基于转录组的慢性肾脏病预测研究OA
A transcriptome-based study on CKD prediction
目的 探讨基于转录组信息筛选慢性肾脏病(CKD)潜在特征基因并预测样本分类的有效性.方法 基于CKD患者与健康对照者的肾脏活检样本转录组数据,采用关联性分析降维,结合随机森林进一步筛选重要基因,并通过筛选后的基因为特征进行聚类.选定基因用于构建神经网络分类模型,对健康样本与CKD样本进行分类预测.同时,通过卡方检验验证基因具有独立性,通过轮廓系数、精确度、混淆矩阵验证聚类结果的显著性.结果 14 801个特征经过降维和筛选得出11个特征基因.基于这些基因进行聚类,聚类结果显示具有凝聚度和分离度(轮廓系数为0.84>0.70),聚类结果准确率为0.97.通过神经网络训练分类模型在测试集上的准确率为0.985,ROC-AUC值为0.99.结论 通过关联性分析降维结合机器学习技术可有效筛选CKD相关基因,并实现样本分类预测,为疾病机制研究和临床应用提供参考.
Objective To explore the effectiveness of identifying potential characteristic genes for chronic kidney disease(CKD)and predicting sample classification based on transcriptome.Methods Transcriptomic data from CKD and healthy kidney samples were analyzed using correlation-based dimensionality reduction and random forest to select key genes.These genes were used for clustering and constructing a neural network model to classify CKD and healthy samples.Clustering significance was assessed via silhouette scores,accuracy,and confusion matrix.Results Eleven key genes were identified from 14 801 features.Clustering showed high cohesion and separation(silhouette score:0.84),with an accuracy of 0.97.The neural network achieved an accuracy of 0.985 and an ROC-AUC of 0.99.Conclusion This approach can effectively identify CKD-related genes and enable accurate classification,offering insights for research and clinical applications.
颜世贵;姚雨璐;何娟;李桂荣;孙宏波
烟台大学计算机与控制工程学院,山东 烟台 264005西安交通大学生物证据研究院/国家生物安全证据基地,陕西 西安 710049||西安交通大学国家卫生健康委法医学重点实验室,陕西 西安 710049烟台大学计算机与控制工程学院,山东 烟台 264005西北大学第一医院,陕西 西安 710043||陕西同创赛尔健康管理有限公司,陕西渭南 714000烟台大学计算机与控制工程学院,山东 烟台 264005||西安交通大学生物证据研究院/国家生物安全证据基地,陕西 西安 710049
医药卫生
慢性肾脏病(CKD)基因筛选随机森林神经网络聚类分析
chronic kidney disease(CKD)gene screeningrandom forestneural networkclustering analysis
《西安交通大学学报（医学版）》 2026 (2)
283-290,8
国家级大学生创新训练资助计划项目(No.202410698215)Supported by the National College Students'Innovation and Entrepreneurship Training Program(No.202410698215)
评论