基于转录组学和机器学习算法的肺结核铁死亡相关关键基因的研究

基于转录组学和机器学习算法的肺结核铁死亡相关关键基因的
研究
叶江娥;方雪晖;熊延军;刘盛盛
【期刊名称】《中国防痨杂志》
【年(卷),期】2024(46)1
【摘要】目的:运用转录组学和机器学习方法探索铁死亡关键基因与肺结核发病机制的相关性。

方法:以“pulmonary tuberculosis”为关键词,以测序类型(转录组学)和物种(HOMO sapiens)等为条件从公共存储库NCBI
GEO(/geo)中进行搜索和筛选,得到GSE153326和GSE67589两套转录组数据集。

将GSE153326作为训练组数据[包含健康人群血液样本8份,结核分枝杆菌(Mycobacterium tuberculosis,MTB)阳性血液样本52份]、GSE67589作为验证组数据(包含健康人群血液样本30份,MTB阳性27份);使用R脚本对数据进行矫正和注释,对两转录组的差异表达基因鉴定后,筛选出GSE153326训练组差异基因中与铁死亡相关基因(TBFerDEG)的表达情况,并对TBFerDEG的基因本体(GO)及京都基因和基因组百科全书(KEGG)进行富集分析;利用LASSO回归分析和SVM算法,从TBFerDEG中获得与铁死亡有明显差异的关键基因,并对其进行ROC分析,探索与关键基因相关的药物调控网络;最后将关键基因导入GSE67589验证组中,以验证训练组筛选出的铁死亡关键基因的诊断意义。

结果:通过生物信息学分析,共筛选得到416个TBFerDEG,剔除不符合入选要求的基因,最终得到56个TBFerDEG差异基因。

GO富集分析发现,肺结核中与铁死亡相关的生物学进程有细胞对化学应激的反应自噬调节、线粒体自噬、线粒体解体等;参与的通路有AMPK信号通路和铁死亡等。

通过LASSO回归分析和SVM算法,最终
得到5个与铁死亡相关的关键基因,分别为BID、AR、STK11、ALOX12和SRC,AUC分别为0.807、0.858、0.734、0.840和0.880;验证关键基因结果表明,AR和SRC基因在验证组(GSE67589)中MTB阳性与健康人群中的表达差异均有统计学意义(P值分别为0.004和0.017)。

结论:AR和SRC是肺结核中与铁死亡相关的关键基因,可能为今后的基础研究奠定一定的借鉴和参考。

【总页数】8页(P92-99)
【作者】叶江娥;方雪晖;熊延军;刘盛盛
【作者单位】安徽省胸科医院结核一科;安徽省胸科医院办公室;安徽省胸科医院结核八科;安徽省胸科医院结核七科
【正文语种】中文
【中图分类】R52;R446
【相关文献】
1.基于转录组学探讨铁死亡相关基因在奥希替尼获得性耐药NSCLC细胞中的表达及意义
2.基于生物信息学及机器学习算法筛选脓毒血症铁死亡相关基因的研究分析
3.基于代谢组学和转录组学筛选丙泊酚致神经毒性关键基因的研究
4.基于机器学习算法的铁死亡相关基因脓毒症诊断模型
5.转录组测序结合TMT蛋白质组学技术对脊髓损伤小鼠关键基因预测及相关病理机制研究
因版权原因，仅展示原文概要，查看原文内容请购买。