7.4分非肿瘤生信，大家最喜欢的模式，机器学习+pcr验证基因表达！

影响因子：7.4

研究概述：骨关节炎（OA）是中老年人最常见的关节疾病，随着年龄增长，患病风险显著增加。OA是一种复杂的多因素疾病，影响整个关节，常见部位包括膝盖、髋关节、手以及脊柱，多关节通常受累。研究表明，60岁以上的女性和大多数75岁以上的人有OA影像学证据。OA病因复杂多样，包括生化、环境、遗传以及全身因素 (如肥胖、女性、饮食、酒精和吸烟等等)。目前OA治疗效果有限，对社会和医疗系统是一个较大的负担。虽然已经有文章报道炎症信号（如TGFβ和WNT信号）和细胞外基质重塑是主要的OA激活机制，但尚未明确哪些基因参与OA的进展（功能失调和退行性表型），以及如何使用现有药物调节去这些关键分子。因此，本篇文章作者采用生信分析方法，从三个不同OA队列的荟萃分析中提取共同的OA关键基因，并对相关药物进行优先级排序，以检测针对这些关键基因或相关基因的药物，最后在体外验证这些关键基因在OA患者中的表达。作者还提出了一种基于筛选出来关键基因的风险评分，以从RNA-Seq数据中预测OA的临床分期。具体研究流程如下：

关于非肿瘤生信，我们也解读过很多，主要有以下类型
1 单个疾病WGCNA+PPI分析筛选hub基因
2 单个疾病结合免疫浸润，热点基因集，机器学习算法等
3 两种相关疾病联合分析，包括非肿瘤结合非肿瘤，非肿瘤结合肿瘤或者非肿瘤结合泛癌分析
4 基于分型的非肿瘤生信分析
5 单细胞结合普通转录组生信分析

目前非肿瘤生信发文的门槛较低，有需要的朋友欢迎交流

研究结果：

识别OA中的差异表达基因（DEGs）

作者首先对四个OA转录组数据集进行差异分析，得到对应的DEGs（Dataset 1：156 上调基因&79下调基因, Dataset 2：190 上调基因& 28 下调基因, Dataset 3：272上调基因& 170 下调基因, Validation dataset：315上调基因&320下调基因）（如下图）。

富集分析

虽然这些OA数据集的差异基因有所不同，但随后的富集分析发现各自的DEGs所富集到的通路都存在类似的情况：例如，GO中的“细胞外基质组织”和“细胞外结构组织”被发现在三个OA数据集谱中显著富集；而与胶原纤维合成和重组相关的途径也显著富集（如下图）。

合并OA数据集进行差异分析

为了更好地汇总了与OA相关的共同DEGs特征，作者对三个队列的进行了荟萃分析，从而得到一个共同的OA特征，其中包括了44个DEGs (39个上调，5个下调)。对该44个基因富集分析显示，细胞外基质和骨重组相关通路基因是被富集最多的通路（如下图）。

这44个DEGs里面与验证集Dataset 4的DEGs一共有31个交集基因（下图A），并且这些差异基因在Dataset 4/验证集中显示出了OA和正常组织的差异（热图；图B）。

OA相关药物靶点与DEGs的交集分析

作者利用The Library of Integrated Network-based Cellular Signatures (LINCS) 数据库分析OA相关药物的靶点基因（target genes），然后与OA数据集得到DEGs及其相关基因（consensus genes）取交集，发现有5个基因 (PPARA, SIRT1, PTGS1/2, ANO1) 是几种药物 (Resveratrol, Tenoxicam, Benzbromarone, Pirinixic Acid, Mesalazine) 的直接靶点，并与对应的DEGs (TSPAN2, TNFSF11, GAS1, KCNN4, CRABP2, THY1, TGFBI, S100A4 HTRA1) 直接相互作用。

随后作者利用体外qPCR验证了该DEGs在OA与正常组织中的mRNA表达水平，结果提示这些DEGs在OA中都显著的表达上调。

建立基础患者的OA风险评分

作者用逻辑回归模型与弹性网络惩罚模型开发的风险评分系统，来预测和区分骨关节炎OA患者和正常个体的评分。最终共纳入了以下8个基因DNER, TNFSF11, THBS3, LOXL3, TSPAN2, DYSF, ASPN, HTRA1进入模型构建风险评分sR score（图A; 系数代表了每个基因在预测OA风险中的重要性）。在训练集和测试集中，正常样本和OA样本的风险评分（sR score）展示了两组样本在风险评分上的显著差异 (图B-C)。

并且，作者将OA病人依据风险评分（sR score）进行排序，结果发现DEGs在训练集和验证集都可以得到很好的区分（图A-B）。

最后，作者利用ROC计算了由8个DEGs构成的sR score和一开始全部44个DEGs构建的风险评分sT score，发现他们都有着很好的预测效能（sR score：0.875；sT score：0.922）。

研究总结：

这篇文章探讨了骨关节炎（OA）的病理机制，特别是通过整合多个转录数据集、药物诱导的表达谱和已知的药物靶点交互来鉴定治疗靶点/识别与OA相关的生物标记物。简单来说，作者利用三个OA队列的荟萃分析，首先确定了一个由44个基因（39个上调和5个下调）组成的集合，这对于理解OA机制和提出新颖疗法可能至关重要。因此，从这44个基因出发，一方面作者识别了治疗OA药物的潜在靶点；另一方面，作者提取了一个由8个基因组成的signature，并定义了一个具有显著预测能力的患者特异性风险评分sR Score，其中还利用qPCR体外实验去验证这些基因在OA的表达水平。