面向代谢紊乱治疗靶点的机器学习框架：基于通路驱动的发现方法
机器学习
2025-09-24 v1 人工智能
摘要
代谢紊乱，尤其是2型糖尿病（T2DM），代表着全球健康负担的重要组成部分，明显影响生物学上易感人群，如美国南中部亚利桑那州的皮马印第安人部落。本研究引入一种新型机器学习（ML）框架，将预测建模与基因无关的通路映射相结合，用于识别高危个体并发现潜在治疗靶点。使用皮马印第安人数据集，应用 logistic 回归和 t 检验识别T2DM的关键预测因子，模型整体准确率达78.43%。为将预测分析与生物学相关性相结合，我们开发了一种通路映射策略，将所识别的预测因子链接到关键信号网络，包括胰岛素信号、AMPK 和 PPAR 通路。该方法在无需直接分子数据的情况下提供机制性见解。基于这些联系，我们提出了治疗策略，如双靶向 GLP-1/GIP 受体激动剂、AMPK 激活剂、SIRT1 调节剂和植物类化合物，并通过通路富集分析进行验证。总体而言，该框架通过提供可解释且可扩展的解决方案，为代谢紊乱的早期检测和靶向干预推进了精准医学。本工作的关键贡献包括：（1）开发一种结合 logistic 回归和主成分分析（PCA）用于T2DM风险预测的ML框架；（2）引入一种基因无关的通路映射方法以生成机制性见解；（3）识别针对高危人群的新型治疗策略。
引用
@article{arxiv.2509.18140,
title = {A Machine Learning Framework for Pathway-Driven Therapeutic Target Discovery in Metabolic Disorders},
author = {Iram Wajahat and Amritpal Singh and Fazel Keshtkar and Syed Ahmad Chan Bukhari},
journal= {arXiv preprint arXiv:2509.18140},
year = {2025}
}
备注
6 pages, 6 figures