小儿脓毒症诊断的血小板相关基因的筛选:基于5种机器学习算法OA

目的:通过多种机器学习算法探索能精准识别小儿脓毒症的血小板相关基因。方法:从MSigDB数据库中以“血小板”为关键词获取血小板相关基因集,从CEO数据库下载小儿脓毒症数据集GSE26378,使用加权共表达网络分析(WGCNA)筛选与脓毒症相关性最强的血小板基因模块,同时以log 2FC≥1和错误发现率<0.05为标准筛选差异表达基因,二者取交集(候选关键基因)。使用LASSO、支持向量机(SVM)、随机森林(RF)、Boruta和XGBoost等算法从中筛选出关键血小板基因。最后,在3个独立的小儿脓毒症数据集GSE13904、GSE26378和GSE26440和65例临床样本(35例小儿脓毒症,30名正常对照)中验证筛选结果,并以传统炎症指标血清C-反应蛋白(CRP)和降钙素原(CRP)为参照,通过ROC曲线分析CD63诊断小儿脓毒症的效能。结果:从MSigDB数据库中获取了465个血小板相关基因,WGCNA分析发现绿松石模块与脓毒症相关性最强。绿松石模块中的基因与筛选出的739个差异基因有34个重叠。多种机器学习方法的筛选结果取交集,获得两个关键血小板基因CD63和FCER1G。在3个公共数据集中,脓毒症样本中CD63、FCER1G基因表达水平均高于正常样本(P<0.05)。在临床样本中,只有CD63基因在脓毒症患儿血样本中的表达高于正常对照[(5.46±2.42)vs(2.60±1.14),P<0.001]。与传统的炎症指标PCT、CRP相比,CD63基因诊断能力更强,AUC(95%CI)为0.803(0.771~0.833)(P<0.05)。结论:CD63基因对小儿脓毒症具有一定的诊断价值。