您选择的条件: 贺佳
  • 长链非编码 RNA NEAT1、miRNA-182-5p与 2 型糖尿病患者肝纤维化风险的相关性研究

    分类: 医学、药学 >> 临床医学 提交时间: 2023-07-24 合作期刊: 《中国全科医学》

    摘要: 背景 随着慢性代谢性疾病的发病率逐年上涨,已威胁全民健康,目前非编码RNA与内分泌代谢相关疾病的研究已成为国内外研究热点,其中长链非编码RNA核富集丰富转录物1(lncRNA NEAT1)及微小RNA(miRNA)-182-5p在2型糖尿病(T2DM)合并代谢相关脂肪性肝病(MAFLD)中的研究鲜有报道。目的 探讨T2DM合并MAFLD患者lncRNA NEAT1、miRNA-182-5p在肝纤维化发生发展中的机制及临床意义。方法 纳入2021年10月2022年6月在内蒙古科技大学包头医学院第一附属医院内分泌科就诊的T2DM患者236例为研究对象,同时纳入49名健康人群为健康对照组。收集研究对象一般资料与实验室检测结果。测定内脏脂肪面积(VFA)、皮下脂肪面积(SFA)。采集研究对象外周血,测定lncRNA NEAT1、miRNA-182-5p。将T2DM患者其分为T2DM合并非MAFLD组(n=82)与T2DM合并MAFLD组(n=154)。进一步根据肝纤维化指数(FIB-4)将T2DM合并MAFLD组分为肝纤维化低危亚组(n=55),肝纤维化中危亚组(n=69),肝纤维化高危亚组(n=30)。此外选择健康人群体检作为对照组(n=49)。用Sperman秩相关分析探究肝纤维化高危亚组lncRNA NEAT1、miRNA-182-5p表达水平的相关性,采用多因素有序Logistic回归分析探究肝纤维化风险的影响因素。结果 健康对照组年龄、颈围(NC)、空腹血糖(FPG)、糖化血红蛋白(HbA1c)低于T2DM合并MAFLD组、T2DM不合并MAFLD组,白蛋白(Alb)高于T2DM合并MAFLD组、T2DM不合并MAFLD组,差异有统计学意义(P<0.05);T2DM合并MAFLD组BMI、腰围(WC)、VFA、SFA、稳态模型评估胰岛素抵抗指数(HOMA-IR)、三酰甘油(TG)、血尿酸(SUA)、lncRNA NEAT1高于健康对照组、T2DM不合并MAFLD组,血小板计数(PLT)低于健康对照组、T2DM不合并MAFLD组,总胆固醇(TC)低于健康对照组,差异有统计学意义(P<0.05);T2DM不合并MAFLD组HOMA-IR、lncRNA NEAT1高于健康对照组,miRNA-182-5p高于健康对照组、T2DM合并MAFLD组,丙氨酸氨基转移酶(ALT)、天冬氨酸基转移酶(AST)低于健康对照组、T2DM合并MAFLD组,差异有统计学意义(P<0.05)。肝纤维化低危亚组VFA、SFA、AST、lncRNA NEAT1低于肝纤维化中危亚组、肝纤维化高危亚组,PLT、miRNA-182-5p高于肝纤维化中危亚组、肝纤维化高危亚组,BMI、WC、NC低于肝纤维化高危亚组,TC高于肝纤维化高危亚组,差异有统计学意义(P<0.05);肝纤维化中危亚组PLT、miRNA-182-5p高于肝纤维化高危亚组,AST、lncRNA NEAT1低于肝纤维化高危亚组,差异有统计学意义(P<0.05)。Spearman秩相关分析结果显示,肝纤维化高危亚组患者lncRNA NEAT1与miRNA-182-5p呈明显负相关(rs=-0.438,P<0.05)。多因素有序Logistic回归分析结果显示,lncRNA NEAT1〔OR=1.326,95%CI(1.087,1.616)〕、VFA〔OR=1.019,95%CI(1.006,1.033)〕、miRNA-182-5p〔OR=0.083,95%CI(0.027,0.257)〕、PLT〔OR=0.956,95%CI(0.942,0.970)〕、AST〔OR=1.048,95%CI(1.022,1.075)〕是T2DM合并MAFLD患者肝纤维化风险的影响因素。结论 外周血lncRNA NEAT1、miRNA-182-5p与T2DM合并MAFLD患者并发肝纤维化密切相关,为该病的早期预测及诊治提供了新的依据。

  • 基于双向LSTM和GBDT的中医文本关系抽取模型

    分类: 计算机科学 >> 计算机科学的集成理论 提交时间: 2018-10-11 合作期刊: 《计算机应用研究》

    摘要: 为解决采用Softmax作为长短期记忆网络分类器导致实体关系识别模型泛化能力不足,不能较好适用中医实体关系抽取等问题,提出一种融合梯度提升树的双向长短期记忆网络的关系识别算法(BILSTM-GBDT)。先采用word2vec对中医文本进行向量化表示,再利用基于注意力机制的双向长短期记忆网络提取高阶特征,最后采用集成分类模型梯度提升树作为特征分类器,提高关系识别效果。在中医等多个关系语料库上的实验结果表明,该模型与传统SVM方法、GBDT方法及其深度学习方法相比,均有更高的精确率、召回率和F值。