NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Amaç: Bu çalışma, venöz tromboembolizm (VTE) ile ilgili anahtar genleri taramak ve analiz etmek ve bu biyobelirteçler ile bağışıklık hücresi sızması arasındaki ilişkiyi araştırmak için biyoinformatik ve makine öğrenme algoritmalarını kullanmayı amaçlamaktadır. Yöntemler: GSE19151 tanımlayıcısı olan gen ekspresyon profili GEO veritabanından indirildi. Limma paketini kullanarak diferansiyel ekspresyon analizi, VTE ve normal örnekler arasında diferansiyel olarak ifade edilen genleri tanımlamak için yapılmıştır. Bu genlerin biyolojik faaliyetleri daha sonra R dil paketini kullanarak GO analizi yoluyla araştırıldı. KEGG ve GSEA da anahtar sinyal yollarını belirlemek için gerçekleştirildi. Ayrıca, VTE ile ilgili hub gen imzalarını belirlemek için makine öğrenme teknikleri kullanıldı ve bulguları doğrulamak için ROC eğrileri kullanıldı. Sağlıklı ve VTE örneklerinin bağışıklık sızmasını karşılaştırmak için, tek örnek gen seti zenginleştirme analizi (ssGSEA) uygulandı. Son olarak, Spearman korelasyon katsayısı, hub genlerinin ekspresyonu ve bağışıklık hücresi infiltrasyonu arasındaki ilişkiyi değerlendirmek için kullanılmıştır. Bulgular: VTE örnekleri ile normal örnekler arasında toplam 628 diferansiyel olarak ifade edilen gen (DEG) keşfedildi. GO analizi, protein poliubiquitinasyonu, lizozomal lümen asitizasyonu, organellar ribozom, mitokondriyal ribozom, amonyum transmembran taşıyıcı aktivitesi ve en yüksek DEG bolluğuna sahip süreçler olarak immünoglobulin bağlayıcılığını tanımladı. KEGG yol analizi, DEG'lerin ribozom, COVID-19, viral enfeksiyon, oksidatif fosforilasyon, Parkinson hastalığı, alkolsüz yağlı karaciğer hastalığı, apoptoz ve kanser açısından zenginleştiğini ortaya koydu. VTE ile ilişkili en belirgin KEGG yolları, GSEA bulgularına göre ribozom, Parkinson hastalığı, oksidatif fosforilasyon, Alzheimer hastalığı ve Huntington hastalığıydı. DLST ve LSP1, VTE'de hub gen imzaları olarak makine öğrenimi bütünleyici analiz ile tespit edildi ve ROC eğrileri tanı değerlerini doğruladı. ssGSEA'dan elde edilen sonuçlar, bazı bağışıklık hücrelerinin içeriği ile pozitif olarak ilişkili olan DLST ve LSP1 ekspresyonu ile VTE ve normal örnekler arasındaki bağışıklık hücresi sızması derecesinde önemli bir fark olduğunu göstermiştir. Bu makalede kullanılan R paketi, kod ve analiz sonuçları https://github.com/doctorlaby/my-project adresinde bulunmaktadır. Sonuç: Araştırmamız, DLST ve LSP1'in VTE'nin önemli biyobelirteçleri olarak tanımlanmasında makine öğrenme tekniklerini kullanan ilk araştırmadır. Bulgularımızla, VTE'nin altında yatan nedenler ve etkilenen hastalar için potansiyel tedaviler hakkında yeni bilgiler ortaya çıkardık.
Özgün kaynak özetini okuyun
Objective: This study aims to use bioinformatics and machine learning algorithms to screen and analyze the key genes involved in venous thromboembolism (VTE) and explore the relationship between these biomarkers and immune cell infiltration. Methods: The gene expression profile with the identifier GSE19151 was downloaded from the GEO database. Differential expression analysis using the limma package was conducted to identify genes that were differentially expressed between VTE and normal samples. Biological activities of these genes were then investigated through GO analysis utilizing the R language package. KEGG and GSEA were also performed to identify key signaling pathways. Furthermore, machine learning techniques were employed to determine hub gene signatures related to VTE, and ROC curves were used to validate the findings. To compare the immune infiltration of healthy and VTE samples, single sample gene set enrichment analysis (ssGSEA) was applied. Lastly, the Spearman correlation coefficient was used to assess the relationship between the expression of hub genes and immune cell infiltration. Results: A total of 628 differentially expressed genes (DEGs) were discovered between the VTE samples and normal samples. GO analysis identified protein polyubiquitination, lysosomal lumen acidification, organellar ribosome, mitochondrial ribosome, ammonium transmembrane transporter activity, and immunoglobulin binding as the processes with the highest abundance of DEGs. KEGG pathway analysis revealed that DEGs were enriched in ribosome, COVID-19, viral infection, oxidative phosphorylation, Parkinson's disease, nonalcoholic fatty liver disease, apoptosis, and cancer. The most prominent KEGG pathways associated with VTE were ribosome, Parkinson's disease, oxidative phosphorylation, Alzheimer's disease, and Huntington's disease according to GSEA findings. DLST and LSP1 were identified as hub gene signatures in VTE by machine learning integrative analysis, and ROC curves confirmed their diagnostic value. Results from ssGSEA indicated a significant difference in the degree of immune cell infiltration between VTE and normal samples, with the expression of DLST and LSP1 positively correlated with the content of some immune cells. The R package, code, and analysis results used in this paper are available on https://github.com/doctorlaby/my-project. Conclusion: Our research is the first to utilize machine learning techniques in identifying DLST and LSP1 as significant biomarkers of VTE. With our findings, we have uncovered new insights into the underlying causes of VTE and potential treatments for affected patients.
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.