【纯生信思路】无返修43天接受！“巨噬细胞+多组学＋机器学习”纯生信拿下中科院2区！不信你不心动？

原创于 2025-05-30 14:35:14 发布 · 891 阅读

14 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习 #信息可视化 #r语言 #数据分析 #数据可视化 #转录组分析 #生物信息学

生信文献分享专栏收录该内容

11 篇文章

订阅专栏

◆◆◆ 文献解读 ◆◆◆

特别提示：今天这期内容对不追求高分的老师们来说非常友好！！“思路简单 + 容易复现”，绝对是大家首选的性价比之王！主角是我们非常熟悉的“巨噬细胞 + 多组学 + 机器学习”，纯生信斩获5分+，快来看看吧！

1. 文章介绍

在这里插入图片描述

标题： 通过生物信息学和机器学习方法鉴定弥漫性大b细胞淋巴瘤相关的M2巨噬细胞相关基因

期刊： Biology Direct

影响因子： 5.7

研究思路： 巨噬细胞 + 多组学 + 机器学习

优势： 纯生信无需实验

发表年份： 2025年5月

2. 研究背景

弥漫性大B细胞淋巴瘤（DLBCL）是最常见的成人淋巴瘤，30-40%患者对R-CHOP疗法耐药或复发。肿瘤微环境（TME）中M2型巨噬细胞通过免疫抑制促进肿瘤进展，但其在DLBCL中的关键基因及机制尚未明确。

本研究结合生物信息学与机器学习筛选M2巨噬细胞相关基因，为DLBCL诊断和预后提供新靶点。

3. 研究思路

在这里插入图片描述

1. 数据获取与预处理：

从GEO下载4个数据集（GSE9327等），合并278样本（158对照/120 DLBCL）
校正批次效应，筛选差异表达基因（DEGs）

2. 免疫微环境分析：

CIBERSORT量化22种免疫细胞浸润，比较DLBCL与对照组的差异

3. M2巨噬细胞相关基因筛选：

WGCNA构建共表达网络，鉴定与M2巨噬细胞显著相关的模块（turquoise模块）
交叉DEGs与模块基因，获得60个候选基因

4. 机器学习筛选标志物：

LASSO、SVM-RFE、随机森林三种算法交叉验证，筛选关键诊断基因

5. 模型构建与验证：

基于7个基因构建逻辑回归模型和列线图，评估诊断效能
生存分析验证基因的预后价值

6. 功能与机制探索：

GSEA/GSVA分析M2巨噬细胞高/低浸润组的通路富集

4. 研究结果

1. Identification of DEGs in DLBCL (DLBCL中DEGs的鉴定)

方法与数据：
- 合并4个GEO数据集（GSE9327等），共278样本（158对照/120 DLBCL）
- 经sva包校正批次效应，limma包筛选DEGs（adj.p.Val < 0.05, |logFC| > 0.585）
图表支持：
- Figure 1A： PCA分析显示批次校正前样本按平台聚类
- Figure 1B： 校正后混杂因素消除
- Figure 1C： 火山图显示77个DEGs（42个上调如IL18、FAS；35个下调如SMAD3、CD5）
- Figure 1D： 热图展示差异基因表达模式
结论： DLBCL存在核心转录组失调，促炎因子IL18/FAS显著上调，免疫调节基因SMAD3/CD5下调，为后续研究奠定基础。

在这里插入图片描述

2. Immune Infiltration Analysis (免疫浸润分析)

方法与数据：
- CIBERSORT算法量化22种免疫细胞浸润比例
图表支持：
- Figure 2B： 箱线图显示DLBCL组M2巨噬细胞、记忆B细胞显著升高，静息NK细胞、CD8+T细胞显著降低
- Figure 2C： 热图展示免疫细胞互作关系（单核细胞与γδ T细胞正相关cor=0.55）
结论： DLBCL微环境呈"免疫荒漠化"特征，M2巨噬细胞驱动免疫抑制。

在这里插入图片描述

3. Identification of 60 Potential Genes Associated with M2 Macrophage Infiltration (60个与M2巨噬细胞浸润相关基因的鉴定)

方法与数据：
- WGCNA构建共表达网络（软阈值β=8，R²=0.9）
图表支持：
- Figure 3C： 模块-性状关系图显示turquoise模块与M2巨噬细胞正相关（cor=0.38, p<0.001）
- Figure 4A： 韦恩图展示60个M2相关候选基因
- Figure 4B-C： GO/KEGG富集分析显示细胞黏附、T细胞激活、p53通路显著富集
- Figure 4D-E： PPI网络鉴定10个枢纽基因（如SMAD3、IL7R）
结论： M2巨噬细胞通过调控T细胞功能与p53通路驱动DLBCL。

在这里插入图片描述

4. Seven Differentially Expressed Genes Identified as Diagnostic Genes (7个差异表达基因被鉴定为诊断基因)

方法与数据：
- 三种机器学习算法（LASSO、SVM-RFE、随机森林）交叉筛选标志物
图表支持：
- Figure 5A-F： 三种算法筛选过程（LASSO系数路径、SVM-RFE误差率、随机森林重要性）
- Figure 6A： 韦恩图锁定7个诊断基因（SMAD3、IL7R、IL18、FAS、CD5、CCR7、CSF1R）
- Figure 6B： 染色体定位图显示IL7R/CSF1R（chr5）、IL18/CD5（chr11）基因簇
- Figure 6C： 箱线图展示7个基因在DLBCL与对照组的表达差异
结论： 7基因标志物构成DLBCL分子指纹，chr5/chr11基因簇协同失衡是诊断核心依据。

在这里插入图片描述

5. Diagnostic Model Construction (诊断模型构建)

方法与数据：
- 基于7个基因构建逻辑回归模型及列线图
图表支持：
- Figure 7A： ROC曲线显示联合模型AUC=0.921（95%CI:0.885-0.951）
- Figure 7B： 单基因ROC曲线（FAS AUC=0.813，CSF1R AUC=0.728）
- Figure 7D： 校准曲线显示模型预测风险与实际风险高度一致
结论： 7基因模型实现高精度诊断（AUC>0.92），列线图可临床转化用于风险评估。

在这里插入图片描述

6. Survival and Prognostic Analysis (生存和预后分析)

方法与数据：
- 基于GSE181063数据集进行生存分析（KM曲线、Cox回归）
图表支持：
- Figure 8A-E： KM曲线显示CD5、FAS、IL7R、IL18、SMAD3低表达组预后差（p<0.01）
- Figure 8F-J： Cox回归显示CD5（HR=0.820）、IL18（HR=0.781）等是独立预后因子
结论： CD5/IL18等基因是强力生存预测指标，低表达患者死亡风险增加17-22%。

在这里插入图片描述

7. M2 Macrophage Infiltration and Pathway Analysis (M2巨噬细胞浸润及通路分析)

方法与数据：
- GSEA-KEGG与GSVA分析M2高/低浸润组通路差异
图表支持：
- Figure 9A： GSEA显示M2高浸润组富集DNA修复、氧化磷酸化通路
- Figure 9B： GSEA显示M2低浸润组富集钙信号、Notch通路
- Figure 9C： GSVA热图显示M2高浸润组PPAR信号、嘧啶代谢通路激活
结论： M2巨噬细胞通过代谢重编程和DNA修复维持DLBCL恶性表型。

在这里插入图片描述

5. 总结

核心发现：
- 鉴定7个M2巨噬细胞相关基因（SMAD3等）作为DLBCL诊断和预后标志物
- M2巨噬细胞通过调控细胞黏附、免疫激活及代谢通路促进DLBCL进展
临床意义：
- 提供新型诊断模型（AUC>0.92）和预后评估工具
- 为靶向M2巨噬细胞的免疫治疗提供潜在靶点（如IL18、FAS）