Abstract:

本研究通过将小鼠肥胖模型与先进的人工智能技术相结合，探索肥胖的分子机制并确定潜在的治疗靶点。肥胖作为一种多方面的代谢疾病，受遗传、环境、饮食和生活方式因素复杂相互作用的影响。为了克服传统方法在分析高维生物数据方面的局限性，我们创新性地将卷积神经网络 （CNN） 和支持向量机 （SVM） 应用于单细胞 RNA 测序数据分析。在我们的研究方法中，实验组小鼠是通过 12 周的高脂肪饮食诱导肥胖的。利用 10x Genomics Chromium 平台收集内脏和皮下脂肪组织进行单细胞 RNA 测序。使用 Cell Ranger 管道进行数据预处理，其中包括低质量细胞过滤、数据归一化和批量效应校正。然后采用 CNN 模型从高维基因表达数据中提取关键特征，然后使用 SVM 模型对肥胖组和对照组进行分类和分析。结果表明，实验组小鼠的体重、内脏脂肪含量和胰岛素抵抗指数 （HOMA-IR） 显著增加，成功模拟了人类肥胖的代谢紊乱特征。单细胞 RNA 测序显示与脂质代谢、炎症反应和氧化应激途径相关的基因显著上调，这些基因在肥胖组中表达明显更高。CNN 模型在提取肥胖相关基因特征方面表现出卓越的性能，在验证集上实现了 0.91 的 AUC 值，而 SVM 模型的分类准确率达到了 89%，进一步验证了这些基因特征的相关性和有效性。此外，网络生物学分析确定了 TNF-α 和 IL-6 等关键基因，这些基因在肥胖相关的慢性炎症反应中起关键作用，为未来的治疗干预提供了新的分子靶点。这项研究的创新之处在于它开创性地将小鼠模型与尖端人工智能技术相结合，以系统地分析肥胖症的分子机制。这种跨学科的方法不仅提高了数据处理的精度和效率，还为个性化治疗策略的开发提供了坚实的理论基础。未来的研究将旨在进一步优化这些模型，并探索它们在更大规模生物医学数据中的潜在应用，从而推动个性化医疗领域的发展。