NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD), yaygın ve zayıflatıcı bir nörodejeneratif bozukluktur. İnflamatuvar yanıt, PD'nin patogenezinde ve ilerlemesinde gereklidir. Bu çalışmanın amacı, biyoinformatik ve makine öğreniminin PD'deki enflamatuar yanıtla ilgili biyobelirteç genlerini taramak için birleştirilmesidir. İlk olarak, enflamatuar yanıtla ilişkili diferansiyel olarak ifade edilen genler tarandı, PPI ağları analiz için inşa edildi ve zenginleştirildi. LASSO, SVM-RFE ve Random Forest algoritmaları biyobelirteç genlerini taramak için kullanıldı. Daha sonra ROC eğrileri çizildi ve PD risk tahmin modelleri biyobelirteç genleri temelinde inşa edildi. Son olarak ilaç duyarlılık analizi, mRNA-miRNA ağ yapımı ve tek hücreli transkriptom veri analizi yapıldı. Deneysel sonuçlar, enflamatuar yanıtla ilgili 31 farklı ifade edilmiş geni taradığımızı gösterdi. Sitokin aktivitesi gibi sinyal yolları bu genlerle ilişkiliydi. Makine öğrenme algoritmaları kullanılarak üç biyobelirteç tanımlanmıştır: IL18R1, NMUR1 ve RELA. On yedi ortak ilişkili miRNA, mRNA-miRNA ağı tarafından PD'de olası düzenleyici düğümler olarak tanımlandı. Son olarak, bu üç biyobelirteç, tek hücreli transkriptomik analizde T hücreleri, Endotel hücreleri, uyarıcı nöronlar, inhibitör nöronlar ve diğer hücrelerle yakından ilişkili bulunmuştur. Sonuç olarak, IL18R1, NMUR1 ve RELA, inflamatuar yanıtta PD için potansiyel terapötik hedefler ve PD tanısı için yeni biyobelirteçler olabilir.
Özgün kaynak özetini okuyun
Parkinson's disease (PD) is a common and debilitating neurodegenerative disorder. The inflammatory response is essential in the pathogenesis and progression of PD. The goal of this study is to combine bioinformatics and machine learning to screen for biomarker genes related to the inflammatory response in PD. First, differentially expressed genes associated with inflammatory response were screened, PPI networks were constructed and enriched for analysis. LASSO, SVM-RFE and Random Forest algorithms were used to screen biomarker genes. Then, ROC curves were drawn and PD risk predicting models were constructed on the basis of the biomarker genes. Finally, drug sensitivity analysis, mRNA-miRNA network construction and single-cell transcriptome data analysis were performed. The experimental results showed that we screened 31 differentially expressed genes related to inflammatory response. Signaling pathways such as cytokine activity were associated with these genes. Three biomarkers were identified using machine learning algorithms: IL18R1, NMUR1 and RELA. Seventeen co-associated miRNAs were identified by the mRNA-miRNA network as possible regulatory nodes in PD. Finally, these three biomarkers were found to be closely associated with T cells, Endothelial cells, excitatory neurons, inhibitory neurons, and other cells in single-cell transcriptomic analysis. In conclusion, IL18R1, NMUR1 and RELA could be potential therapeutic targets for PD in inflammatory response and new biomarkers for PD diagnosis.
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.