一种炎症后皮肤色素沉着异常评估模型及其应用制造技术

本发明专利技术提供了一种炎症后皮肤色素沉着异常评估模型，具体是由CXCL1、CXCL2和IL

【技术实现步骤摘要】
一种炎症后皮肤色素沉着异常评估模型及其应用


[0001]本专利技术属于生物医药
，具体涉及炎症后色素沉着异常评估模型在临床中的应用。

技术介绍

[0002]炎症后皮肤出现色素沉着过多或色素减退是临床上的常见情况。炎症性皮肤病，如：银屑病、特异性皮炎、系统性红斑狼疮等常导致炎症后色素沉着异常的发生，而各种炎症性皮肤病对皮肤色素沉着有不同的影响。例如，银屑病皮损区在活动性炎症期间通常呈低色素状态，随着炎症反应的消退，则有高色素沉着的风险，但也可能造成低色素沉着的发生，表明炎症对皮肤色素沉着的影响是不可测的。目前也尚未有可靠的方法来预测炎症后皮肤色素沉着的结果。
[0003]随着转录组阵列的出现，大量与不同组织、疾病等相关的转录组数据已存储在公共数据库中，如基因表达综合数据库（GEO）。通过机器学习方法（LASSO回归、Logistic回归和随机森林算法）对这些转录组数据集进行分析，可以为进一步的研究提供初步证据。
[0004]因此，我们分析炎症性皮肤疾病的现有转录组数据，首次利用机器学习的方法建立并验证炎症后色素沉着异常的评估模型。

技术实现思路

[0005]针对现有技术的不足，本专利技术的目的是建立并验证炎症后色素沉着异常的评估模型，提供一种可以预测炎症后皮肤色素沉着结果的工具。
[0006]本专利技术的技术方案是：一种炎症后皮肤色素沉着异常评估模型，由CXCL1、CXCL2和IL
‑
19建立的LASSO评估模型，或者是由IL
‑
37、CXCL13、IL19建立的Logistic评估模型。
[0007]优选的，所述评估模型为LASSO评估模型，模型评分=CXCL1
×
0.2714 + CXCL2
×
0.6627 + IL19
×
0.7259，在这个公式，模型评分越高，预示越可能发生炎症后色素减退，需要采取色素减退的预防及治疗措施。
[0008]优选的，所述评估模型为Logistic评估模型，模型评分=IL37
×
（
‑
1.1122）+ CXCL13
×
0.9214 + IL19
×
0.7731，在这个公式，模型评分越高，预示越可能发生炎症后色素减退，需要采取色素减退的预防及治疗措施。
[0009]本专利技术提供了评估模型在预测炎症后皮肤色素沉着异常中的应用。
[0010]优选的，所述炎症后皮肤色素沉着异常包括炎症后皮肤色素沉着增多以及炎症后皮肤色素减少。
[0011]本专利技术还提供了检测基因标签组表达量试剂在制备炎症后皮肤色素沉着异常预测试剂中的应用，所述检测基因标签组由CXCL1、CXCL2和IL
‑
19共3个基因标签组成，或者所述检测基因标签组由由IL
‑
37、CXCL13、IL19共3个基因标签组成。
[0012]优选的，模型评分=CXCL1
×
0.2714 + CXCL2
×
0.6627 + IL19
×
0.7259，或者模型
评分=IL37
×
（
‑
1.1122）+ CXCL13
×
0.9214 + IL19
×
0.7731，在这个公式中，模型评分越高，预示越可能发生炎症后色素减退，需要采取色素减退的预防及治疗措施。
[0013]本专利技术的实验结果发现基于CXCL1、CXCL2和IL
‑
19建立的LASSO评估模型和基于IL
‑
37、CXCL13、IL19建立的Logistic评估模型可以相对准确地预测炎症后皮肤的色素沉着结果，ROC高达0.8，并在验证组中具有相同的结果。因此，我们构建的评估模型可以作为预测炎症后皮肤色素沉着结果的工具。
[0014]以下结合附图和具体实施方式对本专利技术的详细结构作进一步描述。
附图说明
[0015]图1是候选基因的筛选图；图1（A）是从3个训练集的共有DEGs中筛选出7个炎症基因图；图1（B）是三个训练集中7个候选基因的mRNA表达水平图;图1（C）是候选基因与mela
‑
score的相关性图。
[0016]图2是采用不同的算法（LASSO、Logistic）建立训练模型图；图2（A）是LASSO通过惩罚回归筛选出炎症基因图；图2（B）是LASSO模型和Logistic模型在训练数据集（GSE41664、GSE30999、GSE13355）上的分类能力图；图2（C）是训练数据集中模型评分之间的皮尔逊相关系数图。
[0017]图3是验证集中测试LASSO模型和Logistic模型的性能图；图3（A）是GSE117468中模型的ROC图；图3（B）是GSE133477中模型的ROC图；图3（C）是GSE117468中模型评分之间的皮尔逊相关系数图；图3（D）是GSE133477中模型评分之间的皮尔逊相关系数图；图3（E）是GSE41664中mela
‑
score和5个炎症基因的表达水平按治疗时间分组图；图3（F）是GSE133477中mela
‑
score和5个炎症基因的表达水平按治疗时间分组图。
具体实施方式
[0018]实验方法：1、数据集收集炎症性皮肤病的转录组数据集根据疾病、样本类型、样本量和平台进行初步筛选后，从GEO数据集中下载。最终选择三个银屑病数据集（GSE41663、GSE30999和GSE13355）作为训练集，分别选择一个特应性皮炎数据集（GSE133477）和银屑病数据集（GSE117468）作为验证集。在Linux系统（Ubuntu，版本20.04）中使用R（版本4.0.3）处理数据。
[0019]、数据集处理将MITF、TYR、DCT、PMEL、MLANA、WNT4和WNT2A定义为黑素生成的功能基因集，并通过单样本基因集富集分析（ssGSEA）使用gsva软件包（版本1.38.2）计算该基因集的加权得分。皮损样本根据ssGSEA评分重新分组。使用limma软件包（版本3.46.0）分析两组（高vs低）之间的差异表达基因（DEG），并根据p值（p<0.05）和log2foldchange（前5%的绝对值）筛选显著差异表达的DEGs。
[0020]、模型的建立与验证将GSE13355、GSE30999和GSE41664数据集的皮损样本整合为训练集。sva包（版本3.38.0）用于校正数据集之间的批次。采用套索（LASSO，package
‑
glmnet）回归、logistic回归和随机森林（RF，package
‑
randomForest）算法建立评估模型。通过验证集（GSE117468和GSE133477）进行模型性能的验证。模型性能通过受试者工作特性（ROC）曲线评估本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种炎症后皮肤色素沉着异常评估模型，其特征是，由CXCL1、CXCL2和IL
‑
19建立的LASSO评估模型，或者是由IL
‑
37、CXCL13、IL19建立的Logistic评估模型。2.根据权利要求1所述炎症后皮肤色素沉着异常评估模型，其特征是，所述评估模型为LASSO评估模型，模型评分=CXCL1
×
0.2714 + CXCL2
×
0.6627 + IL19
×
0.7259，在这个公式，模型评分越高，预示越可能发生炎症后色素减退。3.根据权利要求1所述炎症后皮肤色素沉着异常评估模型，其特征是，所述评估模型为Logistic评估模型，模型评分=IL37
×
（
‑
1.1122）+ CXCL13
×
0.9214 + IL19
×
0.7731，在这个公式，模型评分越高，预示越可能发生炎症后色素减退。4.权利要求1
‑

【专利技术属性】
技术研发人员：曾庆海，张玉姗，雷厉，陈静，蒋玲，付楚涵，夏芳，裴诗瑶，康丽阳，童晓亮，
申请(专利权)人：中南大学湘雅三医院，
类型：发明
国别省市：