《Journal of Genetic Engineering and Biotechnology》：Discovering potential key biomarkers and molecular mechanisms in Chronic Obstructive Pulmonary Disease and rheumatoid arthritis using integrated bioinformatics and machine learning approaches
编辑推荐：
背景：慢性阻塞性肺疾病（COPD）和类风湿关节炎（RA）是全球发病率和死亡率的主要原因之一。许多研究声称这些疾病是相互关联的。然而，RA和COPD之间潜在的分子过程和共享的生物标志物仍未发现。方法：本研究旨在发现RA和COPD中的关键潜在生物标志物和机制，通过
背景：慢性阻塞性肺疾病（COPD）和类风湿关节炎（RA）是全球发病率和死亡率的主要原因之一。许多研究声称这些疾病是相互关联的。然而，RA和COPD之间潜在的分子过程和共享的生物标志物仍未发现。方法：本研究旨在发现RA和COPD中的关键潜在生物标志物和机制，通过R编程整合多种生物信息学和机器学习（ML）方法。还应用了多种验证方法来验证关键潜在生物标志物。结果：通过差异表达分析，研究人员发现了RA和COPD之间的90个共同差异表达基因（DEGs）。从基因集富集分析中，研究人员获得了与共同DEGs相关的顶级分子机制。从蛋白质-蛋白质相互作用分析中，研究人员获得了共同DEGs中的候选枢纽基因。在所有ML方法中，ElasticNet表现最佳，具有91.52%的最高准确率，并识别出一组重要基因。通过取候选枢纽基因和ElasticNet重要基因的交集，研究人员获得了四个候选基因：ETS1、YY1、CREBP5和GTF2H1。受试者工作特征（ROC）曲线和表达分析显示所有四个基因具有稳健的鉴别效能，而列线图建模进一步验证了它们与RA和COPD的预测相关性。最后，还提出了与潜在生物标志物相关的候选转录因子、microRNAs和药物。结论：总之，本研究识别了RA和COPD之间的关键潜在分子机制和四个潜在生物标志物。这些发现可能通过为未来的实验和临床研究提供初步基础，增进研究人员对COPD和RA背后分子机制的理解。
**研究背景与问题**
慢性阻塞性肺疾病（COPD）和类风湿关节炎（RA）是全球范围内导致疾病负担和死亡的主要原因。临床流行病学证据表明，RA患者发生COPD的风险显著增加（风险比HR达1.52–2.11），且两者常共存，提示存在共享的生物学基础。然而，既往研究多聚焦于单一疾病的生物标志物发现，缺乏对两种疾病共同分子机制和共享生物标志物的系统探索。传统生物信息学方法在处理高通量转录组数据时存在局限性，而机器学习（ML）方法能有效识别高维数据中的非线性关系。因此，本研究旨在通过整合生物信息学和多种ML方法，利用公共基因表达数据库，发现COPD与RA之间的关键潜在生物标志物和分子机制，以期为两种疾病的诊断、治疗及联合干预提供初步依据。该论文发表于《Journal of Genetic Engineering and Biotechnology》。
**主要技术方法**
研究人员从NCBI-GEO数据库获取了四个微阵列数据集：GSE76925（COPD训练集，111例患者 vs 40例对照）、GSE118468（COPD测试集，12例患者 vs 6例对照）、GSE93777（RA训练集，315例患者 vs 133例对照）和GSE294225（RA测试集，9例患者 vs 15例对照）。采用R编程语言进行如下分析：差异表达分析（使用limma包，筛选标准|log2FC|≥1.0且adj.P.Val<0.05）识别两种疾病的显著差异表达基因（DEGs）并取交集；基因集富集分析（GSEA，clusterProfiler包）探索共同DEGs的基因本体（GO）术语和通路；蛋白质-蛋白质相互作用（PPI）网络构建（STRINGdb和igraph包，Cytoscape可视化）及五种拓扑算法（MCC、MNC、Degree、EPC、BottleNeck）鉴定枢纽基因；应用14种机器学习算法（InfoGain、SVM-RFE、RF、Lasso、Boruta、DT、ElasticNet、GA、LightGBM、MLPerceptron、Pearson、Ridge、XGBoost、Naive Bayes）进行特征选择，以准确率最高的模型筛选关键基因；通过ROC曲线和列线图（Nomogram）验证候选基因的诊断效能；利用NetworkAnalyst和EnrichR平台预测相关转录因子（TFs）、microRNAs（miRNAs）及候选药物。
**研究结果**
1. **共同差异表达基因的鉴定**：在COPD训练集（GSE76925）中发现618个DEGs（564个下调，54个上调），在RA训练集（GSE93777）中发现1812个DEGs（720个下调，1092个上调），取交集获得90个共同的DEGs。
2. **GO术语和通路富集**：GSEA显示，共同DEGs显著富集于细胞组分（核斑点、剪接体复合物）、生物学过程（RNA剪接、RNA剪接调控、细胞因子产生的正调控）和分子功能（NADP
+核苷酶活性、NAD
+核苷酶/环状ADP-核糖生成）。
3. **枢纽基因的鉴定**：PPI网络分析后，五种拓扑算法（MCC、MNC、Degree、EPC、BottleNeck）共识别出7个候选枢纽基因：GTF2H1、YY1、RBBP6、ETS1、CREB5、EP300和TP53。
4. **机器学习基因的筛选**：14种ML模型中，ElasticNet表现最优（准确率91.52%），筛选出一组重要基因（如ETS1、YY1、GTF2H1、CREB5等）。
5. **最终潜在生物标志物的确定**：取7个枢纽基因与ElasticNet重要基因的交集，最终获得4个候选基因：ETS1、YY1、GTF2H1和CREB5。
6. **诊断价值和表达水平的验证**：在训练集和测试集中，四个基因在疾病样本中均呈现差异表达（如CREB5在COPD训练集AUC达0.723，GTF2H1在RA训练集AUC达0.78；测试集中CREB5在COPD测试集AUC达0.811，GTF2H1在RA测试集AUC达0.815），表明其良好的区分能力。
7. **列线图分析**：列线图模型显示，ETS1、YY1、GTF2H1和CREB5的高表达与疾病风险正相关，校准曲线（1000次bootstrap）平均绝对误差仅0.018，表明模型预测准确性高、无显著过拟合。
8. **转录因子、miRNA及药物预测**：网络分析识别出6个候选TFs（MYC、CREBBP、EP300、E2F1、EGR1等）和11个候选miRNAs（hsa-miR-181b、hsa-miR-130a、hsa-miR-548c-3p等）；基于DSigDB数据库预测出10种候选药物（如过氧化氢、地西他滨、洛伐他汀等）。
**讨论与结论**
讨论部分指出，本研究首次通过整合生物信息学和多种ML方法系统筛选COPD与RA的共享生物标志物，弥补了以往单病种研究的不足。四个候选基因（ETS1、YY1、GTF2H1、CREB5）在多种生物学过程中具有已知功能：ETS1调节趋化因子和细胞因子基因表达；YY1通过组蛋白修饰调控基因激活/抑制；GTF2H1参与RNA聚合酶II转录起始；CREB5调控细胞迁移、增殖和转移相关通路。ROC和列线图验证进一步支持其诊断潜力。然而，研究存在局限性，如数据集样本量有限、需后续体外和体内实验验证，以及未来可整合多组学数据（基因组学、蛋白质组学、代谢组学）以深化理解。
**研究结论**：总之，本研究结合生物信息学和ML分析，发现了RA与COPD之间的共享潜在生物标志物。通过差异表达分析、基因集富集分析（GSEA）和蛋白质-蛋白质相互作用（PPI）分析，从差异表达分析中找到了RA和COPD的显著DEGs，从GSEA分析中找到了潜在的GO和通路术语，从PPI分析中获得了与RA和COPD相关的候选枢纽基因。还应用了多种ML分析（包括InfoGain、SVM-RFE、RF、Lasso、Boruta、DT、ElasticNet、GA、LightGBM、MLPerceptron、Pearson、Ridge、XGBoost和Naive Bayes）来识别潜在的ML基因。在所有ML模型中，ElasticNet表现出最高准确率91.52%。通过取生物信息学和ML结果的交集，最终获得了四个候选基因：ETS1、YY1、GTF2H1和CREB5。本研究还提出了潜在的TFs、miRNAs和小分子药物，以供临床应用。此外，计算识别的生物标志物可能为靶向治疗探索和未来临床研究提供初步线索，但在将这些结果转化为COPD和RA的任何临床有意义评估或治疗用途之前，仍需进行广泛的临床试验和严格的实验验证。
