Current Bioinformatics· 2026Q2
Convergent Otomatik Kodlayıcı ve Makine Öğrenmesi Metodolojileri, İnterferon Yolu Kaybı-Fonksiyonel Perturb-seq Veri Madenciliğine Dayalı SARS-CoV-2 Esansiyel Konak Faktörlerinin Tanımlanması İçin
Convergent Autoencoder and Machine Learning Methodologies for SARS-CoV-2 Essential Host Factor Identification based on Interferon Pathway Loss-of-Function Perturb-seq Data Mining
- 1atıf
- Q2SCImago
- 2026yıl
Kısa özet
SARS-CoV-2 enfeksiyonu için temel konak faktörlerini belirleyen bir makine öğrenmesi çerçevesi, interferon sinyali bozulduğunda mitokondriyal disfonksiyonun kritik olduğunu ortaya koydu.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Makine öğrenmesi, SARS-CoV-2 enfeksiyonu için kontrol koşullarında FOS, JUN, B2M, PPIA ve MALAT1'i anahtar konak faktörleri olarak belirledi.
- IFN nakavt koşullarında, mitokondriyal genler (örn. MT-ND3, MT-CO1) kritik ayırt edici özellikler haline geldi.
- Otomatik kodlayıcı tabanlı özellik azaltma, ham özellik sıralamasıyla uyumlu olarak 63 (IFN) ve 64 (Kontrol) özellik belirledi.
- Zenginleştirme analizi, oksidatif fosforilasyon ve termogenez yollarının tutarlı bir şekilde zenginleştirildiğini, IFN nakavt hücrelerinin ayrıca koronavirüs hastalığı yolları için zenginleştirildiğini gösterdi.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Introduction: The COVID-19 pandemic has highlighted the importance of understanding host-virus interactions, particularly the role of interferon (IFN) signaling pathways in viral pathogenesis. Methods: This study employed a comprehensive machine learning framework to analyze Perturb-seq data from SARS-CoV-2-infected Calu-3 respiratory epithelial cells to identify key host factors associated with viral infection under various IFN signaling conditions. We implemented two complementary feature selection strategies: Raw Feature Ranking using ten algorithms combined with IFS technology, and Autoencoder-based Feature Reconfiguration for dimensionality reduction, followed by ranking with the same algorithms combined with IFS. We compared expression differences between infected and uninfected cells in both IFN-knockout and control conditions to investigate distinct responses to SARS-CoV-2 infection. Results: In control conditions, Raw Feature Ranking identified important genes including FOS, JUN, B2M, PPIA, and MALAT1, known for their roles in viral pathogenesis, antigen processing, and inflammatory response. Under IFN knockout conditions, numerous mitochondrial genes (MT-ND3, MTCO1, MT-ND4L, MT-ND4, MT-CO3, MT-ATP6, MT-CO2, MT-CYB) emerged as key discriminatory features, suggesting mitochondrial dysfunction as a crucial mechanism when IFN signaling is compromised. Autoencoder-based methods showed close alignment with raw feature ranking, identifying 63 and 64 features in the IFN and Control groups, respectively, with 46 and 32 overlapping genes. Additional key factors included EEF1A1, KRT8, KRT19, MIF, SPINT2, and S100A10. Discussion: Enrichment analysis revealed consistent enrichment of oxidative phosphorylation and thermogenesis pathways across conditions, with IFN knockout cells specifically enriched for coronavirus disease pathways. Conclusion: This comprehensive approach provided robust biomarker identification and molecular insights into SARS-CoV-2 immune evasion mechanisms.
Yazarların özeti; kaynağından alınmıştır. Current Bioinformatics, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Enfeksiyon Hastalıkları
Infectious DiseasesMedicine