基于WGCNA和机器学习技术，识别与子宫内膜异位症相关的脂质代谢诊断生物标志物及其亚型分析

《American Journal of Reproductive Immunology》：Identification and Subtype Analysis of Lipid Metabolism-Related Diagnostic Biomarkers for Endometriosis Based on WGCNA and Machine Learning

脂代谢基因表达整合机器学习识别子宫内膜异位症诊断标志物及分子亚型，发现ELOVL6和MED20具有高ROC曲线下面积，免疫浸润模式及调控网络提供新靶点。

　　

摘要

背景

子宫内膜异位症（EM）是一种由持续性全身炎症驱动的疾病，影响着大约10%的育龄女性，通常需要通过手术才能确诊。代谢改变，尤其是脂质代谢方面的改变，可能揭示新的生物标志物。我们的目标是通过整合脂质代谢基因表达和机器学习方法，来确定诊断标志物和分子亚型。

方法

我们从Gene Expression Omnibus (GEO)数据库下载了基因表达数据集（GSE51981和GSE7305）。使用limma算法分析差异表达（|log₂FC| > 1, p.adj < 0.05），并与脂质相关基因进行交集运算，以筛选候选基因。加权基因共表达网络分析（WGCNA）显示了与子宫内膜异位症相关的基因模块。将脂质代谢相关差异表达基因与WGCNA中的核心基因结合，随后通过最小绝对收缩选择算法（LASSO）和XGBoost机器学习方法，鉴定出诊断生物标志物。这些标志物的性能通过在独立数据集上使用接收者操作特征（ROC）曲线进行了验证。还进行了免疫浸润分析（包括CIBERSORT和单样本GSEA）、基因集富集分析（GSEA）以及基于非负矩阵分解（NMF）的亚型分析。利用在线数据库构建了微小RNA（miRNA）和转录因子（TF）调控网络。

结果

我们鉴定出106个与脂质代谢相关的差异基因。WGCNA分析显示turquoise模块与子宫内膜异位症有显著相关性。通过机器学习算法，ELOVL6和MED20被确定为关键基因。这两个关键基因在训练集和验证集中的ROC曲线下面积（AUC）均较高，显示出良好的诊断性能。免疫浸润分析揭示了子宫内膜异位症中的不同免疫细胞模式，ELOVL6和MED20与特定免疫细胞相关。基于脂质代谢评分的亚型分析将患者分为高分组和低分组，这两组在基因表达和免疫细胞浸润方面存在差异。调控网络分析确定了针对ELOVL6和MED20的miRNA和TF。

结论

我们的研究确定ELOVL6和MED20是具有潜力的与脂质代谢相关的子宫内膜异位症诊断生物标志物。我们还发现了与脂质代谢相关的不同分子亚型，为子宫内膜异位症的异质性及其潜在治疗靶点提供了新的见解。

利益冲突

作者声明没有利益冲突。

数据可用性声明

本研究中的数据和材料可应请求向通讯作者索取。