利用加权基因共表达网络分析和机器学习筛选神经损伤的生物标志物

背景：神经损伤触发复杂的分子反应，涉及免疫激活和神经元损伤，然而关键调控基因及其机制仍知之甚少。在此，我们整合了多转录组数据集和机器学习，以识别和验证神经损伤的新型生物标志物，并阐明其功能作用。方法：神经损伤和假手术样本的RNA-seq数据和单细胞转录组数据来源于基因表达综合（GEO）数据库。使用加权基因共表达网络分析（WGCNA）、差异表达分析和三种机器学习算法来识别与神经损伤相关的hub基因。在独立数据集中验证了这些hub基因的表达模式和诊断价值。使用CIBERSORT算法分析了这些基因与免疫细胞浸润的相关性。最后，利用单细胞RNA测序（scRNA-seq）数据研究了hub基因在神经细胞中的细胞特异性表达模式。结果：通过WGCNA和三种机器学习方法鉴定了七个神经损伤相关基因，其中Atf3、Bin2、Fcgr2b和Ucn在验证队列中表现出稳健的诊断性能（AUC > 0.7）。功能富集表明这些基因参与神经炎症、神经元命运决定和JAK-STAT/NF-κB信号通路。免疫浸润分析将其表达与M2巨噬细胞极化和CD4+ T细胞耗竭相关联，而scRNA-seq突出了细胞特异性模式：Atf3和Ucn在神经元中富集，而Fcgr2b和Bin2在巨噬细胞/NK细胞中占主导。此外，Fcgr2b促进了PC12细胞中神经突的生长。结论：我们的研究揭示了Atf3、Bin2、Fcgr2b和Ucn是关键的神经损伤生物标志物，在神经免疫串扰中具有双重作用，为神经修复的治疗靶向提供了新的见解。此外，Fcgr2b可能参与神经损伤后的神经突生长。