基于机器学习模型的骨关节炎免疫微环境亚型和临床风险生物标志物的识别

科学领域:

• 免疫学 免疫学 免疫学
• 遗传学 遗传学是一种遗传学.
• 生物标志物发现发现
• 骨关节炎研究 骨关节炎研究

背景情况:

• 骨关节炎 (OA) 是一种常见的退行性关节疾病,其特征是渐进的关节软骨和骨破坏.
• 目前的诊断方法往往无法在早期检测OA,因此需要开发新的生物标志物.
• 免疫微环境在关节炎的发病过程中起着至关重要的作用,这表明它有可能成为诊断标记物的来源.

研究的目的:

• 探索与免疫微环境相关的生物标志物,用于早期诊断骨关节炎 (OA).
• 通过分析与免疫相关的基因,识别OA的新型风险因素.
• 为早期OA检测和管理提供一个新的研究方向.

主要方法:

• 选了基因表达综合 (GEO) 数据库,并利用ImPort数据集通过权重基因共表达网络分析 (WGCNA) 检测与免疫微环境相关的基因 (Imr-DEGs).
• 进行了基因本体学 (GO) 和基因和基因组 (KEGG) 丰富分析的京都百科全书.
• 构建了一个随机森林机器学习模型以识别特征性OA基因,使用接收器操作特征 (ROC) 曲线和外部数据集验证诊断意义,并通过无监督集群对OA免疫亚型进行分类.

主要成果:

• 鉴定了26种Imr-DEG,在OA和正常群体之间的16个免疫细胞子集中存在显著差异.
• 一个随机的森林模型确定了9个特征基因 (BLNK,CCL18,CD74,CSF1R,RAC2,INSR,IL11,IL18,TLR7) 具有很高的诊断准确度 (AUC从0.662到0.835不等).
• 结合这些基因的诺姆图表在预测OA发生和发展方面表现出精确性.

结论:

• 这项研究成功地确定了免疫微环境中的关键基因,这些基因是骨关节炎 (OA) 的特征.
• 这些已识别的基因可以作为早期关节炎诊断和风险因素评估的潜在新生物标志物.
• 这些发现为进一步研究与免疫相关的机制和OA的治疗点提供了基础.