结合铁死亡建立遗传算法优化的反向传播神经网络脓毒症预后模型

摘要

目的 将铁死亡与机器学习相结合，建立一种基于遗传算法的反向传播网络（GA-BPNN）模型，以预测脓毒症患者的28 d存活情况。方法 通过高通量基因表达数据库（GEO）下载脓毒症相关数据。从分子签名数据库（MSigDB）下载与铁死亡相关的基因65个。使用基因集富集分析（GSEA）、基因集变异分析（GSVA）、加权基因共表达网络分析（WGCNA）和蛋白质-蛋白质相互作用（PPI）网络分析筛选脓毒症患者的铁死亡相关基因。同时利用短时间序列挖掘分析（STEM）筛选与脓毒症发展进程相关的基因，并与脓毒症患者铁死亡相关基因取交集，获得脓毒症预后的关键基因。在传统的反向传播网络（BPNN）的基础上，采用遗传算法（GA）优化权值和阈值，建立脓毒症预后预测GA-BPNN模型。结果 脓毒症存活组和未存活组之间铁死亡相关基因集活性差异显著。共筛选出97个脓毒症铁死亡相关基因。同时确定了191个在脓毒症发展进程中显著上调或下调的基因。取交集基因建立脓毒症四基因预测预后GA-BPNN模型。在训练集中经过迭代后训练的均方误差在0.05以下，曲线下面积（AUC）为0.98。为验证GA-BPNN模型的泛化能力和分类效果，在外部数据验证集中，将GA-BPNN模型与支持向量机（SVM）、BPNN和随机森林（RF）进行比较。结果表明，在验证集中GA-BPNN模型的AUC值均为0.92，高于SVM、RF和BPNN。结论 基于GA-BPNN提出了四基因模型预测脓毒症患者的预后效果是可靠且稳定的，为脓毒症中的铁死亡提供新的见解。

关键词

脓毒症 / 铁死亡 / 生物标志物 / 预后模型