Identificación de marcadores genéticos asociados con la gravedad y recuperación de COVID-19 en diferentes subtipos de células inmunitarias
Autores: Ren, Jing-Xin; Gao, Qian; Zhou, Xiao-Chao; Chen, Lei; Guo, Wei; Feng, Kai-Yan; Lu, Lin; Huang, Tao; Cai, Yu-Dong
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Identificación de marcadores genéticos asociados con la gravedad y recuperación de COVID-19 en diferentes subtipos de células inmunitarias
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Biología
Palabras clave
Covid-19
Sistema inmunológico
Características moleculares
Datos de scRNA-seq
Subpoblaciones de células inmunitarias
Características genéticas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 16
Citaciones: Sin citaciones
A medida que se desarrolla la COVID-19, ocurren cambios dinámicos en el sistema inmunológico del paciente. Los cambios a nivel molecular en diferentes tipos de células inmunitarias pueden reflejar el curso de la COVID-19. Este estudio tiene como objetivo descubrir las características moleculares de diferentes subpoblaciones de células inmunitarias en diferentes etapas de la COVID-19. Diseñamos un flujo de trabajo de aprendizaje automático para analizar datos de scRNA-seq de tres tipos de células inmunitarias (células B, T y mieloides) en cuatro niveles de gravedad/resultados de la COVID-19. Los conjuntos de datos para los tres tipos de células incluyeron 403,700 muestras de células B, 634,595 muestras de células T y 346,547 muestras de células mieloides. Cada subtipo celular se dividió en cuatro grupos: control, convalecencia, progresión leve/moderada y progresión severa/crítica, y cada célula inmunitaria contenía 27,943 características génicas. Se aplicó un procedimiento de análisis de características a los datos de cada tipo de célula. Primero se excluyeron las características irrelevantes de acuerdo con su relevancia para la variable objetivo medida por información mutua. Luego, se adoptaron cuatro algoritmos de clasificación (operador de selección y reducción absoluta, máquina de impulso de gradiente ligero, selección de características de Monte Carlo y máxima relevancia y mínima redundancia) para analizar las características restantes, resultando en cuatro listas de características. Estas listas se alimentaron en la selección de características incremental, incorporando tres algoritmos de clasificación (árbol de decisión, vecino más cercano y bosque aleatorio) para extraer características génicas clave y construir clasificadores con un rendimiento superior. Los resultados confirmaron que genes como PFN1, RPS26 y FTH1 desempeñaron roles importantes en la infección por SARS-CoV-2. Estos hallazgos proporcionan una referencia útil para comprender el efecto continuo del desarrollo de la COVID-19 en el sistema inmunológico.
Descripción
A medida que se desarrolla la COVID-19, ocurren cambios dinámicos en el sistema inmunológico del paciente. Los cambios a nivel molecular en diferentes tipos de células inmunitarias pueden reflejar el curso de la COVID-19. Este estudio tiene como objetivo descubrir las características moleculares de diferentes subpoblaciones de células inmunitarias en diferentes etapas de la COVID-19. Diseñamos un flujo de trabajo de aprendizaje automático para analizar datos de scRNA-seq de tres tipos de células inmunitarias (células B, T y mieloides) en cuatro niveles de gravedad/resultados de la COVID-19. Los conjuntos de datos para los tres tipos de células incluyeron 403,700 muestras de células B, 634,595 muestras de células T y 346,547 muestras de células mieloides. Cada subtipo celular se dividió en cuatro grupos: control, convalecencia, progresión leve/moderada y progresión severa/crítica, y cada célula inmunitaria contenía 27,943 características génicas. Se aplicó un procedimiento de análisis de características a los datos de cada tipo de célula. Primero se excluyeron las características irrelevantes de acuerdo con su relevancia para la variable objetivo medida por información mutua. Luego, se adoptaron cuatro algoritmos de clasificación (operador de selección y reducción absoluta, máquina de impulso de gradiente ligero, selección de características de Monte Carlo y máxima relevancia y mínima redundancia) para analizar las características restantes, resultando en cuatro listas de características. Estas listas se alimentaron en la selección de características incremental, incorporando tres algoritmos de clasificación (árbol de decisión, vecino más cercano y bosque aleatorio) para extraer características génicas clave y construir clasificadores con un rendimiento superior. Los resultados confirmaron que genes como PFN1, RPS26 y FTH1 desempeñaron roles importantes en la infección por SARS-CoV-2. Estos hallazgos proporcionan una referencia útil para comprender el efecto continuo del desarrollo de la COVID-19 en el sistema inmunológico.