Identification of Shared and Unique Key Biomarkers of Alcohol Liver Cirrhosis and Non-Alcoholic Steatohepatitis Through Machine Learning Network-Based Algorithms
Notice bibliographique
Résumé
Abstract Introduction Liver fibrosis can progress to cirrhosis, liver failure, or hepatocellular carcinoma, which often requires transplantation and burdens healthcare systems around the world. Advances in single-cell RNA sequencing and machine learning have enhanced the understanding of immune responses in many liver diseases particularly alcohol liver cirrhosis (ALC) and non-alcoholic steatohepatitis (NASH). This study aims to identify key biomarkers involved in these conditions and assess their potential as non-invasive diagnostic tools. Methods Two gene expression profiles GSE136103 and GSE115469 were used to conduct differential gene expression (DEG) analysis. Using the results from DEG analysis, we then applied two machine learning network-based algorithms, master regulator analysis (MRA) and weighted key driver analysis (wKDA), to identify potential biomarker genes for NASH and ALC. Results A total of 1,435 and 5,074 DEGs were identified for ALC and NASH compared to healthy controls, including 1,077 shared DEGs between the two diseases. The MRA showed HLA-DPA1, HLA-DRB1, IFI44L, ISG15, and CD74 as the potential master regulators of ALC and HLA-DPB1, HLA-DQB1, HLA-DRB5, PFN1, and TMSB4X as the potential master regulators of NASH. In addition, wKDA analysis indicated CD300A, FCGR2A, RGS1, HLA-DMB, and C1QA as the key drivers of ALC and INPP5D, NCKAP1L, RAC2, PTPRC, and TYROBP as key drivers of NASH. Conclusion This study presented a comprehensive framework for analyzing single-cell RNA-seq data, demonstrating the potential of combining advanced network-based machine-learning techniques with conventional DEG analysis to uncover actionable prognostic markers for ALC and NASH with potential use as target biomarkers in drug development.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».