机器学习揭示糖尿病肾病中失巢凋亡相关基因奥秘及免疫浸润特征

糖尿病肾病（DN）危害大且现有治疗存局限。研究人员开展 “基于机器学习识别 DN 中失巢凋亡相关基因分类模式和免疫浸润特征” 研究。结果发现 59 个相关基因，筛选出 7 个关键基因，构建相关网络。为 DN 机制研究、诊疗提供新思路。

　　在健康领域，糖尿病肾病（Diabetic Nephropathy，DN）是糖尿病常见且棘手的慢性微血管并发症，尤其在 2 型糖尿病患者中高发。它如同隐藏在身体里的 “无声杀手”，悄无声息地损害着肾脏，主要表现为持续蛋白尿和肾功能的进行性恶化。据统计，约 30 - 40% 的糖尿病患者会不幸患上 DN，它已然成为导致终末期肾病（End - Stage Renal Disease，ESRD）的主要原因之一，给全球医疗体系带来了沉重的负担。

目前，临床针对 DN 的治疗手段有限。常用的血管紧张素转换酶（Angiotensin - Converting Enzyme，ACE）抑制剂、肾素 - 血管紧张素 - 醛固酮系统（Renin - Angiotensin - Aldosterone System，RAAS）阻滞剂、葡萄糖协同转运蛋白 2（Sodium - Glucose Cotransporter 2，SGLT2）抑制剂和他汀类药物，虽能在一定程度上延缓 DN 的进展，但长期大剂量使用会引发如胃肠道不适、横纹肌溶解和肝损伤等不良反应，严重影响患者的生活质量。

失巢凋亡（Anoikis）作为一种特殊的程序性细胞死亡方式，在维持细胞正常生理平衡中发挥着关键作用。它就像细胞世界的 “清道夫”，当正常细胞与细胞外基质（Extracellular Matrix，ECM）的连接被剥夺时，失巢凋亡被触发，清除那些脱离正常位置的细胞，防止它们异常增殖。在 DN 的发病机制中，失巢凋亡也扮演着重要角色，尤其是足细胞失巢凋亡，它是 DN 中失巢凋亡的主要表现形式，可导致足细胞从肾小球基底膜上脱落，进而影响肾脏的正常功能。然而，失巢凋亡相关基因（Anoikis - Related Genes，ARGs）在 DN 发病机制中的具体作用却鲜为人知。

为了深入探究这一神秘领域，来自胶州市中医医院第三科室等机构的研究人员展开了一项极具意义的研究。他们的研究成果发表在《Scientific Reports》上，为我们理解 DN 的发病机制和开发新的治疗方法提供了宝贵的线索。

研究人员运用了多种关键技术方法。首先，从基因表达综合数据库（Gene Expression Omnibus，GEO）下载了多个 DN 相关的微阵列表达数据集，包括 GSE30528、GSE47184、GSE96804 等作为发现队列，GSE30122 作为验证队列 。接着，利用 R 语言中的 “limma” 包进行差异基因表达分析，筛选出差异表达基因（Differentially Expressed Genes，DEGs），并与从 Genecards、Harmonizome 和 GSEA 数据集获取的 ARGs 取交集，得到差异表达的失巢凋亡相关基因（Differentially Expressed Anoikis - Related Genes，DEARGs）。之后，通过基因本体论（Gene Ontology，GO）和京都基因与基因组百科全书（Kyoto Encyclopedia of Genes and Genomes，KEGG）富集分析来探究 DEARGs 的生物学功能。同时，使用 CIBERSORT 算法评估 DN 肾组织中 22 种免疫细胞类型的浸润百分比。还运用了最小绝对收缩和选择算子（Least Absolute Shrinkage and Selection Operator，LASSO）、支持向量机递归特征消除（Support Vector Machine Recursive Feature Elimination，SVM - RFE）和随机森林（Random Forest，RF）三种机器学习算法筛选与 DN 相关的关键 ARGs，并构建了列线图（nomogram）评估其诊断价值。此外，通过构建竞争性内源性 RNA（Competitive Endogenous RNA，ceRNA）网络来探索关键基因的潜在调控机制。

下面来看具体的研究结果：

1. 分析和鉴定 DN 中的 ARGs：研究人员获取了三个公开的 DN 微阵列数据集，去除批次效应后进行分析。通过 “limma” 包处理 10,907 个基因，得到 482 个 DN 相关的 DEGs，并通过热图和火山图进行可视化展示。将这些 DEGs 与 924 个 ARGs 取交集，最终确定了 59 个与 DN 相关的 ARGs，其中 27 个上调，32 个下调。
2. DEARGs 的 GO 和 KEGG 富集分析：GO 富集分析表明，这些 ARGs 在生物学过程（Biological Processes，BPs）方面，主要参与肾脏发育、肾小球上皮细胞发育等；在细胞组成（Cellular Components，CCs）方面，与含胶原蛋白的 ECM 等密切相关；在分子功能（Molecular Functions，MFs）方面，涉及 G 蛋白偶联受体结合等功能。KEGG 通路分析显示，这些 ARGs 主要富集在 MAPK、PI3K - Akt、IL - 17、TNF 和 HIF - 1 等信号通路中。
3. 筛选与 DN 相关的 ARGs：运用 LASSO、SVM - RFE 和 RF 三种机器学习算法，从 59 个 DEARGs 中进一步筛选，最终确定了 7 个与 DN 相关的关键 DEARGs，分别为 PDK4、S100A8、HTRA1、CHI3L1、WT1、CDKN1B 和 EGF。
4. 特征基因的验证和表达模式：通过受试者工作特征（Receiver Operating Characteristic，ROC）曲线评估这 7 个核心基因的诊断性能，发现在训练集（GSE30528）和验证集（GSE30122）中，诊断模型对正常和 DN 样本都具有出色的区分能力，7 个特征基因的 ROC 曲线下面积（Area Under Curve，AUC）均超过 0.7。同时，研究还发现这 7 个特征基因在 DN 样本中的表达显著降低，实时定量聚合酶链反应（Real - Time Quantitative Polymerase Chain Reaction，RT - qPCR）结果也验证了这一趋势。
5. 构建 DN 预测的列线图模型：基于 7 个 DEARGs 构建的列线图模型，经校准曲线、决策曲线和临床影响曲线分析，表明该模型具有较高的准确性，能为 DN 的识别提供高质量的支持。
6. 免疫浸润分析：采用 CIBERSORT 方法分析数据集的免疫特征，发现 DN 患者与正常样本相比，多种免疫细胞的浸润情况存在显著差异，如幼稚 B 细胞、记忆 B 细胞、巨噬细胞 M2 和活化树突状细胞（Dendritic Cells，DCs）显著增加，而中性粒细胞显著减少。同时，分析特征基因与免疫细胞的相关性发现，这些基因的表达与多种免疫细胞的浸润水平相关，表明它们可能参与了 DN 发病过程中的免疫调节。
7. 特征基因的 ceRNA 网络构建：构建了与 7 个特征基因相关的 ceRNA 网络，包括 47 个 miRNA、5 个 mRNA 和 134 个 lncRNA。通过分析推测 H19/miR - 15b - 5p/PDK4 和 KCNQ1T1/miR - 1207 - 3p/WT1 可能是调节早期 DN 进展的潜在 ceRNA 调控通路。

在讨论部分，研究人员指出，本研究首次全面分析了 ARGs 在 DN 中的作用机制，生物信息学分析揭示了 ARGs 在 DN 中的表达谱及其与免疫细胞浸润的相关性，筛选出的 7 个 DN 相关凋亡基因（PDK4、S100A8、HTRA1、CHI3L1、WT1、CDKN1B 和 EGF）为 DN 的发病机制研究提供了新的视角。同时，构建的 ceRNA 网络也有助于进一步探索其分子调控机制。然而，该研究也存在一定的局限性，如分析和验证的样本量相对较小，缺乏相关的体外和体内研究。因此，未来需要在多个研究层面，尤其是分子层面进行更广泛的研究，以深入了解 DN 的诊断和进展机制，为 DN 患者寻找新的诊断和治疗靶点。

总的来说，这项研究意义重大。它为深入理解 DN 的发病机制提供了新的方向，让我们对 ARGs 在 DN 中的作用有了更清晰的认识，筛选出的关键基因有望成为潜在的治疗靶点。同时，研究中发现的免疫细胞浸润变化和构建的 ceRNA 网络，也为后续的免疫治疗和基因治疗研究奠定了基础，为攻克糖尿病肾病这一难题带来了新的希望。