代码公开！复旦大学冯建峰团队“高分收割机”，挖掘UKB数据库，基于机器学习的预后模型构建，这样做还怕发不了高分？

代码公开！复旦大学冯建峰团队“高分收割机”，挖掘UKB数据库，基于机器学习的预后模型构建，这样做还怕发不了高分？

嗨喽~大家好，智星在实验室忙碌了一天，终于抽出一点时间给大家分享文献啦！不知不觉2024年快过完了，大家的SCI有没有成功发表？实验是否顺利？不管你是还没有发文思路的医学小白，还是手拿几篇高分SCI的临床大佬，都可以来智星这里开阔思路，说不定就灵感爆发呢？毕竟学无止境，快来看看今天智星带来了什么好文章吧！

本篇是由复旦大学冯建峰团队发表于“Neurology（IF 7.7）”，作者结合机器学习算法，开发了一个基于血浆蛋白和临床-人口学变量的帕金森病高风险预测模型，极大提升了帕金森病的预测效果，并且代码公开！想复刻该思路的小伙伴们可以来学哦~

2024年的进度条已拉过大半，仅仅凭借常规的分析就想在1区高分段发表文章，显然已经非常吃力，只有不断在思路上进行创新，才能脱颖而出！现在开始行动还不晚，有想法的小伙伴们快点迈出第一步，智星这里有专业团队可以帮您设计课题和方案，各种生信分析也不在话下哦~

l题目：血浆蛋白结合临床人口学指标预测未来帕金森病

l杂志：Neurology    

l影响因子：IF=7.7

l发表时间：2024年7月

请前往文末获取文献DOI哦~

研究思路

本研究首先通过挖掘英国生物样本库（UK Biobank，UKB）和帕金森病进展标志物计划（PPMI）数据库，使用血浆蛋白质进行分析，基于机器学习算法，筛选重要蛋白质，并构建帕金森病高风险预测模型。流程图如下所示：

图1

主要结果

1、表1 显示了人群特征：    

表1

2、图2预测器的预测性能和SHAP值反映了对未来PD风险的预测。    

图2

3、将预测的PD风险分层分为高风险组和低风险组，分层风险组的Kaplan-Meier图如图3所示。    

图3

4、PDRP中预测因子的时间趋势如图4所示。

图4

文章小结    

本研究使用机器学习算法，结合血浆蛋白和临床-人口学变量，识别帕金森病高风险人群，极大提升了帕金森病的预测效果。动动手指，足不出户就能收集跨越时间、空间的样本数据，结合自己的课题方向，稍加分析，一篇5-10SCI就能到手！心动不如行动，来找智星，以最省钱的方式为你设计最适合自己的方案！