机器学习和加权基因共表达网络分析揭示炎症性肠病中的内质网应激生物标志物.pdfVIP

现代消化及介入诊疗２０２５年第３０卷第４期ＭｏｄｅｒｎＩｎｔｅｒｖｅｎｔｉｏｎａｌＤｉａｇｎｏｓｉｓａｎｄＴｒｅａｔｍｅｎｔｉｎＧａｓｔｒｏｅｎｔｅｒｏｌｏｇｙ２０２５牞Ｖｏｌ．３０牞Ｎｏ．４４７５

·临床经验·

机器学习和加权基因共表达网络分析揭示炎症性

肠病中的内质网应激生物标志物

庞思宇，康敏

【摘要】目的本研究旨在通过基因共表达网络分析（ＷＧＣＮＡ）和机器学习算法，鉴定出炎症性肠病（ＩＢＤ）中内质网应激

相关关键基因，并探索其潜在药物，为ＩＢＤ的发病机制研究和临床诊断治疗提供新的靶点。方法利用ＷＧＣＮＡ软件包对

ＧＳＥ８７４６６数据集构建基因共表达网络，筛选出与ＩＢＤ显著相关的模块。通过差异表达分析鉴定ＤＥＧｓ，并结合内质网应激相

关基因筛选出候选基因。进一步利用ＬＡＳＳＯ、ＳＶＭＲＦＥ和ＲａｎｄｏｍＦｏｒｅｓｔ三种机器学习算法鉴定核心关键基因。基于关键基因

构建诊断模型并评估其效能，同时分析免疫细胞浸润与核心基因的相关性，并通过功能富集分析和基因互作网络探究其生物学

功能。最后，利用Ｅｎｒｉｃｈｒ平台筛选潜在药物。结果构建的基因共表达网络中，ｔｕｒｑｕｏｉｓｅ模块与ＩＢＤ相关性最强（相关系数＝

０６７，Ｐ＝３ｅ１５）。差异表达分析共鉴定出９２１个ＤＥＧｓ，筛选出３４个与内质网应激相关的ＤＥＧｓ。三种机器学习算法最终确定

ＬＹＮ、ＴＩＭＰ１和ＶＣＡＭ１为关键基因。基于这三个基因构建的列线图模型在训练集和验证集中均表现出优异的诊断效能（ＡＵＣ

值分别为０９９４和０９８０）。免疫细胞浸润分析显示Ｂ细胞、激活记忆ＣＤ４Ｔ细胞等在ＩＢＤ中浸润水平更高，且与核心基因存

在相关性。功能富集分析揭示了核心基因在细胞因子活性、ＴＮＦ信号通路等功能中的作用。通过Ｅｎｒｉｃｈｒ平台筛选出抗坏血

酸、阿司匹林等１０种潜在药物。结论本研究成功鉴定出ＬＹＮ、ＴＩＭＰ１和ＶＣＡＭ１三个关键基因，并构建了具有高诊断效能的

模型。免疫细胞浸润分析和功能富集分析进一步揭示了这些基因在ＩＢＤ中的潜在作用机制。筛选出的潜在药物为ＩＢＤ的治

疗提供了新的方向。

【关键词】炎症性肠病；内质网应激；机器学习；加权基因共表达网络分析；生物标志物

中图分类号：Ｒ５７４文献标志码：ＡＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１６７２－２１５９．２０２５．０４．０１５

炎症性肠病（ＩｎｆｌａｍｍａｔｏｒｙＢｏｗｅｌＤｉｓｅａｓｅ，ＩＢＤ）是一组病１材料与方法

因尚不完全明确的慢性肠道炎症性疾病，主要包括克罗恩病

［１］１．１数据收集

和溃疡性结肠炎。其发病机制复杂，涉及遗传、环境、免疫

［１１］

［２－３］我们从基因表达数据库（ｈｔｔｐｓ：／／ｗｗｗ．ｎｃｂｉ．ｎｌｍ．ｎｉｈ．

反应以及肠道微生物群等多种因素的相互作用。近年

ｇｏｖ／ｇｅｏ／）中检索了与炎症性肠病（ＩＢＤ）相关的数据集。具

来，内质网应激（ＥｎｄｏｐｌａｓｍｉｃＲｅｔｉｃｕｌｕｍＳｔｒｅｓｓ，ＥＲＳ）在ＩＢＤ

［４－５］体而言，我们使用了包含８７个ＩＢＤ样本和２１个对照样本的

发生发展中的作用逐渐受到关注。内质网应激是指细胞

ＧＳＥ８７４６６数据集作为训练队列。ＧＳＥ５９０７１数据集包含１０５

在受到各种应激因素（如感染、缺氧、氧化应激等）时，内质网

个ＩＢＤ样本和１１个对照样本，用作验证队列。内质网应激相

内蛋白质折叠和加工过程受到干扰，导致未折叠或错误折叠

［６－７］关基因从ＧｅｎｅＣａｒｄｓ数据库（ｈｔｔｐｓ：／／ｗｗｗ．ｇｅｎｅｃａｒｄｓ．ｏｒｇ／）获

蛋白在内质网内积累，从而激活一系列细胞应激反应。