結果

我們首先從 GEO 數(shù)據(jù)庫中獲得了神經性疼痛數(shù)據(jù)集 (?GSE24982?)，并確定了神經性疼痛數(shù)據(jù)集的 DEG。與來自GSE24982數(shù)據(jù)集的正常組相比，我們在神經性疼痛組中確定了 691 個 DEG（449 個上調和 242 個下調）

?WGCNA網絡構建及神經病理性疼痛相關模塊識別

為了確定潛在的基因模塊是否與神經性疼痛相關，我們對來自神經性疼痛相關數(shù)據(jù)集 (?GSE24982?) 的所有候選基因進行了 WGCNA 分析。.?我們確定了五個不同的模塊（?經過正相關系數(shù)的分析。最后在GSE24982數(shù)據(jù)集中篩選出模塊turquoise

Go/KEGG 分析

尋找 WGCNA 衍生的中樞基因和 DEG 之間的共表達基因。我們最終篩選出 440 個重疊基因作為候選中樞基因，這些基因可能在神經性疼痛的發(fā)生和發(fā)展中發(fā)揮重要作用.?進行 GO 和 KEGG 分析以進一步探索這 440 個重疊基因的潛在作用.?GO富集分析表明重疊基因主要影響細胞因子受體結合、趨化因子受體結合、細胞趨化性和JAK STAT級聯(lián)正調控等生物學功能。KEGG富集分析顯示重疊基因主要影響細胞因子-細胞因子受體相互作用、趨化因子介導的信號通路、PI3K AKT通路、趨化因子通路和化學致癌作用。

中樞基因的 PPI 網絡分析

我們使用 STRING 在線工具構建了重疊中心基因的 PPI 網絡.?隨后，使用 Cytoscape 軟件可視化排名前十位的上調基因?簡而言之，整理出了 IL2、SMELL、CCL4、CCR3、CXCL1、CCR1、HGF、CXCL2、GATA3 和 CRP。顏色越深，得分越高。

神經病理性疼痛風險預測列線圖模型的構建

然后我們構建了一個列線圖模型來預測神經性疼痛風險.?因此，我們的列線圖模型在神經性疼痛預測中表現(xiàn)良好。隨后，我們計算了五個中樞基因（IL2、SELL、CXCL1、CCL4 和 CCR3）的 ROC 曲線，以評估診斷效果。我們列線圖的 AUC 可以區(qū)分神經性疼痛和對照IL2、SELL、CXCL1、CCL4、CCR3的AUC值分別為0.940、0.950、0.870、0.990。

神經性疼痛中免疫細胞浸潤的評估

由于 KEGG 通路分析和 GO 富集表明，這些中樞基因主要與趨化因子介導的通路相關。結果顯示，與 IL2-low 組相比，IL2-high 組的 CD4+ 靜息記憶 T 細胞、活化的 CD4+ 靜息記憶 T 細胞和靜息樹突狀細胞的浸潤水平更高，而活化的 NK 細胞和嗜酸性粒細胞的浸潤水平IL2-high 組低于 IL2-low 組?這些結果證明了免疫細胞浸潤與中樞基因 IL2 在神經性疼痛中的直接關系。

?IL2 與神經性疼痛的風險存在因果關系

補充表 S3顯示了 IL2 和三叉神經痛的 SNP 特征。所有 SNP 都不是弱工具變量。每種遺傳變異對神經性疼痛的因果影響.?我們評估了 IL2 水平與三叉神經痛之間的因果關系。使用 IVW 方法，我們發(fā)現(xiàn) IL2 與三叉神經痛的風險相關，OR 為 1.203（95% CI = 1.004–1.443，p?= 0.045）。MR-Egger 方法未顯示出顯著的統(tǒng)計學意義 [OR = 1.023, 95% CI = 0.636–1.647,?p?= 0.925]。漏斗圖的因果效應大致對稱, MR Egger 回歸的截距沒有觀察到水平多效性 (?p?= 0.480), 進一步表明多效性沒有使因果效應產生偏差，我們在去除每個 SNP 后，系統(tǒng)地對剩余的 SNP 再次進行 MR 分析。結果保持一致，表明所有 SNP 的計算結果使因果關系顯著。這也說明IL2水平和三叉神經痛沒有顯性SNP，之前的MR結果是有效的。