| 摘 要： | 目的：通过机器学习方式从免疫、干细胞、成骨3个层面寻找主动脉瓣膜钙化潜在的诊断标志物。方法：利用R语言将高通量基因表达数据库（Gene Expression Omnibus,GEO）中GSE51472、GSE12644和GSE55492 3个数据集的数据进行均一化后合并分析，得到差异表达基因。从Amigo数据库下载免疫、干细胞、成骨相关基因集分别与差异基因取交集，得到钙化瓣膜组织中异常表达的免疫、干细胞、成骨相关基因。利用机器学习方法对差异基因进行深度学习，寻找潜在的诊断生物标志物。进行基因富集（gene set enrichment analysis,GSEA）分析。临床标本结合细胞学实验验证诊断标志物的应用价值。结果：3个数据集合并分析得到102个差异基因，与免疫相关的有51个，与干细胞相关的有1个，与成骨相关的有2个。GSEA分析显示无论是免疫相关基因还是干细胞、成骨相关基因均涉及免疫调控通路。多种机器学习合并分析结果显示白介素受体7(interleukin 7 receptor,IL7R)最具有诊断钙化性主动脉瓣病的价值，但临床标本并不支持生物信息分析结果。细胞实验显示IL7R...
|
