7.3分纯生信非肿瘤文章，GEO数据库，机器学习免疫浸润
文章
AKAP12 and RNF11 as Diagnostic Markers of Fibromyalgia and Their Correlation with Immune Infiltration
DEGs的鉴定
DEGs 显示在火山图中（图1). 与健康对照组相比，FM 患者有 26 个上调的 DEGs 和 43 个下调的 DEGs。
DEG 的火山图。红色代表高表达，蓝色代表低表达，灰色代表无差异。
功能富集分析
高通量数据分析使我们能够获得多个候选基因。为了更好地了解这些基因的功能，我们使用了将它们作为一个整体反映出来的富集分析。GO分析结果表明，DEGs主要与对病毒的防御反应、病毒基因组复制的调节、I型干扰素（IFN）信号通路和细胞对I型IFN的反应有关（图2(一)和2(b)). 此外，KEGG 富集分析表明，与健康对照相比，单纯疱疹病毒 1 (HSV-1) 感染的 map05167 通路可能是 FM 患者发生改变的生物学通路
DEG 的 GO 和 KEGG 功能富集分析。(a) GO 富集分析的直方图。(b) GO 富集分析的气泡图。(c) KEGG 富集分析的直方图。(d) KEGG 富集分析的气泡图。
诊断标志物的筛选和验证
我们首先使用随机森林算法从 DEG 中识别出 4 个基因作为 FM 的诊断标记（图 3(a)) 并制作 ROC 曲线 然后通过 LASSO 回归算法筛选了 19 个 DEG（. 将两种算法得到的标记基因进行重叠，得到4个诊断特征基因，分别为AKAP12、CCR9、IL3RA和RNF11。为进一步检验上述基因的诊断效能，采用测试集对其进行验证。通过R软件进行ROC分析预测生物标志物的诊断有效性，只保留AUC>0.6的基因作为最终的标志基因。结果表明，AKAP12（AUC=0.628）和RNF11（AUC=0.663）具有较高的诊断价值。我们结合基因，观察到 CCR9 与 RNF11 结合（AUC = 0.643）和 AKAP12 与 IL3RA 结合（AUC = 0.617）时，AUC 也大于 0.6
诊断基因筛选过程。(a) 模型误差与用于拟合的基因数之间关系的交叉验证曲线。(b) 特征基因的ROC曲线通过随机森林算法筛选。(c) 19 个潜在基因的 LASSO 系数概况。(d) 最小特征基因数的偏似然偏差曲线。
ROC曲线验证候选基因的诊断效能。
FM 中的免疫细胞浸润及其与诊断标志物的关系
首次评估了FM患者血液中22组免疫细胞的相关性（图 5(a)). 结果显示，M1巨噬细胞、活化肥大细胞、静息肥大细胞、浆细胞、调节性T细胞、M2巨噬细胞、活化树突细胞、记忆B细胞、Th细胞、活化NK细胞、静息树突细胞呈显着正相关. 静息CD4记忆T细胞与中性粒细胞呈显着负相关。然后使用 Wilcoxon 检验评估 FM 患者和对照组之间外周血中免疫细胞浸润的显着差异。图 5(b)显示了 FM 患者和健康对照者外周血中不同的免疫细胞占据。与对照组相比，FM 患者的 CD8+ T 细胞显着减少，证实了减少这种细胞类型在 FM 免疫微环境中的重要性。此外，四种有效生物标志物（AKAP12、CCR9、IL3RA 和 RNF11）与一种显着差异的免疫细胞（CD8+ T 细胞）之间的相关性显示在图 6(a). 相关性分析表明，AKAP12 与 CD8+ T 细胞呈正相关（R = 0.33，P = 0.0012），而 RNF11 与 CD8+ T 细胞呈负相关（R = -0.34，P = 0.00066）
免疫细胞浸润。(a) 评估了 FM 患者外周血中 22 种免疫细胞的相关性。红色为正，蓝色为负。(b) 箱线图显示了FM患者和健康人外周血中22组免疫细胞的比例。
FM 诊断标志物与差异免疫细胞的相关性。(a) 4 种诊断生物标志物与 CD8+ T 细胞之间的相关性。(b) CD8+ T 细胞与 AKAP12 之间的相关性。(c) CD8+ T 细胞和 RNF11 之间的相关性。P < 0.01。
