使用权重基因共同表达网络分析和机器学习来选脊髓损伤的生物标志物

科学领域:

• 神经科学是一个神经科学.
• 免疫学 免疫学 免疫学
• 遗传学 是一个遗传学.

背景情况:

• 脊髓损伤 (SCI) 涉及复杂的免疫和炎症反应,影响神经再生和功能恢复.
• 了解SCI中的外周免疫炎症反应至关重要,但仍然有限.

研究的目的:

• 在SCI患者的外周血液中研究微RNA和mRNA表达特征.
• 确定SCI诊断的潜在生物标志物和与免疫炎症相关的治疗点.

主要方法:

• 周围血液微RNA的高通量测序和GEO数据库mRNA配置文件的分析 (GSE151371).
• 生物信息学方法包括差异表达分析,功能丰富,加权基因共同表达网络分析,LASSO逻辑回归和SVM-RFE.
• 使用定量聚合酶连锁反应 (qPCR) 和接收器运行特征 (ROC) 曲线分析进行验证.
• 使用CIBERSORT进行免疫细胞比例分析,并构建一个小型RNA-mRNA相互作用网络.

主要成果:

• 鉴定出54个差异表达的微RNA和1656个差异表达的基因.
• 发现免疫和炎症相关途径的异常激活或抑制 (例如,中性粒细胞外细胞陷,T细胞受体,NF-κB).
• 确定并验证了三种潜在的SCI生物标志物:ANO10 (增加mRNA),BST1 (增加mRNA) 和ZFP36L2 (减少mRNA).
• 与健康受试者相比,在SCI患者中观察到各种免疫细胞 (例如,增加原始B细胞,单细胞,中性粒细胞;减少CD8+T细胞,NK细胞) 的比例变化.
• 在ANO10,BST1,ZFP36L2和特定的免疫细胞类型之间展示了密切的关系.

结论:

• 这项研究强调了外周免疫炎症在脊髓损伤中的重要作用.
• ANO10,BST1和ZFP36L2被确定为脊髓损伤的潜在诊断生物标志物.
• 这些发现为开发SCI的免疫炎症治疗策略提供了新的途径.