Integrasi Metabolomik, Lipidomik, dan Pembelajaran Mesin untuk Mengembangkan Panel Biomarker untuk Membedakan Tingkat Keparahan Penyakit Hati Berlemak Terkait Metabolisme

ABSTRAK
Penyakit hati berlemak terkait metabolik (MAFLD), tantangan kesehatan global yang terkait dengan sindrom metabolik, memerlukan stratifikasi tingkat keparahan yang akurat untuk manajemen klinis. Metode diagnostik invasif saat ini membatasi implementasi praktis. Studi ini mengintegrasikan multi-omik dan pembelajaran mesin untuk membangun panel biomarker non-invasif untuk tahap awal penilaian MAFLD. Analisis transkriptomik dari kumpulan data GEO melalui jaringan koekspresi gen tertimbang (WGCNA) dan ekspresi diferensial mengungkapkan jalur kritis yang terkait dengan perkembangan MAFLD. Selanjutnya, metabolomik dan lipidomik berbasis LC–MS/MS yang ditargetkan secara luas dilakukan pada sampel plasma dari 40 kontrol sehat dan 120 pasien dengan MAFLD pada berbagai tahap keparahan (40 ringan, 40 sedang, dan 40 parah). Algoritma pembelajaran mesin (regresi LASSO, regresi logistik, pohon keputusan, dan XGBoost) kemudian diterapkan pada kumpulan data ini untuk mengidentifikasi biomarker kritis yang terkait dengan tingkat keparahan penyakit. Akhirnya, panel biomarker yang terdiri dari asam 5-aminolevulinat, asam mesakonik, asam shikimat, PC O-35:3, dan PI 36:2 menunjukkan kinerja diagnostik yang luar biasa dalam mendeteksi prevalensi dan tingkat keparahan MAFLD, mencapai akurasi 88,3% dalam kelompok pelatihan dan akurasi prediksi lebih dari 91,7% dalam kelompok uji independen. Panel biomarker yang teridentifikasi menawarkan pendekatan non-invasif yang menjanjikan untuk menilai tingkat keparahan MAFLD, yang membuka jalan bagi pengobatan dan perawatan presisi pada MAFLD.