基于机器学习与多组学分析鉴定脓毒症的关键生物标志物与中药潜在作用靶点预测

摘要

本研究旨在通过整合转录组学与蛋白质组学数据，并借助机器学习算法，筛选可用于脓毒症(sepsis)诊断的生物标志物，推进脓毒症精准治疗的发展。通过对脓毒症转录组GSE236713数据集与蛋白质组学IPX0003225000数据集进行下载、筛选，对筛选结果进行富集分析。应用多种机器学习算法识别关键枢纽基因，并采用独立验证集对其进行验证，并进一步通过细胞类型相对丰度去卷积算法(cell-type identification by estimating relative subsets of RNA transcripts,CIBERSORT)进行免疫细胞浸润分析。最后，利用多平台计算出关键枢纽基因对应的小分子化合物，中药及其性味归经、药物功效类别与药物之间的相关性。运用不同分析方法对疾病数据集进行整合筛选，得到24个交集基因。进一步建立三种机器学习算法模型并验证，敲定IGFBP2、C1QC、LRG1、HP、ASGR2、C1QB作为关键枢纽基因用于后续分析。根据免疫浸润分析结果，本研究认为关键枢纽基因可能通过调节免疫细胞的功能来影响脓毒症疾病进程。再经由多个公共数据平台，确定与关键枢纽基因有较高关联度的治疗化合物。通过中药潜在作用靶点预测发现相关药物中，四气五味以温、寒、平、甘、辛、苦为主，归经多聚焦于肝、心、肺、脾四经，功效以活血化瘀、补虚、清热为主，同时形成多组相关性较强的药物组合。基于多组学数据，配合生物信息学分析与机器学习方法，定位脓毒症关键生物标志物并预测可能靶向调控该疾病的中药成分，也为深入探索中医药治疗脓毒症的临床应用提供新思路。

关键词

脓毒症 / 机器学习 / 转录组学 / 蛋白质组学 / 中药靶点