基于转录组的慢性肾脏病预测研究

摘要

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。

关键词

慢性肾脏病(CKD) / 基因筛选 / 随机森林 / 神经网络 / 聚类分析

基金资助

国家级大学生创新训练资助计划项目(No.202410698215)