随着时间的推移,神经病痛在脊髓层面的进展中的生物标志物签名基于生物信息学和机器学习分析

科学领域:

• 神经科学是一个神经科学.
• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.

背景情况:

• 神经病痛 (NP) 是一种具有复杂潜在机制的慢性疼痛状况.
• 目前对NP的治疗策略往往是不充分的.
• 了解NP中的时间分子变化对于开发有效的治疗方法至关重要.

研究的目的:

• 为了识别神经病痛中的时间转录变化.
• 发现与NP发展和进展相关的新型基因生物标志物.
• 探索NP管理的潜在治疗目标.

主要方法:

• 在神经病痛的小鼠模型上利用生物信息学和机器学习算法.
• 在多个时间点 (第3,7,14天) 进行了差异基因表达 (DEG) 分析.
• 集成的机器学习模型 (LASSO,RF,SVM-RFE) 和权重基因联合表达网络分析 (WGCNA) 以确定关键基因和时间模式.

主要成果:

• 确定了54个跨时间点的常见差异表达基因 (DEG),丰富了免疫反应和细胞信号通路.
• 发现了11个共享的DEG,将时间序列签名与常见的DEG集成在一起,包括潜在的关键基因,如Ngfr和Ankrd1.
• 通过定量RT-PCR验证了时间基因表达,并发现与单细胞透的相关性.

结论:

• 确定了具有时间序列表达模式的新型基因,作为神经病痛的潜在生物标志物.
• 这些发现突显了时间转录基因变化在NP病变发生中的作用.
• 这项研究表明,开发用于治疗神经病痛的新止痛药的潜在新型治疗点.