基于生物信息学与机器学习筛选脓毒症诱导急性肺损伤生物标志物及白藜芦醇治疗作用的实验验证

本研究整合多组GEO数据集，运用加权基因共表达网络分析（WGCNA）和八种机器学习算法，筛选出DDAH2、PNPLA2、STXBP2和TCN1作为脓毒症相关急性肺损伤（ALI）的关键诊断标志物，构建高精度诊断模型，并通过分子对接及体外实验验证白藜芦醇通过调控上述靶点缓解LPS诱导的肺上皮细胞损伤。

　　

Abstract

脓毒症诱导的急性肺损伤（ALI）因缺乏可靠的早期诊断生物标志物而持续威胁生命。机器学习为分析高维基因表达数据和识别潜在生物标志物及治疗靶点提供了强大工具。

Background

脓毒症是由感染引发的免疫反应失衡导致器官功能障碍的危重状态，可进一步发展为多器官衰竭甚至死亡。ALI作为其常见且致命的并发症，约75%的ALI病例由脓毒症引起。美国每年报告超过21万例脓毒症相关ALI，患者病情更重、肺恢复更慢、死亡率更高。由于ALI进展迅速且缺乏直接诊断肺损伤的生物标志物共识，寻找诊断标志物至关重要。机器学习在分析高维、非线性和含噪声的基因表达数据方面具有独特优势，能有效识别与疾病进展密切相关的关键基因。

Methods

从GEO数据库获取五个数据集（GSE10474、GSE32707、GSE66890、GSE10361、GSE3037），其中GSE10474、GSE32707和GSE66890经评估和标准化后合并为训练集，用于识别差异表达基因（DEGs）。通过加权基因共表达网络分析（WGCNA）得到关键模块基因，与DEGs取交集获得213个重叠基因，并进行基因本体（GO）和京都基因与基因组百科全书（KEGG）富集分析。采用八种机器学习算法（随机森林RF、支持向量机SVM、广义线性模型GLM、梯度提升机GBM、K最近邻KNN、神经网络NNET、最小绝对收缩和选择算子LASSO、决策树DT）建立诊断模型，并在GSE10361和GSE3037上验证。通过列线图、校准曲线和决策曲线分析（DCA）评估模型性能。使用CIBERSORT算法评估免疫和炎症状态，通过Enrichr平台的DSigDB数据库识别潜在治疗化合物，借助分子对接和分子动力学模拟考察白藜芦醇与靶点的相互作用，最后通过体外实验验证发现。

Results

DEGs与WGCNA衍生的MEblue模块基因交集得到213个候选基因，GO和KEGG分析提示其与免疫激活和细菌感染相关。利用八种机器学习算法筛选出四个关键基因（DDAH2、PNPLA2、STXBP2、TCN1）。诊断模型通过列线图、校准曲线和DCA显示出良好性能。分子表对接揭示白藜芦醇与这些基因稳定结合，体外实验中白藜芦醇预处理通过调控核心基因减轻LPS诱导的ALI。

Conclusion

这四个基因可作为脓毒症-ALI的诊断生物标志物，白藜芦醇通过靶向这些基因代表一种潜在治疗策略。

Introduction

脓毒症是重症监护病房死亡的主要原因，ALI是其最常见和致命的并发症之一，常进展为多器官功能障碍。尽管其临床意义重大，但脓毒症诱导ALI的发病机制仍知之甚少，且缺乏有效的诊断或治疗策略。虽然已提出几种生物标志物，但由于疾病的异质性和非特异性早期症状，早期诊断仍然困难。因此，识别可靠的生物标志物和了解潜在的免疫机制对于改进早期诊断和治疗至关重要。

近年来，生物信息学与机器学习方法的整合为识别疾病相关生物标志物提供了新策略。本研究结合这些计算技术来识别脓毒症诱导ALI的潜在诊断标志物，并系统表征免疫细胞浸润景观，从而为理解这种疾病的免疫抑制机制提供新见解。

Materials and Methods

Data Sources Used for Analysis

从GEO数据库检索相关关键词包括“脓毒症诱导急性肺损伤”、“脓毒症”和“人”以识别合适的转录组数据集。基于预定义的纳入标准，选择五个数据集（GSE10474、GSE32707、GSE66890、GSE10361、GSE3037）用于下游分析。其中GSE10474、GSE32707和GSE66890整合构建脓毒症诱导ALI的诊断模型，GSE10361和GSE3037用于评估模型的稳健性和普适性。

Identificated DEGs

为最小化数据集间的批次效应，使用R的“sva”包合并基因表达矩阵。应用主成分分析（PCA）检测潜在模式、简化数据结构并揭示变量间隐藏相关性。GSE10474、GSE32707和GSE66890的表达矩阵合并为统一数据集，随后采用“limma”R包进行差异表达分析。DEGs的识别阈值设定为|log₂FoldChange| > 0.6且错误发现率（FDR）< 0.05。

WGCNA Analysis

WGCNA利用基因表达数据构建无标度网络，将具有相似表达趋势的基因聚类到不同模块中。这些模块可与特定表型性状或临床变量相关联，从而识别可能与生物过程或疾病状态相关的基因网络。该方法为发现候选生物标志物或治疗靶点提供了强大框架。模块通过应用软阈值功率来强调强基因-基因相关性，促进紧密共表达基因簇的检测。

Functional Enrichment Analysis

功能基因分析是生物学研究的基石，旨在阐明基因及其表达产物在细胞过程和疾病机制中的作用。随着计算工具的不断进步，越来越复杂的方法涌现出来在系统水平上解释基因功能。本研究中，使用R包clusterProfiler基于标准化基因表达数据矩阵进行GO功能注释和KEGG通路富集。

Using Machine Learning to Screen Hub Genes

本研究建立了八种不同的机器学习模型，通过计算受试者工作特征曲线下面积（AUC）评估其性能，选择预测精度最高的模型用于后续分析。特征基因（称为hub-DEGs）定义为被至少三种机器学习算法识别的基因，使用R包Upset可视化模型间选定基因的交集。

Construction of Nomogram and Analysis of ROC Curve

列线图通常用于基于多个变量的结果预测，本研究使用R的rms包开发列线图。通过ROC曲线分析评估已识别枢纽基因的诊断效用，并使用GSE10361和GSE3037数据集作为独立验证集绘制ROC曲线进一步验证模型的可靠性。AUC值超过0.5被认为表明可接受的预测性能，所有ROC相关计算使用R的pROC包进行。

Analysis of Immune Infiltration

为探索免疫细胞浸润与脓毒症诱导ALI之间的关联，应用CIBERSORT算法估计22个免疫细胞亚群的相对比例。随后，我们分析了关键基因表达水平与健康个体和脓毒症相关ALI患者免疫细胞分布的相关性。

Drugs Screened and Molecular Docking

通过Enrichr平台的DSigDB数据库进行药物-基因相互作用分析，以识别靶向关键基因（DDAH2、PNPLA2、STXBP2、TCN1）的候选药物。生物活性化合物的结构信息来源于中药活性化合物数据库。使用ChemBio3D 14.0优化这些分子的空间构象能量并保存为mol2格式，随后用AutoDockTools 1.5.6将化合物制备为pdbq格式。从UniProt检索靶蛋白的3D晶体结构，使用Notepad2去除水和有机分子。在AutoDockTools 1.5.6中进一步处理蛋白质结构以添加氢、分配电荷和定义原子类型，然后保存为pdbqt格式。使用AutoDock Vina进行分子对接，并用PyMOL 2.6可视化对接姿态。

Cell Culture and Viability Assay

人支气管上皮细胞系BEAS-2B来源于中国科学院。细胞在高糖DMEM（含10%胎牛血清和1%青霉素-链霉素）中培养，于37°C、5% CO₂下孵育。将BEAS-2B细胞以5×10³细胞/孔的密度接种于96孔板，贴壁后暴露于不同浓度的脂多糖（LPS；0、2.5、5、10 μg/mL）24小时。LPS暴露前1小时，用10 μM白藜芦醇预处理细胞。处理后，每孔加入10 μL CCK-8试剂，37°C孵育2小时，用酶标仪测量450 nm处的吸光度以评估细胞活力。

Quantitative Real-Time PCR (qRT-PCR)

使用TRIzol试剂从细胞中提取总RNA，按照制造商方案进行。通过反转录使用商业试剂盒合成cDNA，采用2^–ΔΔCT法测定基因相对表达水平，以GAPDH作为内参。使用的引物序列包括DDAH2、PNPLA2、STXBP2、TCN1和GAPDH。

Western Blot Assays

用含1%蛋白酶和磷酸酶抑制剂混合物的RIPA裂解缓冲液从细胞中提取蛋白质，使用BCA蛋白质测定试剂盒按照制造商方案测量每个样品的蛋白质浓度。为实现一致的蛋白质上样，将样品与适量4×上样缓冲液和额外RIPA缓冲液混合以使所有样品的蛋白质量相等。根据分子大小，使用7.5%、10%或12.5%浓度的SDS-PAGE凝胶分离蛋白质，然后转移到0.22 μm PVDF膜上。膜在室温下用5%脱脂牛奶TBST封闭2小时，随后在4°C下与靶向DDAH2、PNPLA2、STXBP2和TCN1的一抗孵育过夜。洗涤后，膜在室温下与HRP连接的抗兔二抗孵育一小时，使用增强化学发光（ECL）系统检测蛋白质信号，用ImageJ软件量化条带强度并针对β-actin标准化。

Statistical Analysis

使用GraphPad Prism 9.0进行单因素方差分析，p值小于0.05被认为具有统计学显著性。

Results

Screening for DEGs

本研究选择GSE10474、GSE32707和GSE66890数据集作为训练队列。鉴于这些数据集在样本来源和实验条件上的差异，初步分析揭示了显著的基线批次效应，这可能给下游分析带来系统偏差。为解决此问题，首先应用PCA评估和校正数据集间变异。所有原始微阵列数据使用稳健多阵列平均（RMA）标准化方法统一预处理，标准化后重复PCA显示批次效应显著减少，样本聚类更一致，表明校正成功。随后，使用limma包对合并和标准化的数据集进行差异表达分析。基于FDR < 0.05和|log₂ fold change| > 0.6定义差异表达基因，最终识别出771个DEGs，包括343个上调和428个下调基因，为后续特征选择、通路富集分析和机制探索提供了坚实基础。

WGCNA Analysis

为识别具有广泛共表达模式的基因模块，我们将WGCNA应用于GSE32707数据集。为实现无标度网络结构，选择软阈值功率（β）在标度自由拟合指数接近1时的最低值，最终选择β=14。层次聚类结合动态树切割算法识别出四个不同的共表达模块，其中MEblue模块与脓毒症诱导ALI的相关性最强（R=0.46，P=1e?04）。模块成员与基因显著性（GS）的散点图进一步强调了MEblue模块与临床表型之间的稳健关联，基于此选择MEblue模块的1616个基因用于进一步分析。

Underlying Biological Mechanisms

为进一步识别脓毒症诱导ALI中涉及的关键基因，我们将WGCNA识别的MEblue模块基因与DEGs取交集，得到213个候选基因用于下游功能注释。GO和KEGG富集分析用于阐明脓毒症相关ALI的潜在分子机制。GO富集揭示了免疫和炎症相关生物过程的显著过度表征，包括炎症反应调节、白细胞迁移、对细菌衍生分子的反应、吞噬作用、对脂多糖的反应和免疫受体活性。KEGG分析进一步表明这些候选基因在关键炎症和免疫信号通路中富集，如NF-κB信号、NOD样受体信号、自然杀伤细胞介导的细胞毒性、Fcγ受体介导的吞噬作用和趋化因子信号通路。这些发现共同表明免疫反应和细菌相关信号级联可能在脓毒症诱导ALI的发展中起核心调节作用。

Application of Machine Learning for Screening Hub Genes

为全面评估DEGs与脓毒症诱导ALI发病机制之间的联系，我们利用八种不同的机器学习方法对213个DEGs进行特征选择。使用绝对残差箱线图和AUC评估每种算法的预测性能和误差指标。所有模型中，GLM表现最差，显示最大的预测误差和最低的AUC值（0.595），因此从后续分析中排除。移除GLM后，我们对其他七种算法进行交集分析以确定共识特征基因，定义为被至少三个模型选定的基因。创建Upset图以说明每种方法识别的共享特征基因，这种整合方法最终产生了四个与脓毒症诱导ALI密切相关的hub DEGs：DDAH2、PNPLA2、STXBP2和TCN1。在训练队列中的验证表明，所有四个基因在脓毒症诱导ALI患者样本中相对于对照组显著上调，表明这些hub基因可能在疾病发展和进展中具有关键功能。

Establishment of Diagnostic Prediction Model

为评估关键基因在脓毒症诱导ALI中的诊断价值，构建了一个整合四个hub基因（DDAH2、PNPLA2、TCN1、STXBP2）的列线图模型。在该模型中，每个基因根据其表达水平分配一个分数，累计分数用于估计个体发生脓毒症相关ALI的概率，总分越高表示疾病风险越高。首先使用校准曲线评估模型性能，该曲线显示预测概率与实际结果之间高度一致，表明出色的校准和预测准确性。随后进行DCA以评估列线图在各种阈值概率下的临床有用性，列线图 consistently outperformed the gray line (representing net benefit of treating all or none)，且DDAH2、PNPLA2、STXBP2和TCN1的个体DCA曲线显示患者在0.4至1.0的高风险阈值范围内将从列线图获得切实的临床益处。值得注意的是，列线图的总体净效益超过了基于每个单一基因的模型。ROC曲线分析进一步支持了模型的判别力，列线图 achieved an AUC of 0.834，而个体基因也表现出良好的诊断性能：DDAH2 (AUC=0.792)、PNPLA2 (AUC=0.709)、STXBP2 (AUC=0.721)和TCN1 (AUC=0.770)。为评估模型的普适性，我们在两个独立的外部数据集（GSE10361和GSE3037）上进行了验证，分别获得0.722和0.797的AUC值。这些结果强调了诊断模型在区分脓毒症诱导ALI患者与健康个体方面的稳健性和临床适用性。

Infiltration of Immune Cells Results

CIBERSORT分析表明，与对照组相比，脓毒症ALI样本的免疫细胞浸润模式发生显著变化。具体而言，脓毒症ALI组织中浆细胞、初始CD4⁺ T细胞、活化记忆CD4⁺ T细胞、单核细胞、M0巨噬细胞、静息肥大细胞和中性粒细胞的比例显著增加。相比之下，初始B细胞、记忆B细胞、CD8⁺ T细胞、调节性T细胞（Tregs）、静息NK细胞、M2巨噬细胞和活化树突状细胞在脓毒症ALI组中相对减少。相关性分析进一步揭示了DDAH2、PNPLA2、STXBP2和TCN1的表达与各种免疫细胞亚群浸润水平之间的显著关联。具体来说，DDAH2表达与M0巨噬细胞（r=0.27，P=0.019）呈正相关，与初始CD4⁺ T细胞（r=0.22，P=0.067）呈边界正相关，而与CD8⁺ T细胞（r=?0.30，P=0.010）和静息NK细胞（r=?0.27，P=0.019）呈负相关。PNPLA2表达与Tregs（r=0.47，P<0.001）和M0巨噬细胞（r=0.35，P=0.002）呈正相关，而与γδ T细胞（r=?0.47，P<0.001）和滤泡辅助T（Tfh）细胞（r=?0.37，P=0.001）呈负相关。STXBP2表达与M0巨噬细胞（r=0.38，P<0.001）和Tregs（r=0.27，P=0.020）呈正相关，而与Tfh细胞（r=?0.31，P=0.008）和活化记忆CD4⁺ T细胞（r=?0.27，P=0.020）呈负相关。类似地，TCN1表达与M0巨噬细胞（r=0.40，P<0.001）和初始CD4⁺ T细胞（r=0.37，P=0.001）呈正相关，但与Tfh细胞（r=?0.29，P=0.014）和记忆B细胞（r=?0.25，P=0.037）呈负相关。总体而言，这些结果表明这些hub基因可能通过影响肺微环境中的免疫细胞浸润及其功能景观，在脓毒症ALI的发展中发挥重要作用。

Screening of Therapeutic Targets

为识别靶向hub基因DDAH2、PNPLA2、STXBP2和TCN1的潜在治疗化合物，我们通过Enrichr平台的DSigDB数据库进行了药物-基因相互作用分析。该分析将白藜芦醇确定为治疗脓毒症ALI的有前途的候选化合物。白藜芦醇是一种天然存在的多酚类化合物，以其抗炎、抗氧化和抗凋亡特性而闻名，表明其治疗潜力可能通过调节这些hub基因的表达或功能来介导。为进一步评估这种潜力，我们进行了分子对接分析以评估白藜芦醇与四个候选靶点之间的结合亲和力。对接得分如下：DDAH2，?8.0 kcal/mol；PNPLA2，?7.6 kcal/mol；STXBP2，?7.0 kcal/mol；TCN1，?7.7 kcal/mol。其中，DDAH2表现出最强的结合亲和力。对相互作用界面的进一步检查揭示白藜芦醇与靶蛋白 engage in multiple non-covalent interactions，包括常规氢键、碳-氢键和pi-烷基相互作用。

Molecular Dynamic Simulation Analyses

为在原子水平评估白藜芦醇-DDAH2复合物的结构稳定性和构象灵活性，使用GROMACS软件套件进行了100纳秒的全原子分子动力学模拟（MDS）。模拟后，使用内置工具进行轨迹分析以计算关键结构和能量参数，包括均方根偏差（RMSD）、均方根波动（RMSF）、氢键数量、回转半径（Rg）和自由能景观。RMSD分析显示整个模拟过程中全局构象波动极小，表明白藜芦醇-DDAH2复合物随时间保持稳定的结构构象。RMSF分析进一步表明大多数氨基酸残基的灵活性较低，提示蛋白质主链内的高度刚性。氢键分析识别出白藜芦醇与DDAH2之间的持久相互作用，这可能有助于复合物的整体稳定性。Rg是用于评估模拟过程中蛋白质结构紧凑性的指标，保持在一个相对狭窄的范围内，表明复合物保持了其空间完整性而没有显著膨胀或塌陷。此外，自由能景观展示了一个明确且能量有利的构象盆地，进一步支持了复合物的稳定性。总的来说，这些分子动力学结果表明白藜芦醇-DDAH2复合物在模拟时间尺度上表现出强大的构象稳定性和有利的动态行为。

Resveratrol Reversed the Expression of Target Genes to Alleviate LPS-Induced ALI

我们接下来评估了白藜芦醇对LPS诱导的BEAS-2B上皮细胞损伤的保护作用。为建立ALI的体外模型，细胞暴露于递增浓度的LPS（0、2.5、5、10 μg/mL）24小时。LPS处理以剂量依赖性方式降低细胞活力，在5 μg/mL时观察到显著下降至49.2%，随后选择该浓度作为模型诱导的最佳浓度。为评估白藜芦醇的治疗潜力，在LPS暴露前1小时用10 μM白藜芦醇预处理细胞。CCK-8测定表明白藜芦醇显著恢复了LPS刺激后的细胞活力。形态学检查显示LPS暴露诱导BEAS-2B细胞出现明显的细胞病变变化，包括细胞收缩和密度降低，而白藜芦醇预处理减轻了这些效应并部分保留了细胞完整性。我们进一步研究了白藜芦醇是否在炎症应激下调节已识别hub基因DDAH2、PNPLA2、STXBP2和TCN1的表达。分别通过RT-qPCR和Western blotting定量这些基因的mRNA和蛋白质水平。正如预期，LPS刺激显著上调了所有四个基因的表达 compared to untreated controls。值得注意的是，白藜芦醇预处理显著逆转了这些LPS诱导的转录和翻译变化，表明白藜芦醇可能至少部分地通过调节这些靶点来发挥其保护作用。

Discussion

脓毒症是重症监护病房死亡的主要原因，ALI是其最常见和致命的并发症之一，常进展为多器官功能障碍。尽管其临床意义重大，但脓毒症诱导ALI的发病机制仍知之甚少，且缺乏有效的诊断或治疗策略。虽然已提出几种生物标志物，但由于疾病的异质性和非特异性早期症状，早期诊断仍然困难。因此，识别可靠的生物标志物和了解潜在的免疫机制对于改进早期诊断和治疗至关重要。

近年来，生物信息学与机器学习方法的整合为识别疾病相关生物标志物提供了新策略。本研究结合这些计算技术来识别脓毒症诱导ALI的潜在诊断标志物，并系统表征免疫细胞浸润景观，从而为理解这种疾病的免疫抑制机制提供新见解。我们整合了GEO数据库中三个公开可用的基因表达数据集（GSE10474、GSE32707、GSE66890），并在下游分析前进行了批次效应校正。在脓毒症诱导ALI和对照样本之间识别出771个DEGs。将DEGs与WGCNA衍生的共表达模块取交集得到213个候选基因用于下游功能注释。GO富集分析揭示这些基因主要参与炎症反应调节、白细胞迁移、细菌模式识别、吞噬作用、脂多糖反应和免疫受体活性。此外，KEGG通路分析表明在免疫相关通路中显著富集，包括NF-κB通路、NOD样受体信号、NK细胞介导的细胞毒性、Fcγ受体介导的吞噬作用和趋化因子信号。

随后，使用八种不同的机器学习算法，我们进一步识别了四个与脓毒症诱导ALI密切相关的候选生物标志物：DDAH2、PNPLA2、STXBP2和TCN1。据我们所知，这是首次在LPS诱导的ALI体外模型中实验验证这些基因的表达改变。实验结果与生物信息学预测一致，ROC曲线分析进一步证明了它们的潜在诊断价值。其中，DDAH2位于6号染色体主要组织相容性复合体（MHC）III类区域，是免疫细胞中表达的DDAH的唯一亚型。DDAH2启动子中的多态性已与脓毒症预后相关，暗示其在免疫调节中的作用。PNPLA2，也称为脂肪甘油三酯脂肪酶（ATGL），对于甘油三酯水解产生游离脂肪酸（FFAs）和甘油至关重要。尽管ATGL传统上通过激活棕色脂肪组织中的解偶联蛋白1（UCP1）参与冷诱导产热，但新证据表明这可能无法完全解释其生物学作用。例如，Jha等人报道小鼠脂肪特异性ATGL缺失减少脂肪褐变，降低循环FFAs，并减轻烧伤诱导的肝肿大，表明更广泛的免疫代谢效应。STXBP2是血小板SNARE复合物的核心组件，并涉及脓毒症期间的血小板活化、NETosis和免疫血栓形成；然而，其在中性粒细胞和ALI发病机制中的作用 largely unexplored。TCN1先前被证明在严重流感患者支气管肺泡灌洗液的中性粒细胞脱颗粒相关基因集中显著上调，但其在脓毒症诱导ALI中的功能作用尚未完全阐明。

脓毒症诱导ALI的一个关键病理特征是过度和失调的炎症反应。除了先天免疫细胞的激活，适应性免疫细胞如B细胞和T细胞大量浸润肺部并 actively contribute to disease progression。值得注意的是，免疫细胞浸润 increasingly recognized as a central driver of ALI pathogenesis in sepsis。CD4⁺ T细胞在脓毒症期间特别容易发生凋亡，导致免疫麻痹和继发感染。此外，肠道CD4⁺ T细胞的激活可减少调节性T细胞（Tregs）群体，从而加剧全身免疫激活和上皮屏障破坏。脓毒症的反复发作与CD4⁺ T细胞耗竭相关，这与不良临床结果相关。其他免疫细胞亚群可能发挥情境依赖的保护或有害作用。因此，全面了解免疫细胞浸润动态对于阐明脓毒症病理学和识别潜在免疫治疗靶点至关重要。在我们的研究中，我们发现DDAH2、PNPLA2、STXBP2和TCN1的表达与不同的免疫细胞浸润模式密切相关，表明这些基因可能调节免疫反应并影响ALI的进展。需要进一步的临床前和临床研究来探索它们的机制作用并验证它们的临床效用。

为识别潜在治疗化合物，我们查询了DSigDB数据库并将白藜芦醇确定为能够与四个候选生物标志物相互作用的小分子。分子对接和分子动力学模拟支持白藜芦醇与每个靶点之间的强结合亲和力。白藜芦醇（反式-3,5,4′-三羟基芪）是一种天然存在的多酚类化合物，存在于葡萄和浆果中，以其有效的抗氧化活性而广为人知。除了抗氧化作用，白藜芦醇在多种疾病模型中表现出抗炎和抗增殖特性。先前的研究表明白藜芦醇减轻肺水肿、气道炎症、内毒素诱导的急性期反应和关节退化。在我们的体外实验中，白藜芦醇预处理显著提高了LPS处理的BEAS-2B细胞的活力。机制上，LPS暴露抑制了DDAH2、PNPLA2、STXBP2和TCN1的mRNA和蛋白质水平，而白藜芦醇有效逆转了这些改变。这些结果表明白藜芦醇在减轻LPS诱导的肺上皮损伤方面具有潜在的细胞保护作用。尽管如此，需要进一步的机制研究来 delineate the specific signaling pathways involved。

Conclusion

在本研究中，我们系统整合了多个GEO数据集以识别与脓毒症诱导ALI相关的差异表达基因。通过结合WGCNA和八种不同的机器学习算法，我们识别了