7+衰老+WGCNA+机器学习+实验，非肿瘤领域的衰老相关研究

今天给同学们分享一篇生信文章“Identification of aging-related biomarkers and immune infiltration characteristics in osteoarthritis based on bioinformatics analysis and machine learning”，这篇文章发表在Front Immunol期刊上，影响因子为7.3。

结果解读：

数据处理

作者整合了三个滑膜数据集，包括GSE55235、GSE55457和GSE12021，共计29个正常滑膜样本和30个OA滑膜样本。作者对每个样本在消除批次效应前后的基因表达水平和主成分分析（PCA）进行了分析。

ARDEGs的鉴定和PPI分析

作者使用R包limma和筛选标准|logFC|>0.5和FDR<0.05，鉴定出了87个与衰老相关的差异表达基因（ARDEGs），其中32个基因在OA中上调，55个基因在OA中下调。附录材料的表S2中包含了差异表达的衰老相关基因的详细列表。热图和火山图被用来描述差异（图2A、B）。PPI蛋白质网络相互作用分析显示ARDEGs在蛋白质水平上密切相互作用（图2C）。

ARDEGs的功能富集分析

为了更好地理解OA中ARDEGs的潜在机制，作者使用R包clusterProfiler对ARDEGs进行了GO、KEGG和DO富集分析。GO富集分析显示，前五个ARDEG富集主要涉及对细胞外刺激的响应、神经元死亡、腺体发育、对营养水平的响应以及神经元死亡的调节。细胞组分（CC）和分子功能（MF）中的前5个富集项如图3A所示。此外，KEGG通路分析显示这些ARDEGs富集在HIF-1信号通路、FoxO信号通路、Kaposi肉瘤相关疱疹病毒感染、PI3K-Akt信号通路和MAPK信号通路中，并且这些通路之间存在密切的相互作用（图3B、C）。DO富集分析显示了与OA中ARDEG