通过生物信息学分析肾移植后慢性排斥反应差异表达基因

摘要

目的：通过利用生物信息学技术分析肾移植后慢性排斥反应的差异表达基因，可以筛选出与该疾病发展相关的潜在致病靶点，为寻找新的治疗靶点提供了理论依据。方法：从基因表达谱综合数据库下载基因微阵列数据，并进行交叉计算以确定差异表达基因（DEGs）。将DEGs与基因本体（GO）分析是用来研究基因在不同条件下的表达差异以及其功能和相互关系的方法，而京都基因和基因组百科全书（KEGG）富集分析则是用来探索基因在特定生物过程中的功能和通路的工具。通过对免疫细胞浸润的分布进行计算，可以将排斥组的免疫浸润结果作为性状，在加权基因共表达网络分析（WGCNA）中进行分析，以获得与排斥相关的基因。然后，利用STRING数据库和Cytoscape软件构建蛋白质-蛋白质相互作用网络（PPI），以识别枢纽基因标记。结果：从3个数据集（GSE7392、GSE181757、GSE222889）共获得60个整合后的DEGs。通过GO及KEGG分析，GEDs主要集中在免疫应答的调节、防御反应、免疫系统过程的调节、刺激反应等。通路主要富集在抗原处理和呈递、EB病毒感染、移植物抗宿主、同种异体移植排斥、自然杀伤细胞介导的细胞毒性等。再利用WGCNA和PPI网络筛选后，HLA-A、HLA-B、HLA-F、TYROBP被鉴定为枢纽基因（Hub基因）。选择带有临床信息的数据GSE21374构建4个枢纽基因的诊断效能及风险预测模型图，结果认为4个Hub基因均具有良好诊断价值（曲线下面积在0.794-0.819）。从推理上可以得出结论，HLA-A、HLA-B、HLA-F和TYROBP这4种基因可能在肾移植后慢性排斥反应的发生和进展中具有重要作用。结论：DEGs在研究肾移植后慢性排斥反应的发病机制中起到重要作用，可以通过富集分析和枢纽基因筛选，以及相关诊断效能和疾病风险预测的推断分析，为进一步研究肾移植后慢性排斥反应的发病机制和发现新的治疗靶点提供理论支持。

关键词

肾脏疾病 / 肾移植 / 慢性排斥反应 / 生物信息学分析 / GEO数据库 / Hub基因