生信站，持续更新临床生信文献与思路解读，今天分享的文章亮点是机器学习+深度浸润性子宫内膜异位症诊断性生物标志物的识别与验证，感兴趣的老师可以点点关注![]()
文章标题：Identification and verification of diagnostic biomarkers for deep infiltrating endometriosis based on machine learning algorithms
中文标题：基于机器学习算法的深度浸润性子宫内膜异位症诊断性生物标志物的识别与验证
发表期刊：ournal of Biological Engineering
发表时间：2024年11月
影响因子：5.7
研究背景
子宫内异症是一种常见的妇科疾病，以子宫内膜样组织在子宫外生长为特征，导致盆腔疼痛和不孕。DIE作为内异症中最激进的表型，目前主要是症状性治疗，缺乏能够解决疾病本身的单一药物，且疾病常在停药后复发。因此，本研究基于新发现的生物标志物，探索DIE的免疫治疗和治疗，特别是研究去泛素化酶USP14在DIE中的潜在作用。研究方法
研究者通过分析基因表达综合 （GEO） 数据库中的 GSE141549 数据集确定上调基因。随后使用生物信息学方法和三种机器学习算法 （LASSO、Random Forest 和支持向量机），确定了关键特征基因 USP14。并进行了 GSEA 和 GSVA 分析和特征基因免疫特性分析，从而解决了深部浸润性子宫内膜异位症 （DIE） 早期诊断中的挑战。
本研究在选择USP14和FTHL12作为DIE的共同特征基因和关键分子（图1A)。通过分析GSE141549数据集，运用三种机器学习算法（LASSO、随机森林和支持向量）成功识别出USP14基因在深部浸润性子宫内膜异位症（DIE）中显著上调，并展现出良好的预测价值。研究结果表明，USP14在DIE中的表达水平显著高于非DIE组。通过ROC曲线分析，表明USP14模型在预测DIE预后方面具有高度的准确性。研究者发现USP14与多种免疫细胞功能的密切关联，尤其是与M1型巨噬细胞和记忆B细胞的关系较为紧密。通过CIBERSORT算法计算免疫细胞浸润，观察到DIE和非DIE组之间免疫细胞浸润比例的差异，其中M1型巨噬细胞和记忆B细胞与USP14呈显著正相关，而激活的自然杀伤细胞则呈显著负相关。在免疫细胞的差异分析中，细胞毒性活性和NK细胞在非DIE条件下高表达，而肥大细胞在DIE条件下高表达。
3.ceRNA网络构建与单细胞RNA-seq数据分析研究者构建了ceRNA网络，通过颜色区分，能够直观地看到T细胞、B细胞以及其他细胞类型。ISNE-1轴和细胞大小信息为分析细胞分布模式提供了额外的维度。通过单细胞RNA-Seq数据的分析，研究团队揭示了USP14基因在不同细胞类型中的表达模式，分析结果显示USP14在各种细胞类型中均有表达，但在表达水平上存在显著差异，这反映了USP14在不同细胞中的活性水平。文章小结
本研究通过综合运用多种技术和方法，为深部浸润性子宫内膜异位症的诊断和治疗提供了新的生物标志物和潜在的治疗靶点。（对文章数据库和分析方法感兴趣或需要生信分析服务的老师，欢迎关注小星一起交流）
