使用机器学习方法对与昼夜节律相关的基因诊断模型以及脓毒症相关急性肾损伤中的免疫浸润进行全面的分子分析

《Hereditas》：Comprehensive molecular analyses of a circadian rhythm-related gene diagnostic model and immune infiltration using machine learning methods in sepsis-associated acute kidney injury

　　

摘要

背景

本研究旨在利用机器学习算法探索与脓毒症相关急性肾损伤（saAKI）相关的昼夜节律相关基因（CRRGs），为该疾病的诊断和治疗提供新的思路。

材料

我们从基因表达组学（GEO）数据库中获取了两个急性肾损伤（AKI）数据集（GSE30718和GSE139061）。我们首先识别出差异表达基因（DEGs），并进行了全基因组表达网络聚类（WGCNA）以确定候选的CRRGs。随后，基于机器学习算法识别出具有诊断意义的CRRGs。使用ssGSEA方法来测量这些CRRGs与免疫细胞之间的关联。通过GSEA和GSVA分析来了解其相关功能和通路。最后使用GSE255281数据集以及临床血液样本的RT-qPCR验证了这些CRRGs。

结果

根据DEGs和WGCNA的结果，共筛选出21个与saAKI相关的候选CRRGs。通过Lasso、随机森林（RF）和SVM-RFE算法确定了7个具有诊断价值的CRRGs。我们利用这些诊断CRRGs构建了一个预测模型，校准曲线、决策曲线和ROC曲线显示该模型具有较高的诊断效率。通过对两个子数据集的评估，最终确定了4个关键的CRRGs（DEFB1、EGF、REN和PTPRD）。免疫细胞浸润分析表明，saAKI可能存在免疫调节异常。GSEA和GSVA分析揭示了这些CRRGs在不同亚组中可能与免疫、炎症、代谢和物质转运相关的不同生物学功能和通路。验证数据集GSE255281和RT-qPCR分析证实了EGF和PTPRD的表达。

结论

我们的研究采用了综合的机器学习方法构建了一个基于CRRGs的saAKI诊断模型。所识别的CRRGs可能是saAKI的潜在生物标志物，这项研究可能为saAKI的诊断和治疗提供新的策略。