5+非肿瘤分析，分型+WGCNA+机器学习筛选相关基因

本文链接：https://blog.csdn.net/2301_79430545/article/details/133809630

本研究通过生物信息学分析揭示了糖尿病肾病（DKD）的关键诊断标志物，鉴定出两个亚型并识别出相关基因。利用WGCNA分析，发现MEblue模块与疾病相关，最终确定TNC、PXDN、TIMP1和TPM1为潜在诊断标志物，有望为DKD的早期诊断提供新策略。

摘要由CSDN通过智能技术生成

今天给同学们分享一篇非肿瘤+分型+机器学习+WGCNA+实验的生信文章“Identification of diagnostic markers related to oxidative stress and inflammatory response in diabetic kidney disease by machine learning algorithms: Evidence from human transcriptomic data and mouse experiments”，这篇文章于2023年3月7日发表在Front Endocrinol (Lausanne)期刊上，影响因子为5.2。

糖尿病肾病（DKD）是糖尿病的长期并发症，引起肾脏微血管病变。它也是终末期肾脏疾病（ESRD）的主要原因之一，其病理生理过程复杂。及时预防和治疗对延缓DKD的发展具有重要意义。本研究旨在利用生物信息学分析找到可能成为DKD治疗靶点的关键诊断标志物。

1. 数据处理

 作者从GEO数据库下载了七个数据集，共计214个样本，并使用“sva” R软件包的“ComBat”函数去除来自不同来源的数据的批次效应。PCA图表显示了在去除批次效应之前和之后的数据分布（分别为图1A、B），结果表明批次效应已经得到有效纠正。在合并数据后，可以准确区分DKD和正常样本（图1C）。使用“limma” R软件包进行差异分析， 作者鉴定出共计772个差异表达基因（其中381个上调，391个下调），如火山图所示（图1D）。接下来， 作者对差异基因进行ORA富集分析。从圆形网络图中可以看出，这些基因富集在“炎症反应”、“上皮间质转化”、“凋亡”和“TNFA信号通路通过NFKB”等途径中（图1E）。TreeMap显示，上调基因主要参与免疫激活、T细胞激活和细胞黏附等生物过程，而下调基因主要富集在与代谢调节相关的生物功能中（图1F）。这些发现通过Kyoto Encyclopedia of Genes and Genomes (KEGG)通路富集分析得到了相应的验证（图1G）。