
-
生物通官微
陪你抓住生命科技
跳动的脉搏
通过综合生物信息学分析和机器学习,将线粒体功能障碍基因鉴定为缺血性中风的诊断生物标志物
《Journal of Molecular Neuroscience》:Identification of Mitochondrial Dysfunction Genes as Diagnostic Biomarkers for Ischemic Stroke by Integrated Bioinformatics Analysis and Machine Learning
【字体: 大 中 小 】 时间:2026年05月03日 来源:Journal of Molecular Neuroscience 2.7
编辑推荐:
摘要 目前针对缺血性中风(IS)的诊断方法存在时效性和可及性不足的问题,这凸显了开发新型分子诊断模型的必要性。我们从公共数据库中检索了三个基因表达数据集(GSE16561、GSE22255和GSE58294),这些数据集包含了缺血性中风患者和健康对照组的信息。通过GeneCa
目前针对缺血性中风(IS)的诊断方法存在时效性和可及性不足的问题,这凸显了开发新型分子诊断模型的必要性。我们从公共数据库中检索了三个基因表达数据集(GSE16561、GSE22255和GSE58294),这些数据集包含了缺血性中风患者和健康对照组的信息。通过GeneCards和MitoCarta3.0数据库的交叉检索,我们得到了与线粒体功能障碍相关的基因。使用limma和WGCNA软件包筛选出与缺血性中风相关的基因。利用LASSO、RF和SVM方法对这些基因进行了特征筛选,并通过NeighborMethod、NeuralNet和BayesMethod构建了诊断模型。与对照组相比,研究发现缺血性中风患者中有3548个差异表达基因(DEGs),其中1538个基因表达上调,2010个基因表达下调。WGCNA分析共识别出10个与缺血性中风相关的基因模块,这些模块包含1643个基因。将差异表达基因、模块基因和线粒体功能障碍基因进行交叉分析后,得到了100个与缺血性中风相关的线粒体功能障碍基因。这些基因共同调控着诸如线粒体ATP合成、电子传递以及呼吸电子传递链等生物过程,并参与与缺血性中风相关的信号通路,例如活性氧物质和氧化磷酸化。进一步的机器学习方法还确定了4个具有诊断潜力的特征基因,包括MCL1、MRPL46、MTX3和RNASEH1。在合并后的数据集中,这些基因的诊断准确性均较高(AUC值均大于0.7)。机器学习模型的AUC分别为:NeighborMethod 0.814、NeuralNet 0.852和BayesMethod 0.842。使用独立队列进行的外部验证证实了所有模型的诊断准确性均较高(AUC范围为0.730–0.783)。本研究建立了一个多基因诊断模型,用于缺血性中风的诊断,有助于发现新的分子生物标志物,从而提高诊断的时效性和可及性。