在肝纤维化进展中,使用机器学习模型和实验验证实验来识别与糖溶解相关的集群和免疫细胞透

科学领域:

• 在肝病中代谢重编程.
• 纤维化疾病的免疫学
• 系统生物学方法系统生物学方法.

背景情况:

• 肝纤维化 (HF) 是由糖溶性重编程驱动的,但其机制尚不清楚.
• 了解糖解相关基因 (GRGs) 的作用对于HF进展至关重要.
• 开发HF风险分层模型是一个未满足的临床需求.

研究的目的:

• 在肝纤维化中识别GRG的分子特征.
• 开发一种基于糖溶性活动的模型,用于HF风险分层.
• 描述核心GRG在HF中的生物功能和免疫调节作用.

主要方法:

• 对GEO数据集的综合分析和权重基因共同表达网络分析 (WGCNA).
• 应用六个机器学习算法来识别核心GRG.
• 免疫透评估,功能丰富和单细胞差异状态分析.
• 在CCl4诱导的纤维化小鼠和TGF-β刺激的LX-2细胞中的验证.

主要成果:

• 使用机器学习识别了六个核心GRG (B3GNT3,CHST4,DCN,GPC3,SOX9,VCAN).
• 定义了三种基于GRG的分子亚型,其中C显示了增强的免疫透.
• 活体和体外纤维化进展表明增强的糖解和核心GRG上调.

结论:

• 糖溶性重编程是HF进展和免疫透的关键驱动因素.
• 在HF中代谢免疫失调呈现出一个有希望的治疗途径.
• 核心GRG及其相关亚型提供了对HF病原和风险分层的洞察.