电针治疗类风湿关节炎的诊断生物标志物发现：基于多组学与机器学习的精准靶向研究

本研究通过整合生物信息学分析（GEO数据库数据集GSE15573和GSE59526）与机器学习算法（LASSO、Random Forest和SVM-RFE），识别出ARHGAP17和VEGFB作为电针(EA)治疗类风湿关节炎(RA)的关键诊断生物标志物。动物实验证实EA显著上调这些基因表达，缓解机械性痛觉超敏(PWT提升)，并展现优异诊断效能(AUC>0.75)。该发现为RA精准治疗提供新靶点，推动中医药现代化研究。

　　

Abstract

类风湿关节炎(RA)是一种慢性炎症性疾病，电针(EA)已被证明能有效缓解其症状，但分子机制尚不明确。本研究旨在通过生物信息学分析和机器学习算法，识别RA的潜在诊断生物标志物，并阐明EA的分子靶点。

Purpose

RA导致关节软骨破坏，影响患者生活质量。现有药物如非甾体抗炎药(NSAIDs)和疾病修饰抗风湿药(DMARDs)存在副作用争议，而EA作为替代疗法可减轻疼痛且无显著不良反应。本研究聚焦外周血样本，探索EA治疗RA的靶基因。

Methods

从基因表达综合数据库(GEO)获取数据集：GSE15573（15例正常 vs 18例RA）和GSE59526（8例RA vs 7例EA治疗后）。差异表达基因(DEGs)筛选标准为P<0.05且|log2FC|≥0.1。采用三种机器学习算法——最小绝对收缩和选择算子(LASSO)、随机森林(Random Forest)和支持向量机递归特征消除(SVM-RFE)——识别诊断生物标志物。建立大鼠模型：注射完全弗氏佐剂(CFA)诱导RA，评估电针（穴位：昆仑BL60和足三里ST36，参数：2Hz, 1mA, 30分钟/天）对机械退缩阈值(PWT)和基因表达的影响。实时荧光定量PCR(qPCR)验证生物标志物表达。

Results

分析发现2428个RA相关DEGs（1671下调, 757上调）和486个EA治疗相关DEGs（228下调, 258上调）。交集获得26个EA治疗RA的DEGs。机器学习算法一致筛选出ARHGAP17和VEGFB作为关键诊断生物标志物。诊断模型（Nomogram）AUC值达0.981，校准曲线显示高准确性。外部验证数据集（GSE17755、GSE93272、GSE205962）中，生物标志物诊断效能稳健（AUC>0.75）。RA患者外周血ARHGAP17和VEGFB表达显著低于正常组（P<0.05），而EA治疗可上调其表达（P<0.001），效果与DMARDs（英夫利昔单抗IFX、甲氨蝶呤MTX、托珠单抗TCZ）相当。CFA大鼠模型证实EA提升PWT并上调ARHGAP17和VEGFB mRNA水平（P<0.001）。

Conclusion

ARHGAP17和VEGFB是EA治疗RA的高效诊断生物标志物，其表达变化与疾病状态和治疗响应密切相关。这为RA的精准医疗提供了新靶点。

Introduction

RA是最常见的慢性炎症性关节炎，高峰发病率在30-60岁。当前治疗依赖NSAIDs和DMARDs，但副作用突出。EA作为传统中医疗法，临床显示缓解疼痛且无不良反应。然而，EA在RA中的分子靶点未知。生物信息学和机器学习技术为识别关键基因提供了新途径。

Materials and Methods

数据集经标准化处理（如MAS 5.0算法）。DEGs分析通过比较正常与RA样本及EA治疗前后样本。LASSO参数：alpha=1, nlambda=100；随机森林：nTree=500；SVM-RFE采用10折交叉验证。动物实验使用SPF级SD大鼠（n=18），分组为对照、CFA和CFA+EA。qPCR以GAPDH为内参，引物序列见相关表格。

Results

EA治疗显著改善CFA大鼠机械痛觉（PWT从第1天起升高），同时qPCR显示外周血ARHGAP17和VEGFB表达被EA上调。诊断模型在多个队列中验证一致。

Discussion

ARHGAP17作为Rho GTP酶激活蛋白，可能通过抑制RAC1通路缓解炎症；VEGFB则与血管