2026-10-09T16:47:52Z https://api.figshare.com/v2/oai

oai:figshare.com:article/33974614 2026-09-23T18:22:22Z category_24496 category_24511 category_29161 category_29167 item_type_3 month_year_09_2026

“<b>Short-Term Mortality Risk Prediction in Sepsis: A Machine Learning Approach Based on Plasma Proteomics</b>”figure2-6 original data Xiaojun Yan (25098838) Emergency medicine Intensive care Deep learning Reinforcement learning Sepsis Proteomics Molecular Biomarkers Machine Learning NF-κB1 <p dir="ltr"><b>背景：</b>本研究旨在通过综合多方法方法识别与败血症患者生存结局相关的差异表达血浆蛋白。</p><p dir="ltr"><b>方法：</b>在石河子大学第一附属医院住院患者中，于诊断败血症后24小时内采集了20个血浆样本（2024年6月至2025年6月）。患者根据28天结局分为生存组（n=10）和死亡组（n=10组）。基于DIA的蛋白质组学、功能富集分析、多数据库挖掘、PPI网络分析和机器学习（LASSO、SVM-RFE、随机森林）依序应用于筛查预后生物标志物。</p><p dir="ltr"><b>结果：</b>共识别出190个DEP（72个上调，118个下调）。富集分析显示其参与凝血级联反应和液体调节。NF-κB1被鉴定为关键转录因子，通过多源整合调控了17个重叠的DEP。PPI网络将APOE、APOB、PLG、CLU和F2识别为枢纽蛋白。机器学习进一步确定了UNC45A、RELN和FCMR作为预后相关蛋白。</p><p dir="ltr"><b>结论：</b>UNC45A、RELN和FCMR成为败血症短期死亡风险的候选生物标志物。建立了一个融合蛋白质组学、调控分析、网络生物学和机器学习的渐进式生物标志物发现框架，为败血症预后分层提供了有前景的策略。</p> 2026-09-23T18:22:22Z Dataset Dataset 10.6084/m9.figshare.33974614.v1 https://figshare.com/articles/dataset/_b_Short-Term_Mortality_Risk_Prediction_in_Sepsis_A_Machine_Learning_Approach_Based_on_Plasma_Proteomics_b_figure2-6_original_data/33974614 CC BY 4.0