颠覆！非肿瘤也能分析失巢死亡？疾病分型+3种机器学习轻松搞定5分+纯生信！这么独特的

2023-05-15 09:02 作者:尔云间 0人读过 | 我要投稿

怕双硫死亡太卷？

不如看看其他的细胞死亡类型？

比如失巢凋亡~

关注小云的粉丝朋友们还记不记得之前分享过的“失巢凋亡”方向？

当时小云有说过“失巢凋亡”的生信发文套路——与铁死亡、铜死亡、坏死性凋亡等其他细胞死亡形式的套路基本一致，关键在于“失巢凋亡基因集合”的获得，拿到基因集合后基本上就可以按照之前铁死亡等的套路进行复现！

（如果没有分析思路也可以找小云帮忙，超多个性化的分析思路供你选择~）

我们可以简单回顾一下是失巢凋亡相关的信息：

细心的小伙伴应该发现失巢凋亡一般是用于肿瘤方向的研究，小云之前分享的失巢凋亡的生信文章也都是肿瘤的。

但是失巢凋亡与非肿瘤疾病也有关系，换句话说，非肿瘤疾病也能做失巢凋亡的分析！

今天小云就给大家分享一篇性价比很高的失巢凋亡非肿瘤的生信文章，借着非肿瘤分析失巢凋亡的创新思路，常规分析轻松发表5分+纯生信，而且1个多约月就接收！赶快来看看吧~

题目：基于机器学习鉴定缺血性脑卒中失巢凋亡相关基因的分类模式和免疫浸润特征

影响因子：5.702

发表时间：2023年3月

研究思路

首先，从GEO数据库中下载GSE58294和GSE16561。从GSEA网站获得了35个失巢凋亡相关基因(ARGs)。利用CIBERSORT算法估计22种浸润免疫细胞类型的相对比例。其次，采用一致聚类方法对缺血性脑卒中样本进行分类。使用LASSO、SVM-RFE和随机森林(RF)算法筛选缺血性卒中的关键ARGs。接下来，进行受试者工作特征(ROC)分析，以评估每个诊断基因的准确性。同时，通过整合性状基因，构建了IS诊断的nomogram。然后，分析了联合数据库中诊断基因的基因表达与免疫细胞浸润的相关性。对这些基因进行GO和KEGG分析，探索差异信号通路和潜在功能，并利用NetworkAnalyst和Cytoscape构建和可视化调控网络。最后，研究不同年龄或性别的IS患者中ARGs的表达模式。

图1. 流程图

主要研究结果

1. IS患者中失巢凋亡相关基因（ARGs）的表达和相关性分析

利用GSE58294数据分析ARGs在IS患者中的表达变化，发现22个ARGs的表达谱发生改变，其中9个ARGs上调，13个ARGs下调(图2A、B)。分析这22个ARGs在染色体上的相对位置（图2C）。接下来对这些差异表达的ARGs进行相关性分析，发现一些失巢凋亡基因表现出很强的协同作用/拮抗作用(图2D、E)。

图2. ARGs在IS中的表达谱

2. IS患者的免疫特征及其与ARGs的关系

使用CIBERSORT算法计算每个样本中22种浸润免疫细胞类型的比例差异 (图3A,B)，说明IS会引起免疫系统的变化。同时，相关性分析表明幼稚B细胞、M0和M2巨噬细胞、中性粒细胞、Tregs等与失巢凋亡基因密切相关(图3C)。

图3. 免疫浸润分析

3. 聚类分析鉴定IS中失巢凋亡相关亚群

作者根据22个ARGs的表达情况，采用共识聚类算法对69个IS样本进行分组，得到两个聚类。分析不同聚类的免疫微环境及生物学功能特征。发现聚类1初始B细胞比例高，而聚类2则表现出高比例的浆细胞、静息记忆CD4+ T细胞和M2巨噬细胞(图4C,D)。接下来，基于GO和KEGG基因集进行GSVA分析 (图4E-F)。

（ps：聚类分析和免疫浸润分析可以用小云新开发的零代码生信分析小工具实现，云生信分析工具平台包含超多零代码分析和绘图小工具，上传数据一键出图，感兴趣的小伙伴欢迎来尝试哟，网址：http://www.biocloudservice.com/home.html ）。

图4. 不同聚类的免疫浸润及生物学功能特征

4. 三种机器学习算法筛选关键基因，以及列线图的构建

采用LASSO、SVM和RF三种算法从22个失巢凋亡相关的DEGs中选择候选基因来预测IS的发生。LASSO模型筛选到14个基因，SVM鉴定出10个变异变量基因，随机森林算法鉴定出6个相对重要度评分大于2的特征基因。将三种机器学习模型得到的基因进行交集，得到5个失巢凋亡基因(图5A)。接下来进行ROC分析，计算ROC曲线的AUC值，评估各诊断基因的准确性（图5B）。

构建Nomogram来诊断IS(图5C)。每个性状基因对应一个分数，将所有性状基因的分数相加得到总分。总分对应IS的不同风险。