基于机器学习算法的子痫前期胎盘七基因风险分层模型构建与多队列验证

《Scientific Reports》：Integrative analysis and external validation identify a novel seven-gene signature for preeclampsia risk stratification

　　胎盘转录组改变在子痫前期（PE）的病理生理机制中发挥着关键作用，然而用于风险分层的稳健基因标志物仍处于探索阶段。我们首先整合了四个GEO数据集（GSE75010、GSE25906、GSE24129和GSE10588）。以GSE75010数据集为训练队列，我们采用LASSO回归和SVM算法筛选并鉴定出七个关键基因。随后基于这七个基因构建了PE风险分层模型，并在其余三个独立的GEO数据集中验证了该模型的性能。最后，我们对10例PE患者和10例对照的胎盘组织进行了转录组测序，并对独立的5例PE患者和5例对照进行了qPCR及免疫组化（IHC）检测，以实验验证关键基因的表达情况。通过多种机器学习算法的交集分析，我们鉴定出七个关键基因（ACOXL、FADS2、HPGD、CPOX、LDHA、BMPR1B、GAPDHS）。该风险模型在区分PE与正常对照时达到了0.893的AUC值。ACOXL和FADS2在低风险组中高表达，而其余五个基因在高风险组中表达升高，且在三个外部数据集中表达模式一致。WGCNA分析显示，高风险组主要富集于缺氧和细胞外基质黏附通路。列线图在训练集及三个验证集中的表现良好，AUC分别为0.945、0.882、0.847和0.836。我们在胎盘队列中的实验验证证实了这些基因表达的一致性。