今天小编分享一篇2021年7月发表在Front Immunol的文章（IF :8.786），题目为“Identification of Immune-Associated Genes in Diagnosing Aortic Valve Calcification With Metabolic Syndrome by Integrated Bioinformatics Analysis and Machine Learning”。
背景和方法
背景：免疫系统失调在主动脉瓣钙化 (AVC) 和代谢综合征 (MS) 发病机制中起关键作用。该研究旨在确定 AVC MS 患者的关键诊断候选基因。
方法：
1、 我们从基因表达综合（GEO）数据库中获得了三个 AVC 和一个 MS 数据集。
2、 通过Limma 和加权基因共表达网络分析 (WGCNA)、功能富集分析、蛋白质-蛋白质相互作用 (PPI) 网络构建和机器学习算法（最小绝对收缩和选择算子）用于识别候选免疫相关hub基因，用于诊断 AVC 与 MS。
3、 为了评估诊断价值，开发了列线图和受试者工作特征（ROC）曲线。
最后，创建免疫细胞浸润以研究 AVC 中的免疫细胞失调。
结果：
1、差异表达基因的鉴定
从AVC 数据集中识别的 DEG 的热图和火山图（图1）。(A)每行显示 DEG，每列指 AVC 病例或对照样本之一。(B)红色和绿色图三角形分别代表基因表达上调和下调的 DEG。
图1
2、加权基因共表达网络分析与关键模块识别
在 MS 中通过Limma鉴定 DEG ，通过WGCNA 鉴定模块基因（图2）。(A)热图显示从 MS 数据集中识别的前 50 个上调和下调的 DEG。(B)火山图显示所有 DEG，其中红色和绿色三角形表示重要的 DEG。(C, D)选择β=18作为软阈值，结合尺度独立性和平均连通性分析。(E) MS 和对照样品的聚类树状图。（F）不同颜色表示的基因共表达模块。(G)基因邻接的热图。(H)模块与 MS 之间关联的热图。(I) 绿色模块基因与 MS 最显着相关。
图2
3、代谢综合征的功能富集分析
MS中基因交叉的富集分析（图3）。(A)维恩图显示，通过DEG和WGCNA的绿色模块基因的交叉点识别出 36 个基因。(B)基因交叉的 KEGG 通路分析。(C-E)GO分析基因的交叉点，分别包括生物过程、细胞成分和分子功能。
图3
4、通过机器学习识别候选 Hub 基因
机器学习在筛选候选诊断生物标志物（图4）。(A, B)lasso模型中的生物标志物筛选。(C, D) RF算法根据每个基因重要性的计算对基因进行排序。(E)维恩图显示通过上述两种算法识别出五个候选诊断基因。
图4
5、 诊断价值评估
列线图构建和诊断价值评估（图5）。(A) 列线图是基于五个候选hub基因构建的。（B-G）每个候选基因（BEX2、SPRY2、CXCL16、ITGAL和MORF4L2）的 ROC 曲线显示所有候选基因对AVC合并MS均具有较高的诊断价值。
图5
6、 免疫细胞浸润分析
AVC 和对照之间的免疫细胞浸润分析（图6）。(A)从条形图中可视化的不同样本中 22 种免疫细胞的比例。(B) vioplot 显示的 AVC 和对照组之间 22 种免疫细胞比例的比较。(C) 22 种免疫细胞类型组成的相关性。
图6
结论
我们的研究系统地发现了五个免疫相关的候选hub基因（ITGAL、CXCL16、MORF4L2、SPRY2和BEX2），并通过各种生物信息学分析和机器学习算法为诊断 AVC 与 MS 提供了列线图。
图5
