机器学习筛选脓毒症特征预测基因

搜索

机器学习筛选脓毒症特征预测基因

全文直达

引用

打印

摘要：摘要：目的：本研究通过生物信息学方法来寻找脓毒症特征预测基因，探讨机器学习在筛选脓毒症特征预测基因方面的应用。方法与结果：1.从 GEO 数据库下载 GSE26440、GSE54514、GSE57065 三个脓毒症全血基因表达谱数据集。 2.将 GSE26440 和 GSE57065 数据集作为实验组进行两种算法进行特征基因筛选，运用 Lasso 算法共筛选 19 个脓毒症特征基因，运用 SVM 算法筛选出 13 个脓毒症特征基因，将 Lasso 与 SVM 算法筛选的脓毒症特征基因取交集，共得到 5 个脓毒症候选特征基因。3.将 GSE54514 做为验证组对 5 个脓毒症筛选特征基因进行验证，确定了 MCEMP1、UPP1、CD177、CYSTM1 和 RAB13 共 5 个 DEmRNAs 作为诊断基因生物标志物。4.对差异基因进行 GO 分析、KEGG 分析，结果表明，参与炎症反应的差异基因包括 T 细胞激活、免疫反应调控信号通路、白细胞介导的免疫等。5.对差异基因使用 CIBERSORT 进行免疫细胞浸润分析，显示中性粒细胞、单核细胞、M0 型巨噬细胞在脓毒症血液中表达水平明显较高。6.共筛选出 MCEMP1、 UPP1、CD177、CYSTM1、RAB13 五个脓毒症特征预测基因。结论：机器学习可以用来筛选脓毒症特征预测基因。MCEMP1、UPP1、CD177、CYSTM1、RAB13 是脓毒症特征预测基因，可能为脓毒症的早期诊断及预后判断提供帮助。

关键词：

关键词：脓毒症；生物信息学；生物标志物

Universe Scientific Publishing

ISSN：2661-359X

年,卷(期)：2023,5(15)