免疫原性细胞死亡在特发性肺纤维化中的分子机制和诊断应用

摘要

目的 旨在识别特发性肺纤维化(IPF)患者中与免疫原性细胞死亡(ICD)相关的差异表达基因(DEGs),并探讨其作为诊断生物标志物的潜力。方法 利用GSE150910数据集作为训练队列，并采用DESeq2算法从103名IPF患者与103个正常肺样本的比较中识别出1 885个DEGs。结合GeneCards数据库(包含2 149个与ICD相关的基因)的韦恩图分析揭示了244个与ICD相关的DEGs。随后，通过进一步的机器学习筛选出关键差异基因，并进行诊断模型的建立和验证。结果 包括随机森林和LASSO回归在内的机器学习技术识别了关键基因(NOS2、CDH3、COL17A1、CHRM3、ALPP、COL3A1、NCR1),这些基因被用于构建诊断模型。该模型显示出较高的诊断灵敏度和特异度，其中CDH3和CHRM3的曲线下面积值最高，且在独立数据集中进行的验证确认了模型的稳健性。此外，免疫浸润分析显示IPF患者与对照组之间的免疫细胞类型存在显著差异(P<0.05),并观察到关键基因与免疫细胞浸润水平之间的相关性。基因集富集分析进一步识别出高风险组和低风险组之间与IPF诊断相关的基因集的显著差异。结论 本研究的发现增强了学者对IPF潜在分子机制的理解，并识别出关键基因作为该疾病的潜在治疗靶点。未来的研究应集中于转化研究，探索这些标志物的治疗应用及其在疾病免疫学方面的作用。

关键词

特发性肺纤维化 / 免疫原性细胞死亡 / 诊断模型 / 机器学习 / 关键基因 / 生信分析