多重机器学习识别了抑制NAFLD进展的关键基因PHLDA1

科学领域:

• 肝病学和分子生物学
• 生物标志物发现发现
• 基因组学就是基因组学.

背景情况:

• 非酒精性脂肪肝 (NAFLD) 是一个日益严重的全球健康问题,其进展机制尚未完全理解.
• 目前NAFLD的分子标志物缺乏强有力的临床证据,需要识别新的生物标志物以改善预测,预防和个性化治疗.

研究的目的:

• 通过生物信息学和机器学习方法,识别非酒精性脂肪性肝病 (NAFLD) 的新基因和潜在生物标志物.
• 调查已识别的基因在NAFLD病原体中的作用及其与免疫细胞的关联.
• 在NAFLD的细胞和动物模型中验证发现.

主要方法:

• 下载并分析了基因表达综合 (GEO) 数据集,用于差异基因表达和功能丰富分析.
• 使用权重基因共同表达网络分析 (WGCNA) 和机器学习算法来选关键基因.
• 用于诊断价值评估的受体操作特征 (ROC) 分析和用于免疫细胞关联研究的CIBERSORT/scRNA-seq.
• 在体外 (肝硬化细胞模型) 和体内 (老鼠NAFLD模型) 验证的结果.

主要成果:

• 确定了23个重叠的差异表达基因 (DEGs),与亡和p53信号传递等途径相关.
• 发现了像域家族A成员1 (PHLDA1) 这样的一种普莱克斯特林同质性作为关键基因,在NAFLD中降低调控,具有高诊断准确性.
• PHLDA1与免疫细胞,特别是巨细胞有显著的相关性,其下调被证实在体外和体内.
• 在肝硬化模型中,PHLDA1的过度表达减少了脂质积累和关键脂原基因表达 (FASN,SCD-1,CD36).

结论:

• 在非酒精性脂肪性肝病 (NAFLD) 中,PHLDA1的下调,并显示出作为诊断生物标志物的潜力.
• 通过抑制肝脏脂质生成和脂质积累,PHLDA1发挥着保护作用,这表明它是治疗点.
• 对PHLDA1的进一步研究可能会导致用于NAFLD预测,诊断和有针对性的预防的新战略.