今天koi为大家分享一篇选题足够亮眼的孟德尔随机化，庞大的数据集和多种分析手段保证了可靠性，思路简单清晰，严谨可靠，想发孟德尔的老师千万不要错过！请速速联系小编哦！
文章标题：Novel therapeutic targets for major depressive disorder related to oxidative stress identified by integrative multi-omics and multi-trait study
中文标题：通过综合多组学和多性状研究确定与氧化应激相关的重度抑郁症的新治疗靶点
发表期刊：Transl Psychiatry
发表时间：20241019
影响因子：5.8/Q1
研究背景
抑郁症(MDD)是一种常见的精神疾病，氧化应激(OS)在其病理生理中扮演重要角色，但具体分子机制尚不清楚。本研究旨在识别与OS和MDD均相关的基因，并评估这些基因作为诊断标记和潜在治疗靶点的效用。
研究方法
研究者从GEO数据库中检索与MDD相关的数据集，利用GeneCards数据库识别与OS相关的基因，通过生物信息学分析和机器学习算法识别介导OS-MDD相互作用的枢纽基因，并采用基于汇总数据的门德尔随机化(SMR)方法，从血液组织eQLT数据中识别可能的MDD因果基因。
研究结果
1.MDD 病例和对照之间的 DEG 鉴定
利用R语言结合GEO数据集，通过Limma鉴定596个MDD相关DEGs，包括294个上调和302个下调基因。这些基因与多种生物学过程和分子功能相关。
2.通过机器学习鉴定关键的 MDD-OS 相互作用基因
使用GSE39653数据集训练并验证机器学习模型，筛选出32个与MDD和OS发病机制密切相关的基因，构建了包含341个交互的PPI网络，揭示了OS与MDD之间的复杂关联。
3.关键基因与 MDD 亚型的关联
通过ConsensusClusterPlus分析，我们在GSE39653数据集中识别出两个MDD亚型：集群A和集群B。这一发现有助于深入理解MDD的异质性，并为未来的个性化治疗提供了潜在的生物标志物。
4.免疫特性分析
研究利用Cibersort分析GSE39653数据集，发现免疫细胞浸润在MDD中存在差异，特别是在集群B中树突状细胞和肥大细胞的高浸润，以及集群A中多种免疫细胞的高浸润与32个关键DEGs表达相关，揭示了免疫细胞在MDD中的潜在作用。
5.特征基因的 SMR 分析
SMR分析显示，KCNE1和MAPK3基因表达增加与MDD风险上升有关，而STIP1表达增加与MDD风险下降相关。
文章小结
本研究通过整合多组学数据和机器学习算法，识别了32个与氧化应激和抑郁症（MDD）相关的基因，这些基因可能作为MDD的生物标志物和治疗靶点。研究还利用汇总数据的门德尔随机化方法，揭示了KCNE1、MAPK3和STIP1作为MDD的因果基因，为理解MDD的病理机制和开发新疗法提供了重要见解。对这种思路感兴趣的老师，欢迎联系小编！
