.
- 开发和验证一种机器学习模型,用于识别新型OA相关基因.
- 为研究人员提供一个工具来探索与OA相关的转录组数据.
主要方法:
- 策划了567个已知的OA相关基因,并将它们与1139个骨转录基因数据集和人类蛋白质-蛋白质相互作用网络集成在一起.
- 使用交叉验证训练了三个机器学习模型 (XGBoost,SVM,随机森林).
- 在一个独立的测试集上评估模型并使用SHAP值来解释可解释性.
主要成果:
- XGBoost模型实现了最高的性能 (AUROC 0.84),有效地优先考虑了新型OA相关基因.
- 关键的预测特征包括动物模型和人类OA组织的转录组反应,以及蛋白质-蛋白质相互作用数据.
- 确定了具有影响力的途径,如氧化酸化和补充,并优先考虑了IER3,SOCS3,NFKBIA,MMP2和MAP3K8.8.等基因.
结论:
- 成功开发了一种机器学习模型,以系统地优先考虑尚未研究的OA相关基因.
- 该模型显示了作为一种有价值的OA基因发现和研究工具的潜力.
- 一个R包,SkeletalVis,可供研究人员探索转录组数据和模型预测.
