基于机器学习与失巢凋亡相关基因的子宫内膜异位症精准诊断模型构建及免疫微环境解析

这篇研究通过整合GEO数据库的GSE141549数据集和GeneCards的失巢凋亡相关基因(ANRGs)，筛选出47个差异表达ANRGs(DE-ANRGs)，并运用LASSO、随机森林(RF)和支持向量机(SVM-RFE)三种机器学习算法鉴定出CAV1、PDK4、CSPG4、SERPINE1四个关键诊断基因。研究构建的列线图(nomogram)模型在训练集(AUC=0.981)和验证集(GSE7305)中均展现优异诊断效能，并通过qRT-PCR和Turku数据库验证基因表达。免疫浸润分析揭示EM患者存在M2巨噬细胞、CD8+ T细胞等免疫细胞异常浸润，为EM的免疫治疗提供新靶点。

　　

引言
子宫内膜异位症(EM)作为育龄女性高发的良性妇科疾病，以疼痛和不孕为特征，全球发病率达10-15%。尽管Sampson提出的"经血逆流"学说被广泛接受，但EM发病机制中失巢凋亡(anoikis)的作用尚未明确。失巢凋亡作为细胞脱离细胞外基质(ECM)时发生的特殊凋亡形式，其抵抗现象在肿瘤转移中已被证实，而EM与恶性肿瘤相似的侵袭特性提示anoikis可能参与其病理过程。

材料与方法
研究团队从GEO数据库获取GSE141549(179例EM/43例对照)作为训练集，GSE7305(10例EM/10例对照)作为验证集。通过limma包筛选差异表达基因(DEGs)，与GeneCards中501个ANRGs取交集获得47个DE-ANRGs。采用GO/KEGG分析功能富集，STRING构建蛋白质互作网络(PPI)。运用三种机器学习算法筛选关键基因：LASSO回归通过glmnet包确定14个候选基因；随机森林(RF)基于Mean Decrease Gini选出19个基因；支持向量机递归特征消除(SVM-RFE)锁定21个基因。最终交叉获得4个核心诊断基因并构建列线图模型，通过校准曲线、ROC曲线和决策曲线分析(DCA)验证模型效能。

结果

1. DE-ANRGs特征：47个DE-ANRGs中27个在EM组上调(如CAV1、PDK4)，20个下调。功能富集显示这些基因显著参与负调控anoikis、伤口愈合等生物过程，以及PI3K-Akt信号通路和ECM-受体相互作用。
2. 诊断模型构建：机器学习筛选的4个基因在训练集呈现高诊断效能(CAV1 AUC=0.932，PDK4 AUC=0.918)。列线图模型AUC达0.981，DCA显示临床净获益显著。
3. 免疫景观：CIBERSORT分析揭示EM组M2巨噬细胞(CD163⁺
   )、活化肥大细胞浸润增加，而静息NK细胞(CD56^bright
   )和浆细胞(CD38⁺
   )减少。CAV1等基因与免疫细胞浸润呈显著相关性。
4. 实验验证：qRT-PCR证实临床样本中4个基因表达趋势与测序数据一致；Turku数据库(115例EM/53例对照)进一步验证了基因差异表达。

讨论
该研究首次系统整合anoikis与EM的关联：

1. 分子机制：CAV1通过调控ECM重塑促进病灶定植；PDK4可能通过糖酵解重编程支持EM细胞在腹膜腔存活。
2. 临床转化：列线图模型较单一标志物显著提高诊断准确性，可减少8-12年的诊断延迟。
3. 治疗靶点：M2巨噬细胞(IL-10^high
   )的免疫抑制微环境与SERPINE1介导的纤维化过程协同促进疾病进展。

结论
研究不仅建立了基于ANRGs的EM诊断新范式，更通过多组学分析揭示anoikis抵抗与免疫微环境互作的分子机制。发现的CAV1/PDK4/CSPG4/SERPINE1分子群为EM的液体活检和靶向治疗提供理论依据，其中PDK4抑制剂联合免疫调节可能成为未来治疗方向。