基于机器学习和生物信息学分析基底膜免疫特征基因与肺腺癌的关系

摘要

目的 基于基底膜基因分型与免疫基因分型，运用生物信息学及机器学习的方法筛选出具有诊断肺腺癌(LUAD)意义的生物标志物。方法 基于癌症基因组图谱(TCGA)数据库下载了539例LUAD患者和59例癌旁组织的RNA-seq数据，从Immport数据库中下载2483个免疫相关基因(IRGs)和218个基底膜相关基因(BMs)。运用无监督共识聚类分析、GO和KEGG富集分析、支持向量机-递归特征消除(support vector machine-recursive feature elimination,SVM-RFE)算法、随机森林树、最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归以及构建诊断模型的方法筛选出靶点基因SLIT2。并通过GSE68465，验证SLIT2的诊断精确性。通过免疫细胞浸润、免疫治疗、药敏分析、分子对接，进一步证明SLIT2是具有诊断LUAD意义的生物标志物。结果 经过SVM-RFE算法、随机森林树以及LASSO回归与诊断模型的构建，最终得到一个极具诊断意义的生物标志物-SLIT2。经差异分析，SLIT2在正常组与肿瘤组差异性明显(P<0.001)。ROC曲线表明生物标志物SLIT2可用于诊断LUAD(AUC=0.964,AUC=0.983)。免疫细胞浸润分析结果显示，CD4-T细胞，滤泡辅助T细胞，调节性T细胞，单核细胞，树突状细胞静息，静息肥大细胞，嗜酸性细胞在SLIT2高低表达组具有差异性(P<0.001)。SLIT2与CD44、CD86、LAIR1、CD200、PDCD1LG2、CD28、CD40LG、CD200R1、BTLA等免疫检查点具有相关性。药物敏感性分析中，SLIT2与药物Rapamycin、AC220、BHG712有较高的敏感性。分子对接显示SLIT2与AC220、BHG712、KIN001270、PHA665752、WZ184、YM201636、Rapamycin有较强的结合能力，其中Rapamycin与SLIT2结合能力最强。结论 经过筛选和生物学分析，SLIT2可能为LUAD的诊断与治疗以及人类免疫相关疾病提供了新的思路。

关键词

机器学习 / 生物信息学 / 分子对接 / 基底膜相关基因 / 免疫分析

基金资助

广东医科大学附属医院院内资助类临床研究项目(LCYJ2021A004)