基于机器学习方法解析急性心肌梗死的临床诊断标志物与免疫细胞浸润特征

急性心肌梗死（AMI）具有高致死率，但其早期诊断标志物和免疫机制尚不明确。研究人员通过整合GEO数据库（GSE61145/GSE34198/GSE66360），结合WGCNA和机器学习算法（SVM/RF/LASSO），筛选出VNN3、FOS等10个关键基因，构建诊断模型（AUC达0.953），并发现幼稚B细胞、CD4+记忆T细胞等免疫细胞浸润特征。该研究为AMI的早期诊断和免疫治疗提供新靶点。

　　

急性心肌梗死（AMI）作为全球头号心血管杀手，每年导致数百万人死亡。尽管心脏肌钙蛋白（cTns）是目前临床主要诊断标志物，但其仅在心肌损伤后释放，且存在假阳性风险。更棘手的是，AMI进展中免疫细胞浸润的"双刃剑"作用——既参与动脉粥样硬化形成，又影响组织修复——其具体机制仍如"黑箱"。这些瓶颈问题使得开发早期诊断工具和精准免疫干预策略成为当务之急。

东莞市松山湖东华医院心血管科的研究团队在《Scientific Reports》发表突破性研究。他们创新性地将机器学习与多组学分析相结合，通过对GEO数据库中3个独立数据集（GSE61145/GSE34198/GSE66360）的深度挖掘，首次系统揭示了AMI的分子诊断标志物与免疫微环境特征。

研究采用四大关键技术：1）基于limma包的差异表达分析筛选159个DEGs；2）WGCNA构建基因共表达网络锁定黄色模块（MEyellowgreen）；3）SVM/RF/LASSO三种机器学习算法交叉验证；4）CIBERSORT算法解析22种免疫细胞浸润特征。动物实验通过结扎冠状动脉建立AMI模型，采用免疫组化验证关键靶点。

差异表达基因与功能富集
分析发现134个上调基因和25个下调基因，KEGG显示这些基因富集于IL-17信号通路、NF-κB通路等炎症相关通路。GO分析揭示其显著参与"细胞因子产生正调控"（BP）、"分泌颗粒腔"（CC）等过程，提示免疫-炎症级联反应在AMI中的核心作用。

机器学习筛选关键靶点
通过SVM（准确率0.753）、RF（30个重要基因）和LASSO（14个基因）三重筛选，最终确定10个hub基因，包括：

• 氧化应激相关基因VNN3
• 转录因子FOS（与心肌缺血相关）
• 炎症调控因子IL18RAP（冠状动脉事件风险基因）
  诊断模型显示，10基因联合检测AUC高达0.953，显著优于单个标志物。

免疫微环境特征
CIBERSORT分析发现：

• 幼稚B细胞和活化CD4⁺记忆T细胞在AMI组显著增加
• 静息肥大细胞比例下降
  相关性热图显示，FOS、IL18RAP与中性粒细胞浸润呈正相关（r>0.4, p<0.05）。

动物实验验证
心肌组织HE染色确认AMI模型成功建立。免疫组化显示：

• FOS和IL18RAP蛋白表达量较对照组提升3倍（p<0.001）
• CD4⁺幼稚T细胞（CD4⁺）和中性粒细胞（LY6G⁺）在梗死区大量浸润

这项研究不仅建立了具有临床转化潜力的多基因诊断模型，更首次阐明FOS/IL18RAP-CD4⁺T细胞-中性粒细胞轴在AMI发病中的调控作用。值得注意的是，相比传统cTns检测，该模型可实现更早期诊断（心肌损伤前阶段），并为开发靶向免疫调节疗法（如干预IL18RAP信号）提供理论依据。研究人员特别指出，VNN3和DUSP1等基因与氧化应激的关联，可能成为预防性治疗的突破口。尽管仍需大规模临床验证，但这项融合生物信息学、机器学习与实验验证的多学科研究，为破解AMI诊疗困境开辟了新路径。