绝了绝了!中医药又发纯生信,机器学习成关键加分点!暨南大学凭药理学分析+分子对接轻松斩获一区SCI!

文摘   2024-11-25 10:00   上海  


大家好啊,相信时刻关注科研热点的小伙伴们已经发现了,机器学习最近可谓是火出天际,发文又快又好,周期还短,大麦身边只做湿实验的高校朋友都在考虑要不要搭上机器学习的快车道了!今天大麦给大家准备了一篇暨南大学研究团队发表的研究论文,于2024年10月发表在Chinese Medicine上,为大家提供一些新的思路参考,接下来我们一起来看看吧~
1.该研究整合了机器学习和分子对接技术,来研究贯叶连翘(HP)治疗(MDD)的分子靶点和机制。在纯生信发文越来越不容易的今天,非常适合有毕业需求、想轻松快速发表文章的中医药小伙伴!
2. 该研究利用CIBERSORT进行免疫细胞分析,以确定搞清楚肿瘤组织当中免疫细胞的构成比例。CIBERSORT自2015年在Nature面世以来,不仅操作简单,价格便宜,而且公共数据量大,十分亲民,受到许多生信学子的青睐!
Ps:如果你时间紧任务重需要快速发文,建议直接找大麦进行思路设计和定制分析;如果你时间充裕想自学机器学习,大麦也可以全程为你提供帮助哦~

 

定制生信分析

云服务器租赁

(加微信备注99领取试用)

期刊:Chinese Medicine
影响因子:5.3
发表时间:2024年10月


研究背景
重度抑郁症(MDD)是世界范围内最常见的精神疾病之一。贯叶连翘(HP)是一种传统草药,已被证明具有抗抑郁作用,但其机制尚不清楚。本研究旨在确定HP治疗MDD的分子靶点。    
研究思路
首先,研究者对MDD患者和健康血液的mRNA表达情况进行了差异分析和加权基因共表达网络分析(WGCNA)。随后,使用CTD、DisGeNET和GeneCards三个数据库预测了MDD的相关靶标,确定了13个关键途径,并进行了分子对接预测。接下来,研究者使用MCODE和机器学习(LASSO,SVM-RFE)获得关键治疗靶点,并进行了临床诊断评估和基因组富集分析(GSEA)。此外,研究者对MDD的血液mRNA表达队列进行免疫细胞分析,以探索关键靶点与免疫细胞之间的关联。
研究结果
1.MDD患者血液中差异表达基因的鉴定及WGCNA的构建
研究者将血液RNA微阵列数据标准化并分析差异(图1A),并根据差异密度分布图(图1B)筛选获得1954个差异基因(图1C,D)。选择前6000个差异基因的表达值以使用WGCNA构建共表达网络。
图1.MDD患者外周血中DEG的鉴定。
2.基于三种KEGG富集鉴定HP的关键途径
研究者获得了933个与MDD相关的潜在靶标(图2A)。从TCMSP数据库中获得了总共275个HP活性成分靶标。将预测的抑郁症相关靶基因分别在CTD、DisGeNET和GeneCards三个数据库中以MDD为关键词进行交叉分析,获得了982个MDD预测靶(图2C)。然后对HP活性成分靶标进行KEGG途径富集分析(图2B、D、E)。最后,获得了13个关键途径,并绘制了可视化气泡图(图2F,G)。    
图2.关键KEGG途径的鉴定。
3.基于机器学习的算法筛选MDD患者的5个关键靶点
研究者通过建立套索回归模型进行特征筛选,七个基因被鉴定为MDD的特征基因(图3A)。同时,研究者使用SVM-RFE算法来评估MDD的特征基因,其中八个基因被鉴定为最佳特征基因(图3B)。通过交叉从LASSO和SVM-RFE模型获得的特征基因,五个基因被鉴定为用于后续分析的HP的关键靶标(图3C)。基于Rms包(图3D)创建了MDD风险评估的列线图,以举例说明该模型的临床实用价值。
图3.基于机器学习的关键目标筛选。
4.关键靶标的相关性、MDD表达表征和基因组富集分析
为了探索五个关键目标之间的关联,研究者进行了相关性分析(图4A)。然后,进一步研究了AKT1、MAPK1、MYC、EGF和HSP90AA1在MDD中的作用,并分别观察了它们在正常组和MDD组之间的表达情况(图4B)。随后,作者对这五个关键靶点进行了GSEA功能分析,并确定了多个相关途径,如中性粒细胞细胞外陷阱,形成、尼古丁成瘾、酒精中毒、突触囊泡周期和长期抑郁(图4C)。    
图4.关键靶标、表达表征和GSEA富集结果的相关性分析。
5.免疫细胞水平分析
为了探索健康个体和MDD患者在免疫细胞水平上的差异,研究者采用去卷积算法CIBERSORT来分析来自收集的样品的免疫细胞组成(图5A)。这种先进的计算方法使研究者能够准确估计22种不同免疫细胞类型的比例。随后的比较分析揭示了两组之间特异性免疫细胞群的显著变化(图5B)。为了进一步理解这些差异的功能含义,研究者进行了相关性分析,以确定潜在的细胞间关系及其对MDD中涉及的免疫炎症途径的影响(图5C)。此外,还进行了相关性分析,以确定潜在的细胞间关系及其对MDD中涉及的免疫炎症途径的影响(图5C)。
图5.免疫细胞分析。
6.分子对接验证
为了预测HP对MDD中五个关键靶标的潜在相互作用效应,研究者使用HP的三种主要活性成分,包括槲皮素、山奈酚和木犀草素,分别与MAPK1、EGF、HSP90AA1、AKT1和MYC对接(图6A、B)。HP可能对MDD患者中的关键靶标具有良好的结合能力(图6C)。
图6.分子对接验证。
文章总结
这篇文章利用生物信息学方法鉴定和验证了HP治疗MDD的关键靶点,然后通过信号通路和免疫炎症研究了HP治疗MDD的作用机制,确定了关键治疗靶点基因,为临床治疗和药物开发提供了理论基础。怎么样,看完这篇文章有没有思路打开呢?发小论文除了干巴巴的做实验,借助生物信息技术无疑是性价比最高、风险最低的方法,想用生信做基础却无从下手的朋友,可以随时滴滴大麦哦,专业团队靠谱分析,助你成功发文!

推荐阅读


大麦有话说

大麦还提供服务器租赁、思路设计、定制生信分析、文献思路复现、临床数据库挖掘;有需要的小伙伴欢迎直接扫码咨询大麦,竭诚为您的科研助力!


尔云间meta分析
分享meta分析学习方法、医学统计基础知识、meta分析软件操作技巧、SCI论文发表经验等精彩内容。
 最新文章