题目：Identification of immune-related genes in diagnosing atherosclerosis with rheumatoid arthritis through bioinformatics analysis and machine learning
题目：通过生物信息学分析和机器学习鉴定免疫相关基因诊断动脉粥样硬化与类风湿关节炎
期刊：Front Immunol
分数：8.7/Q1
时间：202303
研究背景
越来越多的证据表明，类风湿性关节炎（RA）会加重动脉粥样硬化（AS），我们旨在探索AS和RA患者的潜在诊断基因。
研究方法
我们从公共数据库中获取数据，包括基因表达综合数据库（GEO）和STRING，并通过Limma和加权基因共表达网络分析（WGCNA）获得差异表达基因（DEGs）和模块基因。采用《京都基因与基因组百科全书》（KEGG）和基因本体（GO）富集分析、蛋白-蛋白相互作用（PPI）网络和机器学习算法[最小绝对收缩和选择算子（LASSO）回归和随机森林]来探索免疫相关枢纽基因。我们使用列线图和受试者工作特征（ROC）曲线来评估诊断效果，该曲线已通过GSE55235和GSE73754进行验证。最后，在AS中发展了免疫浸润。
研究思路
结果分析
1. 差异表达基因的鉴定
从 RA 组合数据集中共鉴定出 2,705 个 DEG，p 值< 0.05 和 |log2FC|> 1.2.图2A、B中分别显示的火山图和热图说明了这些DEGs的差异表达模式。同样，对于 AS，使用相同的 p <值 0.05 和 |log2FC|> 1.2.图 3A、B 描述了这些 DEG 对 AS 的差异表达模式。
2. 加权基因共表达网络分析和关键模块识别
我们使用加权基因共表达网络分析（WGCNA）构建了一个无标度共表达网络，以识别RA中最相关的模块。
3. RA的功能富集分析
为了验证GSE55457的可靠性，我们对来自Limma的基因和模块基因的交叉进行了富集分析。共获得164个常见基因，如图4A所示。
4. AS与RA的富集分析，通过蛋白-蛋白相互作用网络筛选节点基因
AS的DEG和RA的模块基因的交集包括53个基因，如图5A所示。
5. 通过机器学习鉴定候选枢纽基因
利用LASSO回归和RF机器学习算法来识别与AS合并RA诊断相关的潜在候选基因。LASSO回归分析确定了22个与疾病密切相关的基因（图6A，B）。在RF算法中，我们根据平均降低精度（MDA）和平均降低基尼（MDG）等指标评估了基因的重要性（图6C，D）。计算了这些基因在LASSO回归中的AUC和95%CI，以及RF机器学习算法中MDA和MDG的交集，并绘制了ROC曲线。
6. 诊断价值评价
我们用六个关键诊断基因构建了列线图，如图7B所示。这些基因的AUC和95%CI通过ROC曲线的构建进行计算，以评估诊断效果。
7. 免疫浸润分析
由于与RA相关的关键诊断基因可以调控AS的发病机制，并且主要富集免疫力，因此免疫浸润分析可以更好地探究免疫对AS的影响。
文章小结
在这项研究中，作者成功通过生物信息学分析和机器学习算法鉴定出了六个与免疫相关的中心基因（NFIL3、EED、GRK2、MAP3K11、RMI1和TPST1）。文章解读到此结束，看完之后有没有觉得研究课题这就来了！
