《Frontiers in Immunology》：Unveiling potential diagnostic biomarkers for rheumatoid arthritis through integrated gene expression analysis
編輯推薦：
本文通過整合多個GEO數據庫的類風濕關節炎（RA）患者數據，結合WGCNA分析和差異表達基因（DEGs）篩選，運用多種機器學習算法（如SVM-RFE、LASSO、隨機森林、CNN）鑒定出11個核心基因，并最終篩選出五個具有高診斷價值（AUC值最高）的基因（GABARAPL1， FKBP5， MREG， PCDH9， SLAMF8），以此構建了預測RA的列線圖模型。研究通過免疫浸潤分析和臨床樣本驗證，證實了這些基因與RA免疫微環境的關聯及表達差異，并預測了靶向這些關鍵基因的潛在治療藥物，為RA的早期診斷和精準治療提供了新的生物標志物（biomarker）與策略。
類風濕關節炎（RA）是一種慢性自身免疫性疾病，以全身性炎癥和持續性滑膜炎為特征，可導致關節軟骨和骨骼破壞，嚴重影響患者生活質量。盡管治療手段不斷進步，RA的早期診斷仍然面臨挑戰，因此發現新的、可靠的生物標志物對于RA的治療和早期診斷至關重要。
差異表達基因篩選與數據預處理
研究從GEO數據庫獲取了三個基于GPL96平臺的RA基因表達譜數據集（GSE12021， GSE55457， GSE55235），整合并去除了批次效應。通過差異表達分析，共鑒定出543個差異表達基因（DEGs），其中323個上調，220個下調。熱圖和主成分分析（PCA）結果證實了數據集的整合有效性。
數據收集與模塊分析
研究利用加權基因共表達網絡分析（WGCNA）方法構建了基因共表達網絡。通過設定軟閾值功率為8，獲得了21個共表達模塊。分析發現，“粉紅色”模塊與正常樣本呈正相關（r=0.83），與RA樣本呈負相關（r=-0.83），被確定為與RA最相關的關鍵模塊。
關鍵模塊基因與DEGs的功能分析
通過維恩圖將WGCNA鑒定的關鍵模塊基因與差異表達基因取交集，獲得了273個關鍵基因。對這些基因進行功能富集分析（GSEA， KEGG， GO）表明，它們主要富集于免疫和炎癥相關通路。基因集富集分析（GSEA）結果顯示這些基因與同種異體移植排斥、自身免疫性甲狀腺疾病、丙酮酸代謝和酪氨酸代謝相關。KEGG通路分析顯示其參與細胞因子-細胞因子受體相互作用、Th17細胞分化、趨化因子信號傳導和T細胞受體信號通路。GO功能分析進一步揭示了這些基因在淋巴細胞活化、單核細胞分化、白細胞活化、T細胞活化以及趨化因子、細胞因子和G蛋白偶聯受體活性等方面發揮作用。
特征基因的選擇
為了篩選出最能區分RA患者與健康對照的特征基因，研究采用了四種機器學習算法：LASSO回歸、隨機森林（RandomForest）、支持向量機遞歸特征消除（SVM-RFE）以及卷積神經網絡（CNN）。通過綜合四種算法的結果，最終篩選出11個交叉重疊的核心基因。隨后，利用受試者工作特征（ROC）曲線評估了這11個基因的診斷效能，其中五個基因（FKBP5， GABARAPL1， MREG， PCDH9， SLAMF8）展現出最高的曲線下面積（AUC）值，分別為0.821， 0.955， 0.848， 0.857和0.973。
RA診斷列線圖模型的構建與驗證
基于上述五個AUC值最高的基因，研究使用“rms”包構建了用于診斷RA的列線圖模型。該模型通過校準曲線、決策曲線分析（DCA）和額外的ROC曲線驗證，顯示出較高的預測準確性。在獨立數據集（GSE77298）以及合并的訓練數據集（GSE12021， GSE55235， GSE55457）中，模型均表現出穩定的診斷性能。
特征基因的相互作用分析
對五個特征基因的相關性分析揭示了它們之間存在正相關或負相關的關系。通過GeneMANIA平臺構建的蛋白質-蛋白質相互作用（PPI）網絡圖進一步展示了這些基因之間緊密的功能聯系，表明它們可能協同參與了RA的病理過程。
單樣本基因集富集分析（ssGSEA）與相關性分析
采用ssGSEA方法量化了16種免疫細胞類型和13條免疫相關通路的浸潤分數。研究發現，除肥大細胞外，RA患者組的大多數免疫相關通路活性均高于健康對照組。相關性分析進一步表明，特征基因FKBP5， GABARAPL1和PCDH9與多種免疫功能（如CD8+T細胞、檢查點、細胞溶解活性、炎癥促進、MHC-I類分子、中性粒細胞等）呈負相關；而MREG和SLAMF8則與I型干擾素反應、濾泡輔助T細胞（Tfh）、腫瘤浸潤淋巴細胞（TIL）、Th1/Th2細胞等功能呈正相關。這提示這些特征基因可能通過調節免疫機制參與了RA的進展。
樞紐基因表達的驗證
為了驗證生物信息學分析結果，研究收集了9例RA患者和9例外傷對照組（TC）的滑膜組織樣本。磁共振成像（MRI）顯示RA患者存在滑膜增厚，蘇木精-伊紅（H&E）染色顯示RA滑膜組織中細胞密度增加、細胞核數量和染色強度顯著增強，提示明顯的細胞增殖和炎性細胞浸潤。
通過實時定量聚合酶鏈反應（qRT-PCR）檢測，發現與TC組相比，RA滑膜組織中FKBP5， GABARAPL1和PCDH9的mRNA表達水平顯著降低，而SLAMF8的表達顯著升高，MREG的表達變化無統計學意義。蛋白質印跡（Western blot）和免疫熒光（IF）檢測進一步在蛋白水平上證實了FKBP5， GABARAPL1和PCDH9的下調以及SLAMF8的上調。此外，斯皮爾曼秩相關分析表明，FKBP5， GABARAPL1和PCDH9的表達水平與炎癥活動指標呈負相關，而SLAMF8呈正相關。這些結果共同證實了這四個基因在RA滑膜組織中的表達存在顯著差異。
候選藥物的鑒定
利用DSigDB數據庫和Enrichr工具，研究對篩選出的核心基因進行了蛋白質-藥物相互作用分析，以尋找潛在的靶向治療藥物。分析共識別出244種候選化合物。根據P值排名，最受關注的十種化合物包括（+）-白屈菜紅堿（(+)-chelidonine）、柔紅霉素（daunorubicin）和比沙可啶（bisacodyl）等。這些化合物被預測可能通過調節樞紐基因的活性而對RA產生治療作用，但其在RA中的實際療效和機制尚需進一步的實驗驗證。
綜上所述，本研究通過綜合運用生物信息學與機器學習方法，并結合臨床樣本驗證，成功鑒定出FKBP5， GABARAPL1， PCDH9和SLAMF8這四個與免疫浸潤密切相關的RA診斷生物標志物。這些發現不僅為RA的早期診斷提供了新的潛在工具，也為探索靶向這些基因的精準治療策略開辟了新的方向。
