基于机器学习与免疫浸润分析的类风湿关节炎诊断模型构建及验证

为解决类风湿关节炎(RA)免疫分型诊断难题，研究人员通过机器学习与生物信息学分析，整合GEO数据库的ssGSEA、CIBERSORT算法及LASSO回归，鉴定出BMX/BTLA/CENPK/CMPK2/GBP3五个关键基因，构建的诊断模型在内部验证(AUC=0.977)和外部数据集(GSE93777/GSE205962)中均展现优异性能，为RA精准诊疗提供新工具。

　　

这项研究通过创新的多组学整合策略，揭示了类风湿关节炎(RA)的免疫异质性特征。利用单样本基因集富集分析(ssGSEA)和CIBERSORT算法对GSE93272数据集进行解构，成功将232例RA样本划分为免疫高浸润(Immunity_H, 194例)和低浸润(Immunity_L, 38例)两大亚群，两组在人类白细胞抗原(HLA)基因表达谱上呈现显著差异。

研究团队采用"双重筛选"策略：首先通过差异表达基因(DEGs)分析获得320个关键基因，随后结合最小绝对值收敛选择算子(LASSO)回归与随机森林(Random Forest)机器学习算法，最终锁定BMX、BTLA、CENPK、CMPK2和GBP3这五个核心基因。这些基因在免疫调节和细胞周期调控中扮演重要角色，如BTLA(免疫检查点分子)和CMPK2(线粒体激酶)等。

构建的五基因诊断模型展现出令人瞩目的预测效能：在区分RA患者与健康对照时曲线下面积(AUC)达0.942，识别免疫亚型的AUC更高达0.977。外部验证阶段，模型在GSE93777(AUC=0.807)和GSE205962(AUC=0.938)数据集中的稳定表现，证实其临床转化潜力。

这项研究的突破性发现不仅为RA的免疫分型诊断提供了新型分子标志物组合，更重要的是建立了可量化的免疫评估体系。通过整合机器学习与生物信息学方法，为开发个体化治疗策略开辟了新途径，特别是对免疫检查点抑制剂等靶向治疗的精准应用具有重要指导价值。