整合生物信息学和机器学习来识别淋巴细胞损伤基因,并预测糖尿病脏病的药物标

科学领域:

• 基因组学和生物信息学
• 分子生物学分子生物学
• 腎臟病學 (nephrology) 是一種醫學專業.

背景情况:

• 糖尿病病 (DN) 是糖尿病的严重并发症,导致高死亡率.
• 目前对DN的治疗有局限性,而球损伤的确切机制仍然不清楚.
• 识别新的生物标志物和治疗点对于管理DN至关重要.

研究的目的:

• 阐明糖尿病病 (DN) 中球损伤的分子机制.
• 识别和验证新的诊断生物标志物和DN的潜在治疗点.
• 探索DN中已识别的生物标志物,免疫特征和临床数据之间的关系.

主要方法:

• 使用R软件和权重基因共同表达网络分析 (WGCNA) 分析公共DN数据集 (GSE30528,GSE104948,GSE96804).
• 使用Venny软件识别差异表达基因 (DEG) 和共同表达的基因.
• 机器学习方法 (LASSO,SVM,RF) 用于生物标志物选择,通过后勤回归,交叉验证和外部数据集 (GSE96804) 验证.
• 接收器操作特征 (ROC) 曲线分析用于诊断疗效评估.
• 与其他病的比较和分子亚型和免疫细胞透的分析.
• 使用GSigDB和分子对接进行蛋白质药物相互作用预测,在糖尿病小鼠模型 (BKS-db) 中使用RT-qPCR进行验证.

主要成果:

• 五个重要的基因 (FN1,C1orf21,CD36,CD48,SRPX2) 被确定为DN的潜在生物标志物.
• 与其他病相比,这些生物标志物显示出强大的诊断预测能力和DN的特异性.
• 基于生物标志物的分类揭示了两个具有独特免疫特征的分子亚型,与DN中的免疫功能有关.
• 药物预测和分子对接证实了针对这些基因的治疗潜力.
• 在糖尿病小鼠模型中的RT-qPCR验证了FN1,CD36,CD48和SRPX2.2的上调表达.

结论:

• 该研究成功地确定了五种具有糖尿病病 (DN) 显著诊断和治疗潜力的新生物标志物.
• 这些生物标志物提供了对球损伤的调节机制的见解,并为开发DN的新诊断工具和治疗提供了基础.
• 已识别的生物标志物与免疫功能密切相关,突出了它们在DN病变发生中的作用和免疫调节疗法的潜力.