การศึกษานี้มุ่งเน้นที่โรคกล้ามเนื้อหัวใจตายเฉียบพลัน (AMI) โดยมีเป้าหมายเพื่อค้นหากลุ่มของยีนที่สามารถใช้เป็นตัวบ่งชี้ทางชีวภาพ (Biomarker) ในการวินิจฉัยโรคได้ โดยเฉพาะในระยะแรกที่อาจยังตรวจไม่พบด้วยวิธีการดั้งเดิม เช่น การตรวจโปรตีน Troponin ที่เกิดจากการตายของเซลล์กล้ามเนื้อ วิเคราะห์ข้อมูล RNA Expression จาก GEO Database (GSE66360) เพื่อระบุยีนที่แสดงออกผิดปกติในผู้ป่วย AMI เทียบกับกลุ่มควบคุม ประยุกต์ใช้เทคนิค Feature Selection เพื่อระบุ Biomarker ที่สำคัญ ได้แก่ DEGs, WGCNA และ PPI Network สร้างและประเมินโมเดล Machine Learning (Random Forest, SVM-RBF, LASSO) เพื่อจำแนกผู้ป่วย AMI จากกลุ่มปกติ พัฒนา Integrated Bioinformatics + ML Pipeline ที่ผสมผสานเทคนิคชีวสารสนเทศและ Machine Learning เพื่อให้ได้ Biomarker ที่น่าเชื่อถือและสามารถจำแนกโรคได้จริง: DEGs — T-Test คัดกรองยีนที่แสดงออกแตกต่างกันอย่างมีนัยสำคัญ WGCNA — วิเคราะห์รูปแบบ Co-expression และจัดกลุ่มยีนเป็น Module PPI Network — ระบุ Hub genes สำคัญในเครือข่ายโปรตีน Ensemble ML (RF + SVM-RBF + LASSO) + Voting 2/3 + Optuna ระบุ Biomarker สำคัญจำนวน 21 ยีน ที่เกี่ยวข้องกับ AMI โดยพบ TYROBP และ NFKBIA ซึ่งสอดคล้องกับงานวิจัยที่ตีพิมพ์ Ensemble Voting Classifier ให้ความแม่นยำ Accuracy 91% และ AUC 0.97 บน test set เมื่อ Optimize ด้วย Optuna ได้ผลลัพธ์สูงถึง Accuracy 100% และ AUC 1.00
