3.6+铁死亡+WGCNA+机器学习

今天给同学们分享一篇3.6+铁死亡+WGCNA+机器学习的生信文章“Identification of ferroptosis related biomarkers and immune infiltration in Parkinson's disease by integrated bioinformatic analysis”，这篇文章于2023年3月14日发表在BMC Med Genomics期刊上，影响因子为3.622。

越来越多的证据表明，铁死亡参与了帕金森病（PD）的进展。本研究旨在探讨铁死亡相关基因（FRGs）、免疫浸润和免疫检查点基因（ICGs）在帕金森病发病和发展过程中的作用。

图1 流程图

1. 识别关键的 WGCNA 模块和 DEGs

聚类分析后，没有样本被剔除。基于 GSE18838 数据集构建了 WGCNA 网络，以确定与 PD 相关的有意义的基因模块。选择软阈值功率为 12，无标度拓扑拟合指数 R^2 达到 0.84，平均连接度为 18.10，表明无标度网络已经建立（图 2A，B）。通过动态树切割法确定共表达基因模块，合并相似模块后，根据 MEDissThres = 0.25 进一步筛选出关键模块（图 2C，D）。然后作者分析了关键模块与临床表型之间的关系，并显示了关键模块中所有基因的热图（图 2E，F）。在分析的10个模块中，黄绿色模块与帕金森病的临床特征显著相关，被选为关键模块（cor = 0.49, p = 0.008, 图2E）。按照 q.weighted < 0.05 的标准，作者选择了 884 个基因进行后续研究。此外，作者还观察到 PD 与黄绿色模块之间的高度相关性（cor = 0.492），而黄绿色模块中的模块成员（MM）与基因重要性（GS）之间的相关性为 0.28（cor = 0.28，p = 2.3e-07，图 2G）。

图2 WGCNA 网络和模块检测

此外，通过 PCA 和不同表达分析，作者得到了 399 个 PD 和 HC 样本之间的 DEGs（图 3A，B）。通过 Venn 图（图 3C），作者筛选出了 15 个与铁突变相关的 WGCNA 基因和 179 个 WGCNA-DEGs。