基于WGCNA和机器学习筛选帕金森病免疫相关关键基因

摘要

目的：在帕金森病的发病过程中，免疫系统的异常激活和炎症反应起着重要作用。然而，目前对于免疫相关关键基因在帕金森病发生和发展中的具体作用和作用机制的了解仍然有限。本研究旨在通过加权基因共表达网络分析（weighted gene co-expression network analysis,WGCNA）和机器学习筛选帕金森病免疫相关关键基因。方法：从基因表达综合（Gene Expression Omnibus,GEO）数据库下载基因芯片数据，采用WGCNA筛选出与帕金森病相关的重要基因模块；将重要模块中的基因导出，绘制帕金森病重要相关基因与免疫相关基因的韦恩图，从而筛选出帕金森病免疫相关基因。采用基因本体（gene ontology,GO）分析和京都基因和基因组百科全书（Kyoto Encyclopedia of Genes and Genomes,KEGG）深入分析免疫相关基因的功能及参与的信号通路。通过R语言的CIBERSORT包进行免疫细胞浸润分析。采用生物信息学方法和3种机器学习方法[最小绝对收缩和选择算子（least absolute shrinkage and selection operator,LASSO）回归、随机森林（random forest,RF）和支持向量机（support vector machine,SVM）]对筛选出的帕金森病免疫相关基因进行进一步筛选研究，绘制4种方法筛选的差异表达基因的韦恩图，筛选交集基因即中心节点（hub node,hub）基因。通过STRING数据库搜索帕金森病hub基因的下游蛋白质，绘制蛋白质互作网络图。结果：筛选出帕金森病重要模块基因中与免疫相关的基因218个，其中45个为上调基因，50个为下调基因。富集分析结果显示218个基因主要在免疫系统对外来物反应和病毒感染通路富集。免疫浸润分析结果表明，CD4⁺T细胞、NK细胞、CD8⁺T细胞、B细胞在帕金森病患者样本中的浸润百分率较高，静息NK细胞、静息CD4⁺T细胞在帕金森病患者样本中显著浸润。4种方法筛选出的hub基因为ANK1基因。交集基因蛋白质互作网络分析结果显示，ANK1基因翻译表达的11个蛋白质主要参与信号转导、铁稳态调节及免疫系统激活等功能。结论：通过WGCNA和机器学习方法，筛选出帕金森病免疫相关关键基因ANK1，该基因可能成为帕金森病诊断和治疗的候选靶点。

关键词

加权基因共表达网络分析 / 机器学习 / 帕金森病 / 免疫 / ANK1基因