基于可解释的机器学习模型,识别与灭相关的基因,用于预测与代谢功能障碍相关的脂肪肝炎

科学领域:

• 肝病学和免疫学 肝病学和免疫学
• 分子生物学分子生物学
• 生物信息学是一种生物信息学.

背景情况:

• 作为一种被编程细胞死亡途径的亡,在代谢功能障碍相关的脂肪肝炎 (MASH) 中,它越来越多地与肝炎和纤维化有关.
• 在MASH中与热相关的基因的诊断潜力仍然未得到充分探索.
• 这项研究旨在确定用于MASH诊断的关键 pyroptosis签名.

研究的目的:

• 为了识别和验证MASH的诊断,与热相关的分子签名.
• 使用机器学习开发用于MASH诊断的预测模型.
• 为了探索基于热的基因表达MASH的分子亚型.

主要方法:

• 对MASH患者和对照组的转录组数据进行了差异性基因表达和通路丰富分析.
• 机器学习算法,包括随机森林,用于识别核心热灭菌标记物和构建诊断模型.
• 验证使用独立的数据集,动物模型和细胞系统进行.

主要成果:

• 在MASH中,五个与热相关的基因 (LPL,FABP4,STMN2,AKR1B10,EEF1A2) 被确定为关键签名.
• 随机森林模型实现了高的诊断准确性 (AUC=0.957).
• 鉴定出的基因在物流回归和名录模型中表现出强大的预测价值,分子亚型揭示了疾病异质性.

结论:

• 与热死相关的基因特征与MASH诊断相关,提高了准确性.
• 这些发现支持基于MASH分子亚型的向治疗的开发.
• 这项研究为增强的诊断工具和个性化的MASH治疗提供了基础.