Machine learning-based Algorithm Identifies Key Mitochondria-Related Genes in Non-Alcoholic Steatohepatitis
Notice bibliographique
Résumé
Abstract Background In hepatocytes, mitochondrial dysfunction drives aberrant fatty acid metabolism, oxidative stress, and cell apoptosis, promoting the occurrence and progression of NASH. Given the pivotal role of mitochondrial dysfunction in the advancement of NASH, the identification of mitochondrial core genes within NASH may offer potential targets for NASH treatment. Methods According to 101 machine learning algorithms assembled from 10 different machine learning algorithms, mitochondrial core genes were identified in NASH patients. The relationship between mitochondrial core genes and inflammation, lipid metabolism, liver fibrosis, and immune infiltration was investigated. Results AKR1B10, TYMS, and TREM2 were identified. A predictive model constructed using these three mitochondrial genes exhibited excellent diagnostic performance for NASH in the GEO cohorts. AKR1B10, TYMS, and TREM2 were significantly upregulated in NASH, F3-F4 stage liver fibrosis patients, and NAFLD-HCC patients. The expression levels of AKR1B10, TYMS, and TREM2 were positively correlated with pro-inflammatory genes, lipid synthesis genes, liver fibrosis genes, NAS score, pro-inflammatory immune signatures, and M1 macrophage content. Conversely, they were significantly negatively correlated with fatty acid oxidation genes and M2 macrophage content. Moreover, the biological and mitochondrial pathways enriched when AKR1B10, TYMS, and TREM2 were upregulated were related to NASH progression. NASH patients were further classified into Cluster 1 and Cluster 2. Pro-inflammatory genes, lipid synthesis genes, liver fibrosis genes, NAS score, pro-inflammatory immune signatures, and M1 macrophage content were significantly upregulated in Cluster 1. Conversely, fatty acid oxidation genes and M2 macrophage content were significantly downregulated in Cluster 1. Conclusion AKR1B10, TYMS, and TREM2 are associated with the severity of NASH. High expression of AKR1B10, TYMS, and TREM2 indicates a more severe condition in NASH patients.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».