顛覆！非腫瘤也能分析失巢死亡？疾病分型+3種機器學習輕松搞定5分+純生信！這么獨特的

2023-05-15 09:02 作者:爾云間 0人讀過 | 我要投稿

怕雙硫死亡太卷？

不如看看其他的細胞死亡類型？

比如失巢凋亡~

關(guān)注小云的粉絲朋友們還記不記得之前分享過的“失巢凋亡”方向？

當時小云有說過“失巢凋亡”的生信發(fā)文套路——與鐵死亡、銅死亡、壞死性凋亡等其他細胞死亡形式的套路基本一致，關(guān)鍵在于“失巢凋亡基因集合”的獲得，拿到基因集合后基本上就可以按照之前鐵死亡等的套路進行復現(xiàn)！

（如果沒有分析思路也可以找小云幫忙，超多個性化的分析思路供你選擇~）

我們可以簡單回顧一下是失巢凋亡相關(guān)的信息：

細心的小伙伴應(yīng)該發(fā)現(xiàn)失巢凋亡一般是用于腫瘤方向的研究，小云之前分享的失巢凋亡的生信文章也都是腫瘤的。

但是失巢凋亡與非腫瘤疾病也有關(guān)系，換句話說，非腫瘤疾病也能做失巢凋亡的分析！

今天小云就給大家分享一篇性價比很高的失巢凋亡非腫瘤的生信文章，借著非腫瘤分析失巢凋亡的創(chuàng)新思路，常規(guī)分析輕松發(fā)表5分+純生信，而且1個多約月就接收！趕快來看看吧~

題目：基于機器學習鑒定缺血性腦卒中失巢凋亡相關(guān)基因的分類模式和免疫浸潤特征

影響因子：5.702

發(fā)表時間：2023年3月

研究思路

首先，從GEO數(shù)據(jù)庫中下載GSE58294和GSE16561。從GSEA網(wǎng)站獲得了35個失巢凋亡相關(guān)基因(ARGs)。利用CIBERSORT算法估計22種浸潤免疫細胞類型的相對比例。其次，采用一致聚類方法對缺血性腦卒中樣本進行分類。使用LASSO、SVM-RFE和隨機森林(RF)算法篩選缺血性卒中的關(guān)鍵ARGs。接下來，進行受試者工作特征(ROC)分析，以評估每個診斷基因的準確性。同時，通過整合性狀基因，構(gòu)建了IS診斷的nomogram。然后，分析了聯(lián)合數(shù)據(jù)庫中診斷基因的基因表達與免疫細胞浸潤的相關(guān)性。對這些基因進行GO和KEGG分析，探索差異信號通路和潛在功能，并利用NetworkAnalyst和Cytoscape構(gòu)建和可視化調(diào)控網(wǎng)絡(luò)。最后，研究不同年齡或性別的IS患者中ARGs的表達模式。

圖1. 流程圖

主要研究結(jié)果

1.?IS患者中失巢凋亡相關(guān)基因（ARGs）的表達和相關(guān)性分析

利用GSE58294數(shù)據(jù)分析ARGs在IS患者中的表達變化，發(fā)現(xiàn)22個ARGs的表達譜發(fā)生改變，其中9個ARGs上調(diào)，13個ARGs下調(diào)(圖2A、B)。分析這22個ARGs在染色體上的相對位置（圖2C）。接下來對這些差異表達的ARGs進行相關(guān)性分析，發(fā)現(xiàn)一些失巢凋亡基因表現(xiàn)出很強的協(xié)同作用/拮抗作用(圖2D、E)。

圖2. ARGs在IS中的表達譜

2.?IS患者的免疫特征及其與ARGs的關(guān)系

使用CIBERSORT算法計算每個樣本中22種浸潤免疫細胞類型的比例差異 (圖3A,B)，說明IS會引起免疫系統(tǒng)的變化。同時，相關(guān)性分析表明幼稚B細胞、M0和M2巨噬細胞、中性粒細胞、Tregs等與失巢凋亡基因密切相關(guān)(圖3C)。

圖3. 免疫浸潤分析

3.?聚類分析鑒定IS中失巢凋亡相關(guān)亞群

作者根據(jù)22個ARGs的表達情況，采用共識聚類算法對69個IS樣本進行分組，得到兩個聚類。分析不同聚類的免疫微環(huán)境及生物學功能特征。發(fā)現(xiàn)聚類1初始B細胞比例高，而聚類2則表現(xiàn)出高比例的漿細胞、靜息記憶CD4+ T細胞和M2巨噬細胞(圖4C,D)。接下來，基于GO和KEGG基因集進行GSVA分析 (圖4E-F)。

（ps：聚類分析和免疫浸潤分析可以用小云新開發(fā)的零代碼生信分析小工具實現(xiàn)，云生信分析工具平臺包含超多零代碼分析和繪圖小工具，上傳數(shù)據(jù)一鍵出圖，感興趣的小伙伴歡迎來嘗試喲，網(wǎng)址：http://www.biocloudservice.com/home.html?）。

圖4. 不同聚類的免疫浸潤及生物學功能特征

4.?三種機器學習算法篩選關(guān)鍵基因，以及列線圖的構(gòu)建

采用LASSO、SVM和RF三種算法從22個失巢凋亡相關(guān)的DEGs中選擇候選基因來預(yù)測IS的發(fā)生。LASSO模型篩選到14個基因，SVM鑒定出10個變異變量基因，隨機森林算法鑒定出6個相對重要度評分大于2的特征基因。將三種機器學習模型得到的基因進行交集，得到5個失巢凋亡基因(圖5A)。接下來進行ROC分析，計算ROC曲線的AUC值，評估各診斷基因的準確性（圖5B）。

構(gòu)建Nomogram來診斷IS(圖5C)。每個性狀基因?qū)?yīng)一個分數(shù)，將所有性狀基因的分數(shù)相加得到總分。總分對應(yīng)IS的不同風險。

圖5. 三種機器學習算法篩選關(guān)鍵基因，以及列線圖的構(gòu)建

5.?5個基因的免疫浸潤相關(guān)性分析、調(diào)控網(wǎng)絡(luò)的構(gòu)建

分析5個關(guān)鍵基因與免疫細胞浸潤的相關(guān)性(圖6A-B)。隨后，分別構(gòu)建5個基因的基因- miRNA(圖6C)和基因-轉(zhuǎn)錄因子（TF）調(diào)控網(wǎng)絡(luò)(圖6D)。此外，作者還構(gòu)建了AKT1的藥物-基因相互作用調(diào)控網(wǎng)絡(luò)，有30種藥物或分子化合物作用于AKT1，其中22種對其有抑制作用(圖6E)。