| 摘 要： | 目的通过生物信息学与机器学习识别肌少症患者的特征基因, 并探索特征基因在肌少症中的诊断价值。方法从高通量测序数据库下载与肌少症相关的编号为GSE25941、GSE38718与GSE9103的基因芯片数据, 筛选肌少症相关的差异表达基因(differentially expressed genes, DEGs)。使用基因本体论功能注释与京都基因与基因组百科全书富集分析对DEGs进行相关功能分析, 用STRING数据库和Cytoscape软件构建蛋白互作网络, 利用最小绝对值收敛和选择算子回归模型与随机森林分析识别肌少症的生物标志物, 并通过受试者工作特征曲线评估特征基因的诊断效能。在GSE28422外部验证数据集中进一步验证肌少症生物标志物的表达水平。最后运用分析工具CIBERSORT进行免疫细胞浸润分析。结果本研究共识别出124个DEGs, DEGs主要参与生长因子受体结合和细胞因子活性。京都基因与基因组百科全书分析发现, DEGs主要参与的信号通路有过氧化物酶体增殖物激活受体信号通路、脂肪细胞因子信号通路、Janus激酶/信号转导和转录活化因子和腺苷酸活化蛋白激酶信号通路等。基于机器...
|
