基于机器学习建立以免疫相关基因为基础的主动脉夹层诊断和免疫调节评估的列线图模型

主动脉夹层（AD）的临床表现复杂多样，早期诊断对患者的生存至关重要。本研究旨在识别免疫相关标志物，建立用于AD诊断的列线图模型。来自GEO的三个数据集——GSE52093、GSE147026和GSE153434——被合并，并通过加权基因共表达网络分析用于识别免疫相关致病基因，获得了136个免疫相关基因。然后，通过蛋白质-蛋白质相互作用网络筛选出15个关键基因。通过机器学习，包括最小绝对收缩和选择算子算法、随机森林算法和多变量逻辑回归，获得了四个关键特征基因——CXCL1、ITGA5、PTX3和TIMP1——基于这四个基因的诊断评分被证明能有效区分AD患者和健康供体。外部数据集（GSE98770和GSE190635）验证显示，该列线图具有较强的预测意义。进一步分析显示，这些基因与AD中的中性粒细胞、静息NK细胞、静息肥大细胞、活化肥大细胞、活化树突状细胞、中央记忆CD4 T细胞、γδ T细胞、自然杀伤T细胞和髓系来源抑制细胞相关。最后，这四个基因在AD患者的组织和血清样本中与对照组相比被验证上调。这些结果表明，这个使用机器学习识别的四个免疫相关基因CXCL1、ITGA5、PTX3和TIMP1的列线图模型在区分AD和健康个体方面显示出优越的诊断能力，并且与这些枢纽基因相关的免疫细胞可能是AD的治疗靶点。