NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Arka planBu çalışma, biyobelirteçleri taramak ve Parkinson hastalığı için tanısal bir model oluşturmak için Ağırlıklı Gen Eş İfade Ağ Analizi (WGCNA) ve Destek Vektör Makinesi (SVM) algoritmasını kullanmayı amaçlamaktadır.Metodlarİlk olarak, Parkinson hastalığı hastalarından ve kontrol grubundan gelen gen ekspresyon verileri üzerinde üç GEO veri seti (GSE8397, GSE20163 ve GSE20164) kullanarak gen modüllerini tanımlamak için WGCNA analizi yaptık. Daha sonra, bu gen modüllerinden önemli ölçüde diferansiyel ekspresyona sahip anahtar genler aday biyobelirteçler olarak seçildi ve GSE7621 veri kümesi kullanılarak doğrulandı. Daha fazla fonksiyonel analiz, bu genlerin bağışıklık düzenlemesi, enflamatuar yanıt ve hücre apoptozu gibi süreçlerdeki önemli rollerini ortaya koydu. Bu bulgulara dayanarak, FLT1, ATP6V0E1, ATP6V0E2 ve H2BC12'nin ifade verilerini girdi ve eğitim olarak kullanarak ve modeli SVM algoritması kullanarak doğrulayarak bir teşhis modeli oluşturduk.Sonuçlar Tahmin modeli, eğitim, test ve doğrulama setlerinde 0.8'den daha büyük bir AUC gösterdi ve böylece performansını SMOTE analizi ile doğruladı. Bu bulgular Parkinson hastalığının erken teşhisi için güçlü bir destek sağlar ve kişiselleştirilmiş tedavi ve hastalık yönetimi için yeni fırsatlar sunar.Sonuç olarak, WGCNA ve SVM kombinasyonu Parkinson hastalığı için biyobelirteç tarama ve teşhis modeli yapımında potansiyel tutar.
Özgün kaynak özetini okuyun
BackgroundThis study aims to utilize Weighted Gene Co-expression Network Analysis (WGCNA) and Support Vector Machine (SVM) algorithm for screening biomarkers and constructing a diagnostic model for Parkinson's disease.MethodsFirstly, we conducted WGCNA analysis on gene expression data from Parkinson's disease patients and control group using three GEO datasets (GSE8397, GSE20163, and GSE20164) to identify gene modules associated with Parkinson's disease. Then, key genes with significantly differential expression from these gene modules were selected as candidate biomarkers and validated using the GSE7621 dataset. Further functional analysis revealed the important roles of these genes in processes such as immune regulation, inflammatory response, and cell apoptosis. Based on these findings, we constructed a diagnostic model by using the expression data of FLT1, ATP6V0E1, ATP6V0E2, and H2BC12 as inputs and training and validating the model using SVM algorithm.ResultsThe prediction model demonstrated an AUC greater than 0.8 in the training, test, and validation sets, thereby validating its performance through SMOTE analysis. These findings provide strong support for early diagnosis of Parkinson's disease and offer new opportunities for personalized treatment and disease management.ConclusionIn conclusion, the combination of WGCNA and SVM holds potential in biomarker screening and diagnostic model construction for Parkinson's disease.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.