基于生物信息学与机器学习的莱姆病潜在生物标志物FCGR1B、MPP1和HSPA6的发现及其免疫机制研究

《Clinical and Experimental Medicine》：Identification of potential biomarkers for Lyme disease using bioinformatics and machine learning

本研究针对莱姆病早期诊断困难的问题，通过整合GEO数据库转录组数据与机器学习算法（LASSO、RF、SVM-RFE），筛选出FCGR1B、MPP1和HSPA6三个关键基因作为潜在诊断标志物，并揭示其与单核细胞免疫浸润及昼夜节律通路的关联，为开发新型诊断策略提供理论依据。

　　

莱姆病（Lyme disease, LD）作为一种由伯氏疏螺旋体引起的蜱媒传染病，每年在全球范围内导致数十万人感染。其早期特征性游走性红斑虽为典型症状，但出现率仅60%-70%，且疾病进展可能引发关节炎、心脏炎甚至神经系统损伤等严重并发症。当前诊断依赖血清学检测和PCR技术，但前者存在感染后2-4周的窗口期敏感度不足，后者则受限于样本来源特异性问题。这种诊断困境使得开发高灵敏度、高特异性的早期检测手段成为当务之急。

为突破这一瓶颈，广州医科大学研究团队在《Clinical and Experimental Medicine》发表最新研究，通过生物信息学与机器学习融合分析，首次系统性筛选出莱姆病关键诊断标志物，并深入解析其免疫调控机制。研究团队从GEO数据库获取GSE145974（急性莱姆病患者与健康对照外周血单核细胞转录组数据）和GSE63085（早期播散性莱姆病治疗前后动态样本）两组数据集，构建多阶段验证框架。

关键技术方法包括：基于limma包的差异表达基因筛选（阈值|log₂FC|≥1且adj.P<0.05）、WGCNA共表达网络模块分析（软阈值功率=19）、三种机器学习算法（LASSO回归、随机森林RF、支持向量机递归特征消除SVM-RFE）交叉验证核心基因，并通过CIBERSORT进行22种免疫细胞浸润分析，最终利用ROC曲线评估诊断效能。

识别差异表达基因与机器学习筛选枢纽基因

通过对GSE145974数据集分析，共鉴定出91个差异表达基因（DEGs），其中65个上调、26个下调。热图与火山图显示莱姆病患者存在显著炎症相关基因表达谱。三类机器学习算法交叉验证发现FCGR1B、MPP1和HSPA6为共同枢纽基因：LASSO筛选出15个基因（含FCGR1B、MPP1），RF重要性评分中FCGR1B与MPP1位列前茅，SVM-RFE确定36个特征基因，三法交集最终锁定三个枢纽基因。

诊断效能验证

在训练集GSE145974中，FCGR1B、MPP1和HSPA6的AUC值均超过0.90。外部验证集GSE63085（因平台限制未检测HSPA6）显示FCGR1B与MPP1的AUC仍高于0.80。箱式图进一步证实三个基因在莱姆病患者中表达显著上调，表明其跨数据集稳定性。

基因集富集与通路分析

单基因GSEA提示FCGR1B富集于蛋白酶体通路与单碳代谢，HSPA6关联中性粒细胞胞外陷阱形成且与昼夜节律调控负相关，MPP1则参与抗叶酸耐药和糖链降解通路。全局DEGs富集分析凸显免疫应答与昼夜节律通路异常，如“蛋白酶体”“醛固酮调控钠重吸收”等通路激活。

免疫浸润景观重塑

CIBERSORT分析揭示莱姆病患者单核细胞与M0型巨噬细胞显著增多，而静息CD4记忆T细胞减少。相关性分析显示FCGR1B和MPP1表达与单核细胞浸润程度正相关，印证其在先天免疫激活中的核心地位。

研究结论表明，FCGR1B（Fcγ受体IB）、MPP1（膜突蛋白1）和HSPA6（热休克蛋白70家族成员6）通过调控单核/巨噬细胞介导的先天免疫应答与昼夜节律通路，成为莱姆病潜在诊断标志物。WGCNA鉴定的蓝色模块（中性粒细胞活化）与红色模块（线粒体功能障碍）进一步佐证免疫代谢重编程在疾病中的作用。该研究不仅为早期诊断提供新型分子靶标，更揭示莱姆病进程中免疫-代谢交叉对话机制，为开发靶向治疗策略开辟新方向。