基于生成式AI和自编码器的牙髓炎症与再生枢纽基因预测研究

本研究针对牙髓炎症与再生过程中的关键调控基因识别难题，采用生成式AI技术构建自编码器模型。研究人员通过GSE255672数据集分析差异表达基因，结合PPI网络和CytoHubba插件鉴定出RPS29、RPS7等10个枢纽基因，模型预测准确率达76.92%，为牙髓疾病的精准治疗提供新靶点。

　　

牙髓健康是口腔诊疗的核心问题，但炎症引发的牙髓坏死和再生障碍至今缺乏有效干预靶点。传统治疗仅能缓解症状，对调控炎症-再生平衡的分子机制认知不足。随着单细胞测序技术的发展，NF-κB信号通路、miR-27a-5p等调控因子相继被发现，但枢纽基因的系统识别仍存在技术瓶颈。

印度金奈Saveetha牙科学院的研究团队在《Scientific Reports》发表创新研究，通过生成式AI方法破解这一难题。研究整合GEO数据库的RNA-seq数据（GSE255672）和体外培养的hDPSCs（人牙髓干细胞）转录组，采用自编码器降维技术结合PPI网络分析，首次构建了牙髓炎症-再生枢纽基因预测模型。

关键技术包括：1）基于GEO2R工具的差异基因分析（p<0.05，FC≥1）；2）Cytoscape平台构建含139节点、12,942边的PPI网络；3）CytoHubba插件通过Maximal Clique Centrality算法筛选枢纽基因；4）设计含32维潜在特征的自编码器（ReLU激活，Adam优化）。

主要结果

1. 差异基因表达特征
   火山图显示显著上调的促炎基因与下调的再生相关基因形成鲜明对比，其中核糖体蛋白基因RPS29（log score -2.217）和RPL18（score 0.658）表达变化最显著。

2. 网络拓扑分析
   PPI网络呈现高密度（12,942边）和模块化特征，枢纽基因RPS7通过p53-MDM2轴调控细胞凋亡，UBA52则介导核糖体蛋白泛素化。

3. 自编码器性能
   模型在测试集表现优异：精度76.92%，PR-AUC 0.9214，重建误差MAE 0.68。潜在空间熵值分析（训练集2.49 vs 测试集2.73）揭示枢纽基因在NF-κB和TNF-α通路中的富集。

讨论与意义
该研究突破传统WGCNA方法的局限，首次将RPS系列核糖体蛋白定义为牙髓炎症调控的关键节点。实验验证显示RPL18通过TNF-α信号促进巨噬细胞M1极化，而RPS29负调控IL-6/JAK/STAT3通路。这种AI驱动的预测框架为开发靶向牙髓再生的生物材料（如肽水凝胶）提供新思路，但模型在临床转化中仍需解决样本异质性等问题。研究开创了生成式AI在口腔组织工程中的应用范式，对实现个性化牙髓治疗具有里程碑意义。