KI und die schwierigen Probleme der Welt · Medizin & Wirkstoffforschung · Nature (computational biology) · 2026-10-20
Die Integration von Disulfidptose-Mustern und maschinellem Lernen identifiziert eine neuartige diagnostische Signatur für Endometriose
Originaltitel: Integrating disulfidptosis patterns and machine learning identifies a novel diagnostic signature for endometriosis
Endometriose ist eine heterogene gynäkologische Erkrankung, deren molekulare Mechanismen noch nicht vollständig verstanden sind, und die Disulfidptose, eine kürzlich identifizierte Form des programmierten Zelltods, war bei dieser Erkrankung bisher nicht systematisch untersucht. Bei der Analyse von Genexpressionsprofilen identifizierten die Forschenden zwei Disulfidptose-assoziierte molekulare Subtypen mit unterschiedlichen immunologischen Merkmalen und verglichen vier Machine-Learning-Algorithmen, wobei Extreme Gradient Boosting (XGB) am besten abschnitt. Daraus ergab sich eine Fünf-Gen-Signatur bestehend aus BTBD2, SLC4A2, SSC5D, LPPR2 und SRGAP2C, die durch eine Validierung in zwei unabhängigen externen Datensätzen sowie eine teilweise RT-qPCR-Validierung gestützt wurde und ein potenzielles diagnostisches Werkzeug sowie neue Einblicke in die Mechanismen der Endometriose bietet.