admin 管理员组

文章数量: 1086019

今天给各位老铁们分享一篇于2024年03月05号发表在 Alexandria Engineering Journal [6.8] 的文章:"TFCP2L1 as a potential diagnostic gene biomarker of Keloid given its association with immune cells-a study based on machine learning and RNA sequence,鉴于 TFCP2L1 与免疫细胞的关联,TFCP2L1 作为瘢痕疙瘩潜在的诊断基因生物标志物。

DOI:10.1016/j.aej.2024.02.043

摘要

背景瘢痕疙瘩代表一种特定类型的皮肤肿瘤,延迟治疗极大地增加了复发的风险。本研究旨在识别早期瘢痕疙瘩诊断的关键基因,并比较瘢痕疙瘩皮肤(KLS)与瘢痕疙瘩邻近非病变皮肤(KNL)之间的免疫细胞浸润差异。

方法与结果:利用两个 GEO 数据集,包括 KLS(n=8)和 KNL(n=6)样本,鉴定出 564 个差异表达基因(DEGs)。这些基因显著富集于炎症和纤维化相关途径。进一步,通过 LASSO 和 SVM-RFE 算法的交集,作者发现基因 TFCP2L1 在 KLS 与 KNL 比较时表现下调。为了辅助预后和识别潜在的免疫治疗靶点,作者还使用 CIBERSORT 算法评估了免疫细胞的相对比例。在KNL样本中,滤泡型辅助T细胞、激活的 NK 细胞和激活的树突细胞比例增加。相反,M1 型巨噬细胞在 KLS 样本中增加。另外,TFCP2L1与激活的 NK 细胞和激活的树突细胞呈正相关,而与 M1 型巨噬细胞呈负相关。最后,作者在 6 个自测 RNA-seq 数据上进行了验证。

结论:本研究突出了 TFCP2L1 和免疫细胞浸润的交互作用,并表明其可作为瘢痕疙瘩的潜在诊断生物标志物。

▲ 工作流程示意图

| 主要结果

▲ 图1:使用合并数据集(GSE92566和GSE158395)挖掘 KLS 和 KNL 中的差异表达基因(DEGs)。(A) DEG热图可视化,颜色突出显示了组织样本中基因表达的变化。(B) 由 logFC 变化和P调整值形成的火山图可视化。表达增加的基因以红点符号表示,非显著的以黑色表示,表达减少的基因以绿色表示。(C)  DEGs 蛋白相互作用。(D) 使用度算法展示交互网络中的前50个主要基因。

▲ 图2:来自合并数据集的 KLS 和 KNL 的 DEGs 的功能分析。(A) 以散点格式显示 DEGs 在 GO 术语富集中的前30名。(B) DEGs 在 KEGG 通路富集分析中的前30名的可视化。(C) 以 p 值颜色分级显示DEGs在DO富集中的前30名。(D) 特定于 KNL 样本的GSEA分析结果。(E) 特定于 KLS 样本的GSEA结果。

▲ 图3:机器学习筛选诊断基因(A) 通过LASSO回归方法检测到 12 个潜在标记基因。(B) 使用SVM-RFE方法揭示40个标记。(C) 韦恩图突出显示了LASSO和SVM-RFE 都发现的重叠诊断标记。(D) 合并数据集 TFCP2L1基因的表达差异。(E) GSE44270 验证集比较瘢痕疙瘩和邻近健康组织的成纤维细胞中 TFCP2L1 的表达差异。(F) 合并数据集 TFCP2L1 ROC诊断曲线,展现出1的曲线下面积。(G) 验证集中 TFCP2L1 诊断潜力的 ROC 评估。以上分析当P < 0.05时标记为显著,下同。

▲ 图4:合并数据集的免疫浸润分析。(A) KLS 和 KNL 样本中免疫细胞比例的分布。(B) KLS 和 KNL 样本中各种免疫细胞比例的差异热图。(C)  KLS和 KNL 中免疫细胞相关性矩阵。(D) 以小提琴图表示合并数据集中 KLS 和 KNL 两组的免疫细胞存在的差异

▲ 图5:合并数据集中 TFCP2L 表达与免疫细胞浸润的相关性。(A-E) TFCP2L 与各类免疫细胞浸润的相关性散点图。(F) 以棒棒糖图表示 TFCP2L1 表达与免疫细胞浸润的关系。

▲ 图6:自测 RNA 数据的分析。(A) 可视化 TFCP2L1 相关的转录因子及其互作。(B-F)A 图中所示分子在自测数据中的表达差异。(G)TFCP2L1 在自测数据的 ROC诊断曲线。

▲ 图7:自测 RNA 数据 KLS 和 KNL 的 DEG 功能富集分析。

▲ 图7:自测 RNA 数据的免疫浸润分析。

一共才 20 个样本不到

RNA-seq 现在上机成本一个样300

价格是真打下来了

不过这篇文章主要还是胜在投稿

够偏

你敢试试水吗

本文标签: 选刊 这篇文章 肿瘤 机器 TOP