可解释机器学习识别小鼠肌肉空间飞行响应的多组学特征
定量方法
2023-09-29 v1
摘要
空间飞行中微重力暴露对哺乳动物生理的不良影响，需要深入理解其潜在机制以开发有效的对策。其中一个问题是肌肉萎缩，部分归因于 SERCA 泵功能异常导致的钙水平失调。为识别该状况的潜在生物标志物，我们使用了 NASA 开放科学数据仓库（osdr.nasa.gov）上的多组学数据和生理数据，并采用了机器学习方法。具体而言，我们使用了在国际空间站多次 30 余天任务中从 C57BL/6J 小鼠比目鱼肌和胫骨前肌组织收集的多组学（转录组、蛋白质组和 DNA 甲基化）数据及钙重摄取数据。引入 QLattice 符号回归算法以生成高度可解释的模型，这些模型基于多组学特征预测实验条件或钙重摄取水平。QLattice 建立的候选模型列表用于识别对这些模型预测能力有关键贡献的特征，其中发现 Acyp1 和 Rps7 蛋白是与胫骨前肌在空间中的抗损伤能力最相关的预测性生物标志物。这些发现可作为未来旨在减轻空间旅行中肌肉萎缩程度干预措施的靶点。
引用
@article{arxiv.2309.15888,
title = {Explainable machine learning identifies multi-omics signatures of muscle response to spaceflight in mice},
author = {Kevin Li and Riya Desai and Ryan T. Scott and Joel Ricky Steele and Meera Machado and Samuel Demharter and Adrienne Hoarfrost and Jessica L. Braun and Val A. Fajardo and Lauren M. Sanders and Sylvain V. Costes},
journal= {arXiv preprint arXiv:2309.15888},
year = {2023}
}