摘要目的:基于加权基因共表达网络分析(WGCNA)和机器学习算法对动脉粥样硬化(AS)血管测序数据集进行分析,探讨AS的潜在靶点,以期为临床治疗和药物研发提供依据.方法:从基因表达综合数据库(GEO)中下载AS基因表达数据集GSE40231.利用Limma包对数据集进行差异表达分析,获得差异表达基因(DEGs),并进行WGCNA分析确定与AS显著相关的基因模块,将DEGs与AS最显著相关模块基因取交集,将此交集基因确定为AS的关键基因.通过STRING在线网站构建关键基因蛋白互作网络,并对关键基因进行基因本体论(GO)、京都基因与基因组百科全书(KEGG)、疾病本体论(DO)分析.利用3种机器学习(支持向量机、随机森林和最小绝对收缩和选择算子算法)获得枢纽基因(Hub基因)并分析其表达情况;在数据集GSE20129和GSE226790中对Hub基因进行验证.采用单样本基因富集(GSEA)进一步分析Hub基因在AS疾病中发挥的作用及功能.结果:对数据集GSE40231分析发现,与健康对照动脉血管样本相比,AS血管组织样本中共筛选出483个DEGs,其中上调基因245个、下调基因238个.通过WGCNA构建了 20个基因模块,进一步分析发现共8个基因模块为AS最显著相关模块.对DEGs与WGCNA中的8个基因模块相交的关键基因进行富集分析,GO分析主要富集在核质运输、核运输和有机磷分解代谢过程等138个生物学过程(BP);核斑点、细胞的顶端部分和晚期胞体内等10个细胞组分(CC);镁离子结合、单链DNA结合和钙调蛋白结合等43个分子功能(MF).KEGG显著富集在胰高血糖素信号通路、紧密连接信号通路、内分泌和其他因素调节钙的再吸收信号通路、皮质醇的合成和分泌、过氧物酶体等信号通路.利用机器学习最终筛选出糖蛋白激素亚基α2(GPHA2)、镧氨酸合成酶C样蛋白2(LANCL2.1)、含C-X9-C基序4(CMC4)和核前-mRNA结构域1(RPRD1A.2)为Hub基因.相较于正常对照组,4个Hub基因在AS组显著下调,与验证集中的表达趋势一致.结论:GPHA2、LANCL2.1、CMC4和RPRD1A.2与AS的发生发展存在着密切联系,4个Hub基因可能通过胰高血糖素信号通路等参与AS的发生发展.GPHA2、LANCL2.1、CMC4和RPRD1A.2可作为AS候选的新型生物标志物.