综合机器学习用于识别与血小板相关的诊断生物标志物和川崎病的免疫景观
1Department of Pediatrics, Shangyu People's Hospital of Shaoxing, Shaoxing University, Shaoxing, China.
Translational pediatrics
|March 11, 2026
概括
这项研究确定了四个血小板生物标志物,以创建用于诊断川崎病 (KD) 的机器学习模型. 这些发现揭示了它们在KD病变发生中的作用,有助于未来的诊断和治疗.
科学领域:
- 免疫学 免疫学 免疫学
- 基因组学就是基因组学.
- 计算生物学 计算生物学
背景情况:
- 川崎病 (KD) 是幼儿的一种急性发烧性疾病.
- 血小板是血液静止和炎症的关键,有助于KD的血管损伤.
- 了解血小板的作用对于KD诊断和治疗至关重要.
研究的目的:
- 确定KD的血小板相关的诊断生物标志物.
- 为KD开发基于机器学习的诊断模型.
- 描述这些生物标志物的免疫特征,途径活动和调节网络.
主要方法:
- 来自四个KD队列的综合转录组数据.
- 使用差异分析和WGCNA选了与血小板相关的差异表达基因.
- 使用机器学习算法 (LASSO,RF,XGBoost) 来识别生物标志物和模型验证.
- 分析了免疫透,通路丰富,分子亚型和调控网络.
主要成果:
- 鉴定了四种诊断生物标志物:CD63,F5,STXBP2和SERPINA1.
- 这些生物标志物通过失调的凝血,免疫过活化和血管损伤参与了KD的发病.
- 与中性粒细胞透和核糖体路径抑制发现的相关性.
- 发现了不同的免疫内型和潜在的主调节剂 (has-miR-155-5p,SMAD5,SAP30,PHF8).
结论:
- 使用血小板生物标记物的机器学习模型可以帮助KD诊断.
- 阐明了这些生物标志物在免疫失调和血管损伤中的致病作用.
- 为改善KD诊断和向治疗提供了基础.
