通过综合生物信息学分析和机器学习来确定骨质疏松症的共同遗传特征和途径

科学领域:

• 遗传学和生物信息学 遗传学和生物信息学
• 分子生物学分子生物学
• 计算生物学 计算生物学

背景情况:

• 结肩膀 (FS) 和骨质疏松症 (OP) 是常见的与年龄有关的疾病,特别是在女性中,这表明它们有共同的分子基础.
• 了解FS和OP之间的遗传联系对于开发有效的诊断和治疗策略至关重要.

研究的目的:

• 通过生物信息学和机器学习,识别骨质疏松症和结肩膀之间的共同遗传特征和途径.
• 选关键基因并评估它们对这两种疾病的诊断价值.
• 探索免疫透,调节网络和潜在的治疗化合物.

主要方法:

• 从基因表达综合数据库中获取OP和FS的基因表达数据.
• 确定了常见的差异表达基因 (DEG),构建了蛋白质-蛋白质相互作用 (PPI) 网络,并应用了机器学习算法.
• 进行了功能丰富分析,接收器操作特征 (ROC) 曲线分析,免疫透分析和药物预测.

主要成果:

• 确定了111种在神经发育,细胞信号传递和免疫调节途径中丰富的常见DEGs.
• 发现了14个枢纽基因,SDC1和ELN通过机器学习被确定为关键诊断标记,并通过ROC曲线验证.
• 揭示了OP中与关键基因表达相关的独特免疫细胞模式,并确定了五种候选治疗化合物.

结论:

• 发现了FS和OP之间共同的遗传特征,增强了对它们的共患病机制的理解.
• SDC1和ELN作为FS和OP的有前途的诊断生物标志物.
• 为新的诊断生物标志物和精确治疗策略的治疗目标提供了理论基础.