基于NMF类型和机器学习算法对ferroptosis签名基因的产前相关机制的探索

科学领域:

• 基因组学就是基因组学.
• 生物化学 生物化学
• 生殖医学 生殖医学

背景情况:

• 孕前 (PE) 是对孕产妇和胎儿生存的重大全球健康问题.
• 新出现的证据表明PE和铁亡之间存在病理联系,铁亡是一种受调节的细胞死亡途径.
• 了解这种联系对于开发新的诊断和治疗策略至关重要.

研究的目的:

• 为了确定与先兆子 (PE) 中铁死相关的疾病特异基因.
• 通过计算和实验方法探索PE中铁变化的潜在生化机制.
• 发现PE的潜在诊断生物标志物和治疗点.

主要方法:

• 整合了四个基因表达综合 (GEO) 数据集,以识别PE中差异表达的铁亡相关基因 (DE-FRGs).
• 应用非负矩阵因子化 (NMF) 集群,根据DE-FRG对PE亚型进行分类.
• 利用权重基因共同表达网络分析 (WGCNA) 和机器学习算法 (SVM,RF,GLM,XGB) 来识别关键基因并预测PE状态.
• 使用iRegulon构建了转录因子和铁灭基因的调节网络.
• 通过体外和体内实验验验验证的结果.

主要成果:

• 通过NMF集群识别了41个DE-FRG和两个不同的PE亚型.
• 揭示了PE亚型之间免疫细胞透的显著差异.
• 开发了一种基于五个与铁亡相关的基因 (FRG) 的预测机器学习模型.
• 建立了一个监管网络,突出显示转录因子ARID3A和ferroptosis基因EPHB3和PAPPA2.
• 通过实验证实,ARID3A通过激活EPHB3和PAPPA2.2,促进PE进展和铁亡.

结论:

• ARID3A通过ferroptosis介导的途径在妊娠前病原发生中发挥着中心作用.
• 识别的监管网络为PE的分子机制提供了关键的见解.
• 这项研究强调ARID3A,EPHB3和PAPPA2作为孕前的潜在治疗点.