基于线粒体相关基因，利用机器学习结合WGCNA方法构建并验证高血压性肾病的诊断模型

《International Urology and Nephrology》：Construction and validation of a hypertensive nephropathy diagnostic model based on mitochondrial-related genes using machine learning combined with WGCNA

高血压肾病（HTN）缺乏有效生物标志物，本研究通过GSE37460数据集结合WGCNA分析及Mitochondrial-associated genes筛选，构建包含PYCARD、NRP1、IFI27的智能诊断模型，AUC达0.998，并揭示其与heme代谢、炎症反应等关键通路关联。

　　

摘要

背景

高血压性肾病（HTN）是由慢性高血压引起的，可能会导致严重的肾衰竭。由于缺乏可靠且有效的生物标志物，HTN的诊断受到限制。与线粒体相关的基因与HTN的发病机制密切相关。我们的研究旨在寻找新的、可靠的HTN诊断和治疗靶点。

方法

我们从GEO数据库中获取了数据集GSE37460，并进行了加权基因共表达网络分析（WGCNA），以分析从GSE37460中识别出的差异表达基因（DEGs）的表达模块，并结合线粒体相关基因（MRGs）来选择核心基因。我们使用KEGG、GO和GSEA富集分析来阐明这些差异基因。随后，我们利用LASSO、SVM和RF算法开发了诊断模型。此外，我们还使用ssGSEA对GSE37460中的疾病组和对照组进行了功能分析，并通过接收者操作特征（ROC）曲线来评估诊断性能。

结果

通过差异分析和WGCNA分析，我们共识别出695个DEGs。交叉分析显示，其中14个是MRGs。这些基因主要富集在与NOD样受体信号传导、冠状病毒病（COVID-19）、坏死性凋亡、肿瘤坏死因子产生、核膜、跨膜转运蛋白结合和蛋白酪氨酸激酶活性相关的生物过程和通路中。此外，利用LASSO、SVM-REF和随机森林算法，我们构建了一个由三个基因（PYCARD、NRP1和IFI27）组成的诊断模型。所得ROC曲线显示出高诊断准确性，曲线下面积（AUC）值为0.998。此外，ssGSEA分析显示这三个核心基因与血红素代谢、炎症反应、胆固醇稳态、干扰素反应、Wnt/β-连环蛋白通路和上皮-间充质转化之间存在显著相关性。

结论

我们阐明了MRGs在HTN发病机制中的作用，并开发了一个具有高诊断潜力的诊断模型。