![]()
最近大麦这里也是被诺贝尔奖刷屏了，谁能想到今年的诺贝尔生理学或医学奖是属于microRNA的，诺贝尔物理学奖是属于机器学习的。大家吐槽爆冷的同时，还有很多物理学领域的朋友纷纷破防：物理学是不存在了吗？
有网友直接锐评那化学奖直接颁alphafold好了！结果预言直接成真，AI这波双杀了~相关的内容科普大麦这里就不说了，网上一搜一大把，今天大麦分享一篇结合了microRNAs +机器学习构建生物标志物的文章，话说这算不算跨了三界（物化生）？吐槽归吐槽，这篇文章分析了阿尔兹海默症中与 A/T/N 中枢生物标志物相关的血浆 miRNA 失调。分析了来自 803 名阿尔茨海默病神经影像学倡议 （ADNI） 参与者的基线血浆样本的miRNA，利用了差异表达分析、通路富集分析、机器学习等多种生信方法， RT-qPCR的验证也是用的 ADNI数据库中收集的数据，可以说0实验发13分了！ 大麦只能说这性价比，绝！（ps：也想做microRNAs +机器学习？欢迎来联系大麦，大麦可以为您提供方案设计和个性化分析哦！更有服务器租赁和生信课程等您来~）定制生信分析
云服务器租赁
(加微信备注99领取试用)
题目：血浆mirna跨越阿尔茨海默病连续体:与中心生物标志物的关系 阿尔茨海默病(AD)是一种导致老年人认知能力逐渐恶化的神经退行性疾病。AD的三个主要神经病理特征包括：淀粉样蛋白斑块、神经纤维缠结和神经退行性变。血浆中的微小RNA（miRNAs）可能作为AD的潜在生物标志物。该研究的目的是探究血浆中的miRNAs与AD的中心生物标志物——淀粉样蛋白（A）、tau蛋白（T）和神经退行性变（N）之间的关联。这项研究使用了来自阿尔茨海默病神经影像学倡议（ADNI）的803名参与者的血浆样本数据。首先通过miRNA测序技术来分析这些血浆样本，以确定与A/T/N状态相关的miRNA表达差异。利用DESeq2R包对测序数据进行差异表达分析，识别出与各个生物标志物显著相关的miRNAs。随后，通过mirTarBase和TarBase数据库预测这些差异表达miRNAs的潜在目标基因，并构建了miRNA-目标基因网络。为了理解这些miRNAs在AD病理中的作用，研究者进行了通路富集分析，以揭示与这些目标基因相关的生物学过程和信号通路。此外，研究还应用机器学习方法，特别是STREAMLINE自动化机器学习管道，来评估miRNAs作为血液生物标志物在分类A/T/N状态方面的潜力。最终，研究通过实时定量聚合酶链反应（RT-qPCR）对部分miRNAs的差异表达结果进行了验证。1.与中心A/T/N生物标志物阳性相关的失调miRNA通过对803名参与者的336个血浆miRNA进行测序分析，我们探究了与阿尔茨海默病(AD)相关的miRNA变化。应用DESeq2LRT分析并设置严格筛选条件后，我们发现了与A、T、N生物标志物显著相关的miRNA表达变化。具体来说，我们发现了9个miRNA与A生物标志物、8个与N生物标志物、以及2个与T生物标志物相关。其中，某些miRNA在A和N生物标志物中上调，而其他一些则在A和N中下调。特别是，hsa-miR-483-3p在A生物标志物阳性组中显著上调。此外，我们还验证了hsa-miR-145-5p在A生物标志物阳性组中的上调，并且两个miRNA（hsa-miR-337-5p和hsa-miR-1224-5p）在T和N生物标志物中均表达变化。图2与A/T/N生物标志物相关的miRNAs的火山图和维恩图在对A/T/N生物标志物的miRNA分析中，发现了一些miRNA表达的显著变化。特别是，hsa-miR-337-5p和hsa-miR-1224-5p在T和N生物标志物中显著上调。虽然hsa-miR-145-5p和hsa-miR-1180-3p分别与A和N生物标志物显著相关，但它们的log2倍数变化未达到统计学显著性阈值。此外，hsa-miR-190a-5p和hsa-miR-95-3p在A生物标志物阳性组中下调，而在T生物标志物中上调。同样，hsa-miR-369-5p和hsa-miR-1255b-5p在N生物标志物阳性组中下调，并且在T生物标志物中也显示出下调趋势。总体而言，与A/T/N生物标志物相关的下调miRNA（11个）多于上调的miRNA（6个）。图3比较A/T/N生物标志物中显著miRNAs的log2倍数变化和p值通过分析与AD相关的17个失调miRNAs，研究识别了480个目标基因。特别是，hsa-miR-337-5p和hsa-miR-1224-5p在tau蛋白和神经退行性变生物标志物中显著变化。A阳性组中，发现了271个与miRNA相互作用的目标基因，而N阳性组中有220个。这些基因的相互作用网络揭示了与AD病理相关的潜在重要基因，如QKI、IRS1、TGFBR2、SMAD4和IGF1R。研究通过通路富集分析探究了与AD生物标志物A/T/N阳性相关的miRNA表达变化背后的分子机制。分析发现了151条与A阳性相关的通路和169条与N阳性相关的通路，包括VEGFR2信号、IGF1通路等。尽管A和N阳性组之间只有11个共享目标基因，但却有28个通路术语共享，提示可能存在不同的调控机制，如细胞运动和细胞突起组织的调节。4.miRNA驱动的A/T/N生物标志物阳性组分类应用STREAMLINE机器学习管道，通过分析miRNA表达数据来预测ADNI项目参与者的A/T/N生物标志物阳性和阴性状态。在调整了批次效应和APOEε4状态后，随机森林算法在分类任务中表现最佳，平均ROC-AUC分别为A：0.68，T：0.62，N：0.64。加入miRNAs后，分类的准确性显著提高，尤其是对于A生物标志物，所有miRNAs的加入使平均ROC-AUC提高了9%。此外，通过计算特征重要性分数，确定了对分类贡献最大的miRNAs，如hsa-miR-95-3p和hsa-miR-483-3p对A生物标志物分类很重要，而hsa-miR-1255b-5p、hsa-miR-369-5p和hsa-miR-193b-5p对N生物标志物分类很重要。 1.大规模样本分析：这项研究基于803名参与者的血浆样本进行miRNA表达分析，提供了一个相对较大的样本量，增加了研究结果的可靠性和统计效能。2.综合生物信息学方法：结合了差异表达分析、目标基因预测、通路富集分析以及机器学习等多种生物信息学方法，为揭示miRNA在AD病理中的作用提供了多角度的视野。3.A/T/N生物标志物关联研究：将miRNA表达变化与AD的A/T/N生物标志物系统关联，为理解miRNA在AD病理过程中的作用提供了新的分子层面证据，并可能有助于开发新的诊断标志物。1.横断面研究设计：研究采用横断面设计，限制了对AD发展过程中miRNA变化的动态观察，未来的纵向研究将有助于揭示这些miRNAs随时间的变化。2.数据来源单一：研究数据完全依赖于ADNI数据库，可能存在选择偏差，结果的普适性需要在其他独立样本中进一步验证。3.机器学习模型的泛化能力：尽管使用了机器学习方法对miRNAs的分类效能进行了评估，但模型的泛化能力尚未在独立数据集上得到验证，实际应用前需要更多的测试和优化。机器学习除了结合microRNAs ，还可以结合其他热点的，例如细胞死亡、m6A、乳酸化、泛素化等等，想做类似研究的朋友欢迎来联系大麦哦！大麦将持续为大家带来生信思路，满足您的花式需求！有课题设计或其它疑问都可以加微直接咨询！免费思路评估、 付费生信分析和方案设计以及付费投稿选刊等统统不在话下！推荐阅读
大麦还提供服务器租赁、思路设计、定制生信分析、文献思路复现、临床数据库挖掘；有需要的小伙伴欢迎直接扫码咨询大麦，竭诚为您的科研助力！
![]()
