使用生物信息学和机器学习识别免疫相关的线粒体代谢障碍基因在败血症休克

科学领域:

• 生物医学研究的研究.
• 基因组学就是基因组学.
• 免疫学 免疫学 免疫学

背景情况:

• 线粒体在感染性休克期间的炎症反应中起着至关重要的作用.
• 败血性休克对患者的生存构成重大威胁.
• 识别免疫线粒体相互作用对于理解和管理败血症休克至关重要.

研究的目的:

• 识别和分析与败血症休克相关的免疫线粒体基因.
• 基于关键的免疫线粒体基因,开发出性休克的诊断模型.

主要方法:

• 在GSE57065数据集上利用了权重基因共同表达网络分析 (WGCNA) 和差异基因表达分析.
• 进行了功能性丰富分析 (GO,KEGG,GSEA) 并构建了一个蛋白质-蛋白质相互作用 (PPI) 网络.
• 采用机器学习算法 (SVM-RFE,RF,LASSO) 来识别诊断基因,通过ROC分析和qRT-PCR进行验证.
• 使用CIBERSORT和Spearman相关性分析了免疫细胞透及其与诊断基因的相关性.

主要成果:

• 确定了44个与线粒体相关的差异表达基因 (MitoDEGs).
• 发现了四种诊断免疫线粒体基因:PGS1,C6orf136,THEM4和EPHX2.2.
• 开发了一种诊断模型,对感染性休克有显著的疗效.
• 发现丰富的激活免疫细胞,特别是中性粒细胞,与性休克的关键基因相关.

结论:

• 四个关键的免疫线粒体基因 (PGS1,C6orf136,THEM4,EPHX2) 被确定为感染性休克的潜在生物标志物.
• 建立了一个新的基因诊断模型,为败血性休克诊断提供了一个有前途的工具.
• 这项研究为免疫-线粒体相互作用在败血性休克病原和诊断中的新视角提供了新的视角.