基于机器学习算法的铁死亡相关基因脓毒症诊断模型

作者：韩冰; 赵颖颖; 马铭玉; 王岩; 杜佳欣; 杜丽娟; 孙同文^*

来源：河南医学研究, 2023, 32(20): 3649-3654.

DOI：10.3969/j.issn.1004-437X.2023.20.001

• 脓毒症
• 铁死亡
• 机器学习
• 诊断模型

目的 基于机器学习算法构建铁死亡相关基因脓毒症的诊断模型，并分析其预后价值及生物学功能。方法 从基因表达综合数据库中获取GSE65682、GSE28750和GSE95233数据集；利用R软件分析数据集中脓毒症患者和健康人外周血微阵列芯片数据，获得铁死亡差异表达基因；进一步利用机器学习支持向量机递归特征消除和Lasso回归算法筛选基因并构建脓毒症诊断模型，采用受试者工作特征(ROC)曲线评估模型性能；最后对纳入模型的基因进行基因集富集分析(GSEA)和基因集变异分析(GSVA),采用Kaplan-Meier曲线评估其预后价值。结果 共筛选出34个铁死亡差异表达基因，其中19个高表达，15个低表达；通过机器学习算法最终FXN、KLF2、LCN2、NR1D2、PGD、TRIB2和TXN纳入模型，且可有效诊断脓毒症，在数据集GSE65682、GSE28750和GSE95233中曲线下面积(AUC)分别为1、1和0.82;生存分析表明高表达KLF2、NR1D2、FXN和TRIB2的脓毒症患者预后差，高表达LCN2的患者预后较好(P<0.05)。结论 基于机器学习算法构建的铁死亡相关基因诊断模型可有效识别脓毒症，且对脓毒症患者预后具有指导意义。

• 单位
  郑州大学第一附属医院