首页 > 中国实验诊断学 > 利用机器学习算法鉴定原发性膜性肾病的铁死亡相关诊断标志物

利用机器学习算法鉴定原发性膜性肾病的铁死亡相关诊断标志物

Identification of ferroptosis-related diagnostic markers for primary membranous nephropathy via machine learning algo-rithms

二维码有效期 120s

摘要目的利用多种机器学习算法鉴定原发性膜性肾病(PMN)的铁死亡相关诊断标志物.方法从基因表达综合数据库(GEO)检索PMN患者和对照组的肾小球转录组微阵列数据,从Ferrdb数据库获取铁死亡相关基因(FRG)信息,筛选出PMN组相较于对照组差异表达的FRG(P＜0.05).采用最小绝对收缩和选择算子回归、支持向量机和随机森林3种机器学习算法鉴定出关键FRG.并分别在训练集和测试集中检测它们的差异表达情况并绘制受试者工作特征曲线(ROC)以评估其诊断效能.此外,还采用CIBERSORT算法分析了 PMN肾组织中免疫细胞的浸润情况,并探究了关键FRG与免疫细胞浸润之间的关系.结果共鉴定出155个在PMN肾组织中差异表达的FRG,其中74个在PMN中高表达,81个在PMN中低表达.通过三种机器学习策略,最终钙调蛋白依赖性蛋白激酶-2(CAMKK2),双特异性磷酸酶1(DUSP1)和N-myc下游调控基因1(NDRG1)三个基因被鉴定为PMN的关键FRG.在训练集中CAMKK2的曲线下面积(AUC)为0.882,NDRG1的AUC为0.824,DUSP1的AUC为0.914;在测试集中CAMKK2的AUC为0.981,NDRG1的AUC为0.995,DUSP1的AUC为0.943.免疫细胞浸润结果表明,记忆B细胞、中性粒细胞和单核细胞可能参与了 PMN的进展.此外,关键FRG与这些免疫细胞亚型间也有不同程度的关联.结论铁死亡在PMN的发生中起着重要作用,而CAMKK2,DUSP1和NDRG1是PMN的铁死亡相关诊断标志物.

作者高青松 ^[1] 潘婷婷 ^[2] 黎丹 ^[3] 袁戈 ^[1] 王婷 ^[1] 卢思睿 ^[4] 李明 ^[5] 学术成果认领

作者单位长春市第二医院血液透析中心,吉林长春 130062 ^[1] 吉林大学第一医院麻醉科,吉林长春 130021 ^[2] 德惠市人民医院神经内科,吉林长春 130300 ^[3] 吉林大学第一临床医学院,吉林长春 130021 ^[4] 长春医学高等专科学校临床医学院内科教研室,吉林长春 130033 ^[5]

关键词原发性膜性肾病诊断标志物铁死亡机器学习算法 Primary membranous nephropathy Diagnostic biomarkers Ferroptosis Machine learning algorithms

栏目名称

临床研究

DOI 10.3969/j.issn.1007-4287.2025.10.011

发布时间 2025-11-06（万方平台首次上网日期，不代表论文的发表时间）

基金项目

吉林省卫生健康科技能力提升计划项目（2024A192）