查COPD相关的生物标志物和传统中医预测基于生物信息学和机器学习

科学领域:

• 生物信息学和计算生物学
• 免疫学 免疫学 免疫学
• 遗传学和基因组学 遗传学和基因组学

背景情况:

• 慢性阻塞性肺病 (COPD) 是一种复杂的呼吸系统疾病,具有重要的炎症和遗传成分.
• 了解免疫细胞,遗传因素和疾病进展之间的相互作用对于有效的治疗策略至关重要.
• 铁亡是一种受调节的细胞死亡形式,因其在COPD等炎症性疾病中的作用越来越受认可.

研究的目的:

• 利用生物信息学和机器学习来预测COPD患者的免疫细胞和与炎症和ferroptosis相关的基因特征.
• 通过使用孟德尔随机化来识别免疫细胞,基因和COPD之间的因果关系.
• 促进针对COPD的中国传统医学 (TCM) 向治疗方法的开发.

主要方法:

• 对COPD相关基因的基因表达总量 (GEO) 数据库的数据挖掘.
• 权重基因共同表达网络分析 (WGCNA) 以确定关键基因模块.
• 机器学习模型用于预测核心微RNA (miRNA),免疫细胞和特征基因.
• 门德尔的随机化分析,以确定免疫细胞,基因和COPD之间的因果关系.
• 分子对接和反向推理用于预测TCM化合物.

主要成果:

• 在COPD中鉴定了2,443个差异表达基因和1226个与炎症相关的基因.
• 选择了141个与炎症相关的基因和37个与铁亡相关的基因.
• 预测的关键miRNAs包括hsa-miR-543,hsa-miR-181c和hsa-miR-200a. 这两种类型的miRNAs都可能存在.
• 与COPD相关的显著免疫细胞包括血细胞,CD4 T细胞,马三角形T细胞,NK细胞,M2巨细胞和乙氨基酸细胞.
• 门德尔的随机化证实了36种类型的免疫细胞和COPD之间的因果关系.

结论:

• 特定的免疫细胞和COPD的发展之间存在明确的因果关系.
• 该研究成功预测了关键的miRNA,免疫细胞,特征基因和潜在的COPDTCM治疗方法.
• 这些发现为COPD的早期诊断,预防和个性化治疗使用向的TCM疗法提供了新的见解.