社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

6.6/Q1,台湾学者罗浩珠团队利用公共数据库+机器学习探究RA与OP的基因桥梁

生信Othopadics • 3 周前 • 60 次点击  

如果您对骨科疾病生信临床研究感兴趣,请为小骨点点关注,持续解读骨科前沿生信文献和思路。如果您需要定制化服务,欢迎扫码联系小骨~

大家好,今天小骨和大家分享的这篇文章亮点是公共数据库+机器学习,一起来看看吧
1. 明确的研究背景和意义:研究聚焦于RA向OP转变的分子机制,特别是凋亡相关基因的作用,具有重要的临床意义。
2. 多数据集和综合分析方法:利用多个公共数据库和多种分析方法(如差异表达分析、WGCNA、功能富集分析、机器学习和免疫浸润分析),增加了研究结果的可靠性和全面性。
3. 关键基因的识别和验证:通过严格的筛选步骤,识别了两个关键基因(ATXN2L和MMP14),并进行了功能富集分析、相关性分析和ROC分析,验证了它们在RA和OP中的重要作用。
4. 机器学习的应用:应用Lasso和随机森林等机器学习方法,提高了关键基因的筛选效率和预测能力。
5. 免疫浸润分析:通过CIBERSORT分析评估免疫细胞浸润差异,揭示了关键基因与免疫细胞浸润的相关性,为免疫治疗提供了新视角。
6. 诊断性能评估:通过ROC分析评估关键基因的诊断性能,显示出良好的诊断潜力,为临床应用提供了可能的指标。

如果各位老师生信定制服务,欢迎扫描上方二维码,联系小骨哦❤️❤️

下面让我们一起来看看具体文章内容吧!

文章标题:Apoptosis-associated genetic mechanisms in the transition from rheumatoid arthritis to osteoporosis:A bioinformatics and functional analysis approach

中文标题:从类风湿关节炎到骨质疏松症转变中的凋亡相关遗传机制:一种生物信息学和功能分析方法

发表期刊 APL Bioengineering

发表时间2024年11

影响因子6.6/Q1

研究目的

类风湿关节炎(RA)是一种慢性炎症性自身免疫性疾病,主要影响关节,导致关节疼痛、肿胀、功能障碍和骨质破坏。RA患者常伴有骨质疏松症(OP),这是一种以骨量减少、骨微结构破坏为特征的疾病,增加骨折风险。研究表明,RA与OP之间存在复杂的病理生理联系,可能涉及炎症因子、细胞因子网络、激素水平变化以及细胞凋亡等多种机制。细胞凋亡在骨代谢平衡中起着关键作用,其异常调控可能导致骨吸收与骨形成的失衡。然而,目前对于RA向OP转变过程中凋亡相关遗传机制的系统性研究仍相对有限。因此,本研究旨在通过生物信息学和功能分析方法,深入探讨RA向OP转变过程中的凋亡相关遗传机制,以期为早期诊断、干预及治疗RA相关OP提供新的靶点和理论依据。

研究方法

本研究采用生物信息学和功能分析相结合的方法,深入探究类风湿关节炎(RA)向骨质疏松症(OP)转变过程中的凋亡相关遗传机制。首先,通过公共数据库收集RA和OP相关的基因表达数据,利用差异表达分析筛选出在RA和OP中显著差异表达的基因。然后,基于这些差异表达基因构建蛋白质-蛋白质相互作用(PPI)网络,识别出关键的凋亡相关基因模块。接着,运用基因本体(GO)富集分析和京都基因与基因组百科全书(KEGG)通路分析,深入剖析这些关键基因的功能和参与的信号通路,揭示其在RA向OP转变中的潜在作用机制。此外,通过生存分析和相关性分析进一步验证关键基因与疾病进展的相关性,为后续的实验验证和临床应用提供理论基础。

研究结果

1.基因选择过程和差异分析结果

研究者从GEO数据库的GSE12021(RA)和GSE56814(OP)数据集中筛选出差异表达基因(DEGs)。GSE12021数据集通过差异分析确定了2660个p值小于0.05的基因,并构建了火山图和热图。通过WGCNA分析,筛选出1571个与RA相关的模块基因。GSE56814数据集通过差异表达分析揭示了418个关键基因。将RA和OP的DEGs与WGCNA模块基因交集,最终确定了23个关键基因供进一步分析。为了进一步精简该列表,研究者将交集基因与凋亡基因集进行比对,专注于参与程序性细胞死亡的基因。


2.富集分析


对23个关键基因进行GO和KEGG富集分析,发现这些基因主要富集在细胞器遗传、高尔基体遗传和骨化等生物过程中,以及破骨细胞分化和MAPK信号通路等通路中。进一步将这些关键基因与凋亡相关基因进行交集,确定了10个关键基因:BRD4、MMP14、NR4A1、ATXN2L、NFKB2、MAVS、GOLGA2、PLK3、JUNB和ACIN1,并进行了蛋白质-蛋白质相互作用分析。

3.机器学习筛选 
使用LASSO和随机森林方法对OP数据集中的10个关键基因进行筛选,最终确定了6个关键基因:BRD4、MMP14、NR4A1、ATXN2L、NFKB2和ACIN1。在RA数据集中进一步筛选,最终确定了两个关键基因:ATXN2L和MMP14。对这两个基因进行GSEA分析,发现它们参与了血小板脱颗粒、溶酶体、神经活性配体-受体相互作用等过程。
4.免疫相关性分析 

对ATXN2L和MMP14与免疫浸润结果进行相关性分析,发现ATXN2L与幼稚B细胞、活化的CD4记忆T细胞和调节性T细胞(Tregs)呈正相关,而MMP14与记忆B细胞呈正相关,与静止的CD4记忆T细胞呈负相关。所有p值均小于0.05,表明这些基因与免疫细胞浸润存在显著关联。

5.ROC分析和相关miRNA的预测

通过ROC分析评估ATXN2L和MMP14的诊断性能,AUC值分别为0.667和0.649,显示出良好的诊断潜力。此外,构建了蛋白质相互作用网络,并预测了与这两个关键基因相关的miRNA相互作用网络。

研究小结

本研究不仅提供了RA和OP分子机制的深入理解,还可能有助于开发更有效的治疗方法,改善RA和OP患者的疾病管理和预后。如果您对生信分析和公共数据库挖掘感兴趣,但时间和精力有限或者缺乏相关经验,小骨非常乐意为您提供如下服务:免费思路评估、付费方案设计和生信分析等,有意向的老师欢迎联系小骨哦!

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/182538
 
60 次点击