药物警戒信号检测
检测AVA和炭疽抗菌药物与抑郁相关AE的关联信号。
从VAERS和FAERS提取相关AE报告,使用MedDRA编码,进行不成比例分析(ROR、PRR、BCPNN、MGPS),并进行敏感性分析排除同时接种。
Real-world analysis of depression-related adverse events associated with the adsorbed anthrax vaccine: integrating pharmacovigilance signals, machine learning risk prediction, and transcriptomic mechanisms
基于VAERS和FAERS的药物警戒分析、七种机器学习模型、生存分析及GEO转录组数据挖掘,但缺乏体外或动物实验等直接功能验证。
VAERS数据库中的AVA接种者报告 FAERS数据库中的炭疽抗菌药物使用者报告 GSE34407数据集中的LeTx处理PBMC GSE38206数据集中的MDD患者PBMC
VAERS报告时间范围:1993–2025,排除国外报告 FAERS去重规则:按CASEID和FDA_DT排序,保留最新报告 不成比例分析采用ROR、PRR、BCPNN、MGPS四种方法 机器学习模型训练集70%,测试集30%,五折交叉验证 转录组数据筛选标准:|log2FC|>1.5且P.adj<0.05
提炼研究问题、关键发现与证据,快速把握文章的核心贡献。
按研究推进顺序梳理实验设计、验证步骤与关键观察。
检测AVA和炭疽抗菌药物与抑郁相关AE的关联信号。
从VAERS和FAERS提取相关AE报告,使用MedDRA编码,进行不成比例分析(ROR、PRR、BCPNN、MGPS),并进行敏感性分析排除同时接种。
描述AVA相关抑郁AE的人口学和时间特征。
计算性别、年龄分布,中位TTO,Weibull分布分析,Cox回归分析预测因素。
识别AVA相关抑郁AE的预测因素。
建立七种机器学习模型(LASSO、KNN、SVM、RF、NB、XGBoost、决策树),评估性能,使用SHAP解释特征重要性。
探索AVA相关免疫扰动与抑郁之间的分子机制。
分析GSE34407(LeTx处理PBMC)和GSE38206(MDD患者PBMC)数据,进行差异基因表达、GO/KEGG富集分析,并交集分析。
按研究目的归类文中使用的方法,便于定位所需技术。
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 药物警戒数据库 | 疫苗不良事件报告系统 (VAERS) | -- | -- |
| FDA不良事件报告系统 (FAERS) | -- | -- | |
| 基因表达数据库 | 基因表达综合数据库 (GEO) | -- | -- |
| 统计分析软件 | R软件版本4.2.2 | R Foundation for Statistical Computing | -- |
| 机器学习软件 | EasyR软件版本2.0.1 | EasyR development team | -- |
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 数据提取 | VAERS报告范围:1993-2025,仅限美国报告;FAERS药物包括七种抗菌药物,仅纳入主要怀疑药物。 阅读提示:Methods: Data extraction and processing |
| 信号检测 | 四种不成比例分析方法的具体阈值。 阅读提示:Methods: Disproportionality analysis; Supplementary Table 2 |
| 机器学习建模 | 数据分割比例70/30,五折交叉验证,网格搜索范围。 阅读提示:Methods: Construction of the machine learning model |
| 转录组分析 | GSE34407和GSE38206数据集的样本处理条件(如LeTx浓度和暴露时间)。 阅读提示:Methods: Gene expression data analysis |