转录组分析和机器学习已经确定了共享的诊断基因和可能连接双相情感障碍和的机制

科学领域:

• 神经科学与遗传学
• 生物标志物发现发现
• 计算生物学 计算生物学

背景情况:

• 双极性障碍 (BD) 和 (EP) 是普遍存在的神经疾病,具有重叠的临床特征.
• 准确和早期诊断BD和EP仍然是一个重大的临床挑战.
• 识别共享的分子机制可能会导致新的诊断策略.

研究的目的:

• 选和验证双相情感障碍和的共享诊断生物标志物.
• 阐明BD和EP共同的潜在分子通路和病理机制.
• 利用基因表达数据开发BD和EP诊断的预测模型.

主要方法:

• 来自BD和EP数据集的基因表达概况使用差异表达分析和加权基因共同表达网络分析进行了分析.
• 进行了蛋白质-蛋白质相互作用网络,基因本体学和KEGG通路丰富分析.
• 机器学习算法 (LASSO,SVM-RFE,随机森林) 用于识别中心基因和构建预测模型.

主要成果:

• 通过WGCNA模块和差异表达基因的交叉,确定了113个候选基因.
• 通过蛋白质-蛋白质相互作用分析,三个具有14个基因的关键模块被突出显示为诊断的关键.
• 通过机器学习模型,G蛋白信号传递4和胺黄油酸甲型受体子单元alpha1的调节器被确定为通用诊断生物标志物.
• 通过免疫细胞透分析,激活的M2巨细胞和巨细胞参与了BD和EP的发病.

结论:

• 调节G蛋白信号传递4和胺黄油酸甲型受体子单元α1的调节器代表了诊断双相情感障碍和的有前途的通用生物标志物.
• 共同的分子通路和免疫细胞透,特别是M2巨细胞和巨细胞,有助于这两种神经系统疾病的发病.
• 这些发现为开发针对BD和EP的共同机制的新型诊断工具和治疗策略提供了基础.