陕西
题目
Comprehensive integration of diagnostic biomarker analysis and immune cell infiltration features in sepsis via machine learning and bioinformatics techniques
研究思路梳理
本研究采用“多数据集整合- 差异基因与模块筛选 - 机器学习筛选核心基因 - 免疫浸润分析 - 中药成分靶点映射 - 实验验证”的系统策略，构建了从生物信息学预测到实验验证的完整研究闭环。
主要结果
1、脓毒症差异表达基因与功能富集分析
整合GSE69063与GSE236713数据集，经批次校正后共识别出1443个差异表达基因，其中891个上调，552个下调。GO与KEGG分析显示，这些基因显著富集于T细胞分化、免疫受体活性、T细胞受体信号通路、Th1/Th2细胞分化等免疫相关过程，提示T细胞功能障碍在脓毒症发病中的核心地位。
2、WGCNA共表达模块识别与核心基因筛选
WGCNA分析识别出12个基因共表达模块，其中黑色、绿黄和粉色模块与脓毒症显著相关。进一步将262个共有基因输入三种机器学习算法，最终筛选出12个共有核心基因，包括CD3E、CD40LG、LILRA5、FCER2等。
3、诊断模型构建与验证
基于12个核心基因构建的Nomogram模型在训练集与多个外部验证集（GSE65682、GSE137340、GSE28750）中均表现出优良的诊断性能（AUC > 0.7），其中CD40LG在多个数据集中表现出稳定的高区分度。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
