基于机器学习识别重度抑郁症内质网应激生物标志物及免疫浸润分析

王 冠霖, 唐莉 丽*
北华大学

摘要


目的基于生物信息学和机器学习技术识别重度抑郁症MDD相关的内质网应激ERS生物标志
物并分析其与免疫浸润的关联性然后挖掘潜在治疗药物为MDD的精准诊疗提供理论依据。方法数据获取
与预处理从GEO数据库获取MDD患者和健康对照的基因表达数据集GSE98793、GSE32280、GSE39653整
合并进行标准化处理数据从GeneCards和MSigDB数据库获取ERS相关基因列表。差异表达分析使用limma包
筛选MDD与对照组的差异表达基因DEGs将其与ERS基因列表相结合筛选出差异表达的ERS相关基因DEERGs。机器学习模型构建采用LASSO回归、SVM-RFE和随机森林算法对DE-ERGs进行特征选择构建MDD诊
断模型并使用SVM-RFE来通过五折交叉验证评估模型的准确性能。免疫浸润分析利用R语言的CIBERSORT
包来分析DE-ERGs与免疫细胞浸润水平的相关性。结果总计筛选出46个MDD特异性DE-ERGs如HSPH1、
HP、MPO、NPC1其中10个基因在MDD患者中显著高表达P<0.01。LASSO回归筛选出10个关键生物标志
物如KCNE1、RCN1随机森林15个关键生物标志物。最后3种机器学习算法筛选出的关键基因有4个分别为
KCNE1、TMED4、MPO、ERAP2.1。免疫浸润分析显示调节性T细胞、单核细胞和巨噬细胞M0在MDD组中较高
而静息T细胞CD4记忆和T细胞γδ水平较低。结论KCNE1、TMED4、MPO、ERAP2.1为MDD的内质网应激
生物标志物并且揭示了免疫细胞和ERS相关基因与MDD之间存在显着相关性。

关键词


重度抑郁症（MDD）；内质网应激（ERG）；机器学习；生物信息学；免疫浸润分析

全文:

PDF


参考


[1]Lim G Y, Tam W W, Lu Y, et al. Prevalence of

depression in the community from 30 countries between 1994

and 2014[J]. Scientific Reports, 2018, 8(1): 2861.

[2]Rehm J, Shield K D. Global burden of disease and

the impact of mental and addictive disorders[J]. Current

Psychiatry Reports, 2019, 21(2): 10.


Refbacks

  • 当前没有refback。