基于加权基因共表达网络与机器学习的肝癌代谢相关基因鉴定及预后标志物探索

本研究通过整合TCGA数据库转录组数据，运用EdgeR筛选差异表达基因（DEGs），结合加权基因共表达网络分析（WGCNA）和机器学习算法（RF/SVM/LASSO），鉴定出ACADS、ALDH8A1等7个肝癌代谢相关标志基因。通过GSEA、ssGSEA揭示其与免疫浸润及代谢通路的关联，并利用DGIdb数据库预测靶向药物，最后通过外部数据集（GSE54236）和临床样本RT-PCR验证基因表达。研究为肝癌代谢 reprogramming机制提供新见解，并为预后评估和靶向治疗提供候选生物标志物。

　　

引言

肝癌是全球癌症相关死亡的主要原因之一，2020年影响全球90.57万人，预计到2040年将影响140万人。其5年相对生存率仅约20%，且过去十年改善有限。风险因素包括病毒性肝炎、酒精和肝硬化等。尽管手术是早期肝癌的主要治疗方式，但术后死亡率高达20%–40%。多数患者确诊时已处于晚期，酪氨酸激酶抑制剂（TKIs）仅适用于30%的患者，且生存改善有限。免疫抑制、代谢改变和炎症等因素促进肝癌进展，但其机制尚未完全阐明。

代谢重编程是肝细胞癌（HCC）的关键标志，在促进癌细胞增殖和存活中起重要作用。代谢途径的改变，包括糖酵解、脂质代谢和氨基酸分解代谢，使肿瘤细胞能够满足生物合成和能量生产的高需求。在HCC中，糖酵解通量增加（Warburg效应）和线粒体功能改变在常氧和缺氧条件下促进肿瘤生长。关键调控酶如丙酮酸激酶M2（PKM2）和乳酸脱氢酶A（LDHA）是驱动HCC进展的关键因素。此外，活性氧（ROS）积累和氧化磷酸化平衡改变进一步导致基因组不稳定和肿瘤转移。与这些代谢途径失调相关的关键基因，例如ALDH8A1（醛脱氢酶1家族成员A1）参与醛类解毒，其表达改变与肿瘤进展和化疗耐药相关。COX4I2（细胞色素C氧化酶亚基4，异构体1）是线粒体电子传递链的一部分，对氧化磷酸化至关重要，其功能障碍与HCC中ROS产生增加相关。这些代谢基因有助于HCC的复杂代谢表型，并为潜在治疗靶点提供宝贵见解。

机器学习提供了一种高效的方法来识别在疾病进展中起关键作用的基因。通常使用一些算法，如最小绝对收缩和选择算子（LASSO）、支持向量机（SVM）和随机森林（RF）。此外，加权基因共表达网络分析（WGCNA）可以识别与疾病显著相关的枢纽基因。因此，这些方法加速了与疾病相关关键基因的发现。先前，机器学习已被用于寻找肝癌的生物标志物。然而，尚无研究使用机器学习鉴定肝癌中的代谢相关标志基因。在本研究中，我们旨在执行机器学习以鉴定肝癌中的代谢相关标志基因。共获得7个基因（ACADS、ALDH8A1、COX4I2、CYP2C8、DBH、NDST3和PLA2G6）。通过研究它们的表达和与生存的相关性，以及揭示相关通路和与免疫细胞浸润的关联，揭示了这些代谢相关标志基因的潜在作用。

材料与方法

数据收集与处理

从TCGA数据库下载肝癌的转录谱，包括374个肝癌样本和50个正常样本。原始数据转换为表达矩阵，并使用每百万转录本（TPM）进行标准化。从Gene Expression Omnibus数据库获得GSE54236数据集，包括81个肿瘤样本和89个癌旁正常组织样本。原始表达数据经过log2转换，然后进行分位数标准化以最小化样本间的技术变异。将探针映射到基因符号，并通过保留每个基因平均表达强度最高的探针来解决重复基因条目，产生唯一的基因水平表达谱。标准化表达数据经过Student t检验以识别肿瘤和正常组之间的差异表达基因（DEGs）。绝对log2倍数变化（FC）>1且p值<0.05的基因被认为具有统计学意义。使用GraphPad Prism软件进行受试者操作特征（ROC）分析。ROC曲线下面积（AUC）用于指示区分肿瘤与正常组织的诊断潜力。从KOBAS软件使用关键词“代谢途径”获得总共5871个代谢相关基因。

肝癌差异表达基因（DEGs）的鉴定

使用R（4.3.1）中的“edgeR”（3.42.4）包鉴定肝癌中的DEGs，设置标准为p < 0.05且|log2FC| >1。统计学显著性定义为错误发现率（FDR）< 0.05。

功能富集分析

使用KOBA软件进行基因本体（GO）和京都基因与基因组百科全书（KEGG）富集分析，设置p值小于0.05。

加权基因共表达网络分析（WGCNA）

使用R（4.3.1）中的WGCNA（v1.72-1）构建基因共表达网络，以识别共表达基因模块及其与癌症表型的关联。最初，确定适当的软阈值功率（β）将基因相关矩阵转换为加权邻接矩阵，遵循无标度拓扑标准（选择最小的β，其中无标度拓扑模型拟合R²超过0.9）以近似无标度网络，同时保留连接信息。使用此β计算邻接矩阵，随后转换为拓扑重叠矩阵（TOM）以解释共享邻居。然后基于TOM相异性对基因进行层次聚类，并使用合并阈值（设置为0.4）进行动态树切割，将密切相关的分支分组为 distinct 模块，每个模块由独特颜色表示，并可能共享功能一致性。提取每个模块的模块特征基因（ME），代表模块基因表达的第一主成分。模块-性状关联分析评估每个ME与癌症状态（疾病 vs. 对照）的二元表型性状之间的相关性（使用Pearson相关系数）及其显著性（p值）。证明与癌症状态显著相关（p值<0.05）的模块被优先用于进一步研究。还通过特征基因网络分析模块之间的关系。在癌症相关模块内，基于高模块成员资格（MM，基因表达与模块特征基因之间的相关性，MM > 0.6）和高基因显著性（GS，基因表达与癌症性状之间的绝对相关性，GS > 0.5）识别与模块行为和性状功能相关的枢纽基因，产生一组可能与癌症发病机制相关的候选基因。

肝癌代谢相关DEGs的鉴定

使用肝癌的DEGs、WGCNA识别的枢纽基因和从KOBAS软件获得的代谢相关基因进行Venn分析。交叉基因被认为是肝癌中的代谢相关DEGs。

机器学习算法

为了识别与癌症代谢改变相关的关键基因，我们使用了三种机器学习算法：随机森林（RF）、支持向量机（SVM）和最小绝对收缩和选择算子（LASSO）回归。这些模型应用于先前差异分析和WGCNA获得的234个代谢相关基因。总共424个样本以3:7的比例随机分为训练集和测试集。所有模型在R（4.3.1）中实现，并进行10折交叉验证以确保鲁棒性。三种模型选择的基因交集作为肝癌发病的标志基因，旨在识别能够真正区分癌症患者和健康个体的关键基因。

使用RandomForest包执行RF。应用10折交叉验证以确保稳健的模型性能。基于以下标准选择特征基因：MeanDecreaseAccuracy >0（分类准确性改进）和MeanDecreaseGini >0（对节点纯度的贡献），这表明每个基因在区分两组中的重要性。在10折CV过程中通过袋外（OOB）误差估计对模型性能进行内部验证。模型参数设置为：method = “rf”, summaryFunction = “twoClassSummary”, 和 tuneLength = “10”。

使用“kernlab”包实现SVM。使用10折交叉验证方法。通过改变损失函数参数在0到1范围内测试线性和RBF核以训练模型。基于它们在模型中的性能选择特征基因，确保只有那些在CV折叠中 consistently 有助于分类准确性的基因被保留。模型参数设置为：method = “svmRadial”, summaryFunction = “twoClassSummary”, Cost = “seq (0.1, 2)”, length = “10”, 和 sigma = “0.1”。

对于LASSO回归，使用“glmnet”和“foreign”R包。使用cv.glmnet与二项族进行二分类训练。选择具有非零系数的特征作为重要基因的最终集合，用于进一步分析和模型开发。模型参数设置为：Family = “binomial”, alpha = “1”, type.measure = “class”, 和 nfolds = “10”。

基因集富集分析（GSEA）

使用“clusterProfiler”包进行GSEA，以评估标记基因在预定义基因集中的富集。本分析中使用的背景数据集源自基因本体（GO, 2018）和京都基因与基因组百科全书（KEGG, 2019）集合。分析分三个主要步骤进行：（1）计算富集分数（ES），通过根据与感兴趣表型的相关性对数据集中的所有基因进行排序来计算每个基因集的ES。（2）估计富集分数的显著性，为了确定观察到的ES的统计显著性，应用了基于排列的方法。计算大量随机基因集排列的基因集富集分数，生成ES值的零分布。然后通过将观察到的ES与零分布进行比较得出经验P值。较低的P值表明基因集的富集更显著。（3）多重假设检验，鉴于测试的基因集数量众多，使用Benjamini-Hochberg（BH）方法进行多重假设检验校正以控制错误发现率（FDR）。FDR调整后P < 0.05的基因集被认为是显著富集的。这种调整确保分析考虑了固有的多重检验负担，最小化假阳性发现的可能性。

生存

基于表达水平对标记基因进行生存分析。标记基因的表达水平分为两组：高表达和低表达。高表达组包括表达水平高于中位数的样本，而低表达组包括表达水平低于中位数的样本。对于生存分析，将标记基因表达水平与癌症患者的生存时间相关联。生成Kaplan-Meier生存曲线以评估标记基因表达与患者生存结果之间的关联。计算风险比（HR）和对数秩P值以评估基因表达对总生存的影响。使用R中的survival包进行分析，使用survfit函数拟合生存模型。使用survminer R包中的ggsurvplot函数可视化生成的生存曲线，提供生存数据的图形表示。

患者与样本处理

临床标本包括癌组织（n = 10）和组织学正常肝组织（n = 10），来自中山大学孙逸仙纪念医院的10例肝癌患者，经诊断确认后获取。所有样本在治疗干预前收集。标本通过液氮浸没立即冷冻保存，随后在?80°C长期储存直至实验处理。患者 exclusively 由HBV阳性个体组成，无酒精使用史记录，肿瘤进展阶段在II和IIIC之间。本研究获得中山大学孙逸仙纪念医院机构审查委员会的伦理批准（授权代码：SYSKY-2023-010-01）。并获得所有患者的知情同意书。所有方法均按照中山大学孙逸仙纪念医院机构审查委员会的指南和规定进行。

RNA提取与定量实时PCR

使用TRIzol试剂（R21086, 源叶, 上海, 中国）按照制造商方案进行总RNA分离。使用Nanodrop 2000系统（Invitrogen）通过分光光度分析进行RNA定量。对于cDNA合成，1 μg纯化RNA使用ABScript Neo RT MasterMix for qPCR with gDNA Remover Kit（RK20433, ABclonal, 武汉, 中国）进行逆转录。使用ChamQ SYBR qPCR Master Mix（Q311-02, Vazyme, 南京, 中国）在CFX96实时PCR系统（Bio-Rad）上进行RT-PCR测定，每个样本进行三次技术重复。引物序列显示在补充表S1中。

免疫细胞浸润分析

使用ssGSEA（单样本基因集富集分析）方法进行免疫浸润分析，以计算每个免疫细胞类型对每个癌症样本的富集分数。使用IOBR R包，特别是calculate_sig_score函数，基于预定义的免疫细胞标记基因集计算富集分数。ssGSEA方法量化 individual 样本中每种免疫细胞类型的相对丰度，反映免疫细胞浸润水平。随后，分析标记基因表达与免疫细胞浸润之间的相关性。使用linkET R包，特别是correlate函数，计算标记基因表达水平与各种免疫细胞类型富集分数之间的Pearson相关系数。这一步能够识别标记基因表达与肿瘤微环境中免疫细胞浸润之间的显著关联。最后，检查靶基因表达与免疫细胞浸润之间的相关性。不同癌症样本中靶基因的表达水平与每种免疫细胞类型的ssGSEA富集分数相关联，揭示癌症微环境中靶基因与免疫细胞群体之间的关系。

候选药物的鉴定

为了识别靶向标记基因的候选药物，从DGIdb v4.0数据库获得与靶转录因子（TF）和靶基因（TG）相关的药物列表。查询数据库以获取与已识别标记基因对应的TF-TG对相互作用的药物。构建了两个药物-基因相互作用网络：一个描述药物与靶基因（drug-TG）之间的相互作用，另一个描述药物与转录因子（drug-TF）之间的相互作用。可视化基因-基因-药物相互作用网络以识别可能靶向标记基因的潜在药物。

统计分析

EdgeR使用广义线性模型、贝叶斯估计和多重假设检验校正进行差异表达分析。WGCNA分析利用相关分析、层次聚类分析算法进行相关性和网络分区算法。RF、SVM和LASSO回归用于机器学习。基因集富集分析和免疫细胞浸润分析本质上基于富集分数（ES）的计算和排列检验算法。生存分析基于Kaplan-Meier方法和Cox比例风险模型。

结果

肝癌DEGs的鉴定

为了识别肝癌中的代谢相关DEGs，我们首先通过分析TCGA数据库的数据揭示肝癌中的DEGs。使用R的“edgeR”包处理数据后，总共获得4296个DEGs。其中，3312个DEGs上调，984个DEGs下调，显示为火山图和热图。如图所示，肿瘤样本和正常样本之间的表达谱明显分组，表明两组之间的基因表达存在显著差异。然后我们进一步研究这些DEGs的相关通路。GO富集分析结果表明这些基因 most related to 胶原-containing 细胞外基质、细胞粘附和质膜组成部分等。信号转导、细胞粘附和RNA聚合酶II转录正调控等 enriched in 生物过程。质膜、质膜组成部分和细胞外空间是最相关的细胞组件。对于分子功能，蛋白质结合、钙离子结合和 identical 蛋白质结合 active。KEGG分析结果显示这些DEGs与代谢途径、癌症中的途径和PI3K-Akt信号通路等相关。

肝癌代谢相关DEGs的鉴定

随后，我们尝试使用WGCNA找出与肝癌进展最相关的DEGs。如图所示，当软阈值功率设置为8时，DEGs的共表达网络更接近无标度网络。然后将所有共表达基因分为19个模块。并根据模块中特征基因的表达揭示不同模块之间的相似性。有趣的是，“MEdarkgreen”模块和“Megrey”模块与样本的性状（肿瘤或正常）显著相关。并研究了两个模块中模块成员资格与癌症显著性之间的相关性，表明这两个模块与肝癌正相关。“MEdarkgreen”模块（80）和“Megrey”模块（6843）中的枢纽DEGs显示在补充表S3中。

然后使用肝癌的DEGs、WGCNA识别的枢纽DEGs和从KOBAS软件获得的代谢相关基因的交叉进行venn分析。如图所示，总共获得234个DEGs，并被认为是肝癌中的代谢相关DEGs。10个随机选择的DEGs的表达显示在图2B中。此外，进行GO和KEGG分析以揭示代谢相关DEGs的相关通路，表明氧化还原过程、线粒体基质和线粒体在GO分析中最富集。代谢途径、脂肪酸降解和缬氨酸、亮氨酸和异亮氨酸降解等与代谢相关DEGs密切相关。

通过机器学习揭示肝癌代谢相关标志DEGs

为了识别肝癌中的代谢相关标志DEGs，我们然后通过三种机器学习算法分析234个代谢相关DEGs，包括LASSO、SVM和RF。如图所示，当将logλ值设置为?5且L1范数为15时，LASSO获得总共28个特征基因。此外，SVM算法揭示 after 10折交叉验证，当成本设置为1.0时，RMSE最小。并获得35个特征基因，其重要性显示在图3C中。此外，RF算法的结果显示当特征基因数量为75时，RMSE值最小。并且三个模型的指标如准确性、敏感性、特异性、精确度、F1和AUC显示在补充表S5中。RF算法获得的前30个特征基因的重要性揭示在图3E中。将前30个特征基因与LASSO和SVM算法导出的特征基因相交，最终获得总共7个特征基因，包括ACADS、ALDH8A1、COX4I2、CYP2C8、DBH、NDST3和PLA2G6。这些基因被认为是肝癌中的代谢相关标志DEGs。

七个标志基因在肝癌中的表达谱和预后意义

我们分析了上述七个标志基因（ACADS、ALDH8A1、COX4I2、CYP2C8、DBH、NDST3和PLA2G6）在癌性和健康人体组织中的表达模式，以研究它们在肝癌中的潜在 involvement。表达水平分布显示在图4A–G中。与正常样本（蓝色表示）相比，肿瘤样本（红色表示）中标志基因的表达水平显著改变。ACADS、ALDH8A1、CYP2C8、DBH和NDST3在肿瘤组织中的表达显著降低，与正常组织相比，表明它们在肝癌中可能下调。然而，COX4I2和PLA2G6在肿瘤组织中表现出更高的表达，与正常组织相比显著增加（P < 2.22 × 10^?16）。通过 pairwise 相关分析评估标志基因表达水平之间的相关性，结果显示在图4H中。

结果显示几个基因之间存在显著相关性，突出显示肝癌相关代谢或信号通路中潜在的相互作用。ALDH8A1和CYP2C8、ACADS和CYP2C8以及DBH和NDST3显示出强正相关，表明这些基因在肝癌背景下可能共享 common 调控机制或共调控。COX4I2与几个其他标志基因（包括DBH和ALDH8A1）表现出负相关，表明在肿瘤发生过程中 distinct 作用或 opposing 效应。

为了评估七个标志基因在肝癌中的预后意义，基于七个标志基因的表达水平进行生存分析。每个标志基因的生存曲线，分为高表达和低表达组，显示在图6中。ACADS高表达（HR = 0.44, 95% CI: 0.31-0.64, 对数秩P = 9.3 × 10^?6）、ALDH8A1（HR = 0.56, 95% CI: 0.37-0.85, 对数秩P = 0.0054）、COX4I2（HR = 0.61, 95% CI: 0.41-0.92, 对数秩P = 0.016）、CYP2C8（HR = 0.54, 95% CI: 0.38-0.77, 对数秩P = 0.00048）、DBH（HR = 0.57, 95% CI: 0.40-0.81, 对数秩P = 0.0015）和NDST3（HR = 0.38, 95% CI: 0.27-0.54, 对数秩P = 2 × 10^?8）与显著更好的生存结果相关，与低表达相比，表明它们作为肝癌保护因素的潜力。虽然PLA2G6高表达倾向于改善生存，但结果无统计学意义（HR = 0.78, 95% CI: 0.53-1.14, 对数秩P = 0.2），表明其在肝癌预后中的作用可能需要进一步研究。

肝癌标志基因的通路富集和免疫细胞相关性分析

为了探索与肝癌中七个标志基因表达可能相关的生物通路，进行GSEA。ACADS的GSEA结果显示脂肪酸降解通路以及脂肪酸代谢显著富集，表明其在肝癌细胞内脂质代谢过程中的潜在 involvement。β-丙氨酸代谢也显著富集，进一步表明ACADS在肝癌细胞代谢重编程中的 broader 作用。对于ALDH8A1，在色氨酸代谢通路中观察到显著富集，突出显示其可能参与氨基酸代谢。对于COX4I2，在心肌收缩中观察到显著富集。CYP2C8在与药物代谢和化学致癌作用相关的通路中 strongly enriched。DBH的通路富集分析显示酪氨酸代谢显著富集，表明DBH在神经递质合成和细胞信号通路调控中的潜在 involvement，这对肝癌肿瘤生长和进展至关重要。

为了研究七个已识别标志基因在肝癌中的潜在免疫相关作用，我们进行标志基因表达与免疫细胞富集分数之间的相关性分析。所有免疫细胞类型的相关矩阵显示在图6A中。总的来说，观察到标志基因表达水平与免疫细胞类型之间的显著相关性，表明这些基因可能影响肿瘤微环境中的免疫细胞浸润。ACADS表达与几种免疫细胞类型显示显著正相关，特别是与记忆B细胞，表明其在免疫调控中的潜在作用。ALDH8A1表达与17型T辅助细胞和CD56dim自然杀伤细胞 strongly correlated。COX4I2的表达与自然杀伤T细胞显示显著相关性，表明COX4I2可能参与调控先天免疫反应的激活。CYP2C8表达与未成熟树突状细胞和γδ T细胞正相关。DBH表达与CD56dim自然杀伤细胞显示强负相关，表明DBH可能参与肝癌免疫抑制的调控。较低的DBH表达可能与CD56dim自然杀伤细胞激活减少相关，可能影响抗肿瘤免疫反应。NDST3的表达与自然杀伤细胞正相关，与效应记忆CD4 T细胞和2型T辅助细胞负相关。PLA2G6表达与γδ T细胞显著正相关，与CD56bright自然杀伤细胞强负相关。

基因-基因-药物相互作用网络

为了研究已识别标志基因在肝癌中的潜在治疗意义，我们基于PPI分析（蛋白质-蛋白质相互作用）和从DGIdb v4.0数据库获得的药物-基因相互作用构建了一个基因-基因-药物相互作用网络。 resulting 网络整合了标志基因与几种潜在治疗药物之间的相互作用。PPI分析在肝癌背景下识别了几个关键的基因-基因相互作用。这些相互作用表明标志基因可能在调控与肿瘤进展相关的代谢通路和免疫反应中合作。例如，CYP2C8、ALDH8A1和ACADS显示与参与药物代谢和氧化应激的蛋白质相互作用，表明它们在肝癌代谢和解毒中的关键作用。

药物-基因相互作用网络揭示了几种靶向已识别标志基因或其相关蛋白质的药物。一些 notable 药物相互作用包括：索拉非尼，一种肝癌一线治疗药物，与CYP2C8相互作用，表明它可能影响肝癌细胞中的代谢重编程。发现化合物27与PLA2G6、CYP2C8和ALDH8A1相互作用，指出其在调控免疫反应和维持代谢平衡方面的潜力，并可能对肝癌治疗有用。其他药物如帕唑帕尼、依托泊苷和霉酚酸酯也显示与标志基因相互作用，表明肝癌治疗可能的治疗 repurposing 机会。基因-基因-药物相互作用网络提供了已识别标志基因、它们的蛋白质相互作用以及靶向这些基因或其相互作用蛋白质的潜在药物之间关系的 visual 表示。网络突出显示几种可能通过靶向代谢重编程、免疫调控和肿瘤进展中涉及的关键分子通路对肝癌治疗有用的药物。像索拉非尼、辛伐他汀和吉西他滨这样的药物已经临床用于肝癌，并显示与关键标志基因 strong 相互作用，进一步强化它们的治疗潜力。

标志基因在肝癌和外部数据集中的表达验证

为了验证代谢相关标志基因（ACADS、ALDH8A1、COX4I2、CYP2C8、DBH、NDST3和PLA2G6）的转录模式，我们首先检查外部数据集GSE54236中这七个基因的表达水平。与TCGA肝癌队列数据相似，结果显示ACADS、ALDH8A1、CYP2C8、DBH和NDST3显著下调，COX4I2上调，而PLA2G6在肝癌组织中与正常组织相比无显著变化。此外，ROC分析显示ACADS、ALDH8A1、COX4I2、CYP2C8、DBH和NDST3具有良好的预测肝癌发生的能力，ACADS的AUC值为0.6936，ALDH8A1为0.7856，COX4I2为0.6738，CYP2C8为0.8165，DBH为0.8003，NDST3为0.7780。此外，我们收集了10对来自肝癌患者的肿瘤组织和癌旁组织。RT-PCR测定证实ACADS、ALDH8A1、COX4I2、CYP2C8、DBH和NDST3在肝癌组织中与匹配的癌周对照相比显著下调（所有P < 0.05）。这些结果证实ACADS、ALDH8A1、COX4I2、CYP2C8、DBH和NDST3在肝癌组织中的表达水平降低。

讨论

在本研究中，我们收集了肝癌的转录谱，这是一种已知伴随代谢重编程的疾病。通过整合TCGA数据库的转录组数据与WGCNA，我们识别出234个代谢相关差异表达基因（DEGs）。通过机器学习算法，我们进一步精炼列表并识别出七个关键代谢相关标志基因-ACADS、ALDH8A1、COX4I2、CYP2C8、DBH、NDST3和PLA2G6。这些基因与患者生存和免疫细胞浸润显著相关，突出它们作为预后生物标志物的潜力。值得注意的是，这些基因中的大多数表现出强大的预后价值，ACADS、ALDH8A1、CYP2C8、DBH和NDST3作为保护因素出现，而PLA2G6的表达水平并不独立与总生存相关。实际上，差异表达分析比较肿瘤与正常组织，反映癌症相关失调。预后分析评估癌症患者间的肿瘤异质性。如果PLA2G6表达在肝癌患者中相似，则可能不会分层总生存。此外，其生存影响可能被平行通路补偿。并且ACADS、ALDH8A1、COX4I2、CYP2C8、DBH和NDST3的表达在肝癌患者组织和外部数据集GSE54236中得到证实。我们的研究通过使用机器学习揭示了肝癌中的代谢相关标志基因，这是以前未曾研究的。此外，我们识别了靶向这些标志基因的候选药物，为肝癌治疗提供治疗策略。

本研究依赖于多种生物信息学方法的整合，包括WGCNA、机器学习和基因-药物相互作用网络分析，以 pinpoint 可作为新治疗靶点的代谢基因。与通常关注 individual 代谢通路或特定基因靶点的先前研究不同，我们的方法提供了肝癌代谢的 comprehensive