基于加权基因共表达网络分析和机器学习探索慢性阻塞性肺疾病患者肺泡巨噬细胞的作用机制及潜在生物标志物

Exploring the mechanisms of action of alveolar macrophages and potential biomarkers in patients with chronic obstructive pulmonary disease based on weighted gene co-expression network analysis and machine learning

二维码有效期 120s

摘要目的基于加权基因共表达网络分析(WGCNA)和机器学习探索慢性阻塞性肺疾病(COPD)肺泡巨噬细胞(AMs)在疾病进展中的潜在病理机制,识别具有临床价值的潜在生物标志物.方法 COPD数据集来自基因表达汇编(GEO)数据库,使用差异表达基因(DEGs)分析和WGCNA筛选差异共表达基因,对其进行基因本体(GO)和京都基因与基因组百科全书(KEGG)富集分析,进一步采用机器学习算法[包括最小绝对收缩和选择算法(LASSO)逻辑回归、支持向量机-递归特征消除(SVM-RFE)和随机森林(RF)算法]来识别生物标志物,开发列线图和受试者工作特征(ROC)曲线以评估诊断价值.随后通过CIBERSORT算法进行免疫浸润分析,并分析关键生物标志物在健康的非吸烟者与吸烟者之间的表达量差异.结果共获得 13 个差异共表达基因,富集分析提示COPD的进展与多个代谢相关通路与过程密切相关.通过机器学习识别到 5 个生物标志物(PRKAR2B、SHROOM3、CFB、PROCR、AOC3),均在COPD患者的AMs中表达量下调并且具有良好的正相关性,而仅有CFB在COPD患者的肺组织中表达下调.5个生物标志物均具有较高的诊断价值,它们与COPD的免疫细胞浸润联系密切,尤其是M0 型巨噬细胞、M1 型巨噬细胞等.此外,5 个生物标志物的表达量在吸烟者AMs中均下调.结论 5 个特征基因在COPD患者AMs中低表达,为鉴别COPD提供了诊断价值,其中CFB最具价值.并且它们可能主要通过调节COPD中多种代谢相关信号通路影响免疫细胞浸润,尤其是巨噬细胞,从而参与COPD的发生与发展.本研究可能为COPD的预防筛查、诊断提供潜在的生物标志物.