基于机器学习方法的动脉瘤下arachnoid出血免疫相关的生物标志物的查

科学领域:

• 基因组学就是基因组学.
• 分子生物学分子生物学
• 医学研究 医学研究

背景情况:

• 动脉瘤下关节出血 (aSAH) 是一种具有高死亡率和残疾的严重疾病.
• 动脉瘤破裂的潜在分子机制仍然不完全理解.
• 确定aSAH的新型治疗点是一个重要的临床需求.

研究的目的:

• 阐明驱动aSAH的基本分子机制.
• 为了确定aSAH治疗的潜在新型治疗点.

主要方法:

• 权重基因共同表达网络分析 (WGCNA) 和差异基因表达分析 (DEGs) 应用于aSAH基因表达数据.
• 使用ssGSEA和CIBERSORT进行了免疫细胞透的评估.
• 进行了基因本体学 (GO) 和KEGG通路分析,以了解生物机制.

主要成果:

• 确定了6个共同表达模块,黄色模块 (184个基因) 与aSAH有显著的相关性.
• 确定ARHGAP26和SLMAP是通过WGCNA,LASSO和后勤回归预测aSAH的关键基因.
• ROC曲线分析证实了ARHGAP26和SLMAP的诊断疗效;与炎症相关的信号通路得到了丰富.

结论:

• ARHGAP26和SLMAP被确定为aSAH的重要预测因素.
• 这些基因有可能成为aSAH诊断的新生物标志物.
• 对于aSAH来说,ARHGAP26和SLMAP是有前途的治疗点.