生物信息学联合机器学习探究主动脉瓣膜钙化潜在的诊断标志物

张汝益; 杨芳; 管尤涛; 严树涓

doi:10.13406/j.cnki.cyxb.003399

您当前的位置：

首页 >

文章列表页 >

生物信息学联合机器学习探究主动脉瓣膜钙化潜在的诊断标志物

人工智能技术应用于医学数据分析 | 更新时间：2025-10-22

- 生物信息学联合机器学习探究主动脉瓣膜钙化潜在的诊断标志物
- Potential diagnostic markers for aortic valve calcification：A study based on bioinformatics and machine learning
- 重庆医科大学学报 2023年48卷第12期页码：1493-1500
- 作者机构：
  
  1.贵州中医药大学第一附属医院优生研究中心,贵阳 550001
  2.昆明市延安医院病理科,昆明 650051
  3.广州市妇女儿童医疗中心产前诊断中心,广州 510620
- 作者简介：
  
  张汝益，Email：zcosta@aliyun.com，研究方向：分子诊断。
  严树涓，Email：shujyan@aliyun.com。
- 基金信息：
  
  贵州省科技厅科技计划资助项目（编号：黔科合基础〔2020〕1Y424、黔科合基础-ZK〔2021〕一般396）
- DOI：10.13406/j.cnki.cyxb.003399
  中图分类号： R542.5
- 收稿：2023-10-22，
  
  修回：2023-11-13，
  
  录用：2023-12-01，
  
  纸质出版：2023-12-28
- 稿件说明：
移动端阅览
张汝益,杨芳,管尤涛,等.生物信息学联合机器学习探究主动脉瓣膜钙化潜在的诊断标志物[J].重庆医科大学学报,2023,48(12):1493-1500.

Zhang Ruyi,Yang Fang,Guan Youtao,et al.Potential diagnostic markers for aortic valve calcification：A study based on bioinformatics and machine learning[J].Journal of Chongqing Medical University,2023,48(12):1493-1500.
张汝益,杨芳,管尤涛,等.生物信息学联合机器学习探究主动脉瓣膜钙化潜在的诊断标志物[J].重庆医科大学学报,2023,48(12):1493-1500. DOI： 10.13406/j.cnki.cyxb.003399.

Zhang Ruyi,Yang Fang,Guan Youtao,et al.Potential diagnostic markers for aortic valve calcification：A study based on bioinformatics and machine learning[J].Journal of Chongqing Medical University,2023,48(12):1493-1500. DOI： 10.13406/j.cnki.cyxb.003399.

摘要

目的

通过机器学习方式从免疫、干细胞、成骨3个层面寻找主动脉瓣膜钙化潜在的诊断标志物。

方法

利用R语言将高通量基因表达数据库（Gene Expression Omnibus，GEO）中GSE51472、GSE12644和GSE55492 3个数据集的数据进行均一化后合并分析，得到差异表达基因。从Amigo数据库下载免疫、干细胞、成骨相关基因集分别与差异基因取交集，得到钙化瓣膜组织中异常表达的免疫、干细胞、成骨相关基因。利用机器学习方法对差异基因进行深度学习，寻找潜在的诊断生物标志物。进行基因富集（gene set enrichment analysis，GSEA）分析。临床标本结合细胞学实验验证诊断标志物的应用价值。

结果

3个数据集合并分析得到102个差异基因，与免疫相关的有51个，与干细胞相关的有1个，与成骨相关的有2个。GSEA分析显示无论是免疫相关基因还是干细胞、成骨相关基因均涉及免疫调控通路。多种机器学习合并分析结果显示白介素受体7（interleukin 7 receptor，IL7R）最具有诊断钙化性主动脉瓣病的价值，但临床标本并不支持生物信息分析结果。细胞实验显示IL7R可以促进瓣膜间质细胞增殖、成骨钙化。

结论

IL7R可能不是外周血诊断钙化性主动脉瓣疾病（calcific aortic valve disease，CAVD）的标志物，但是它在CAVD疾病演变过程中可能有重要作用，因此进一步探究IL7R在CAVD中的作用很有必要。

Abstract

Objective

To identify potential diagnostic markers for aortic valve calcification using machine learning algorithms from the three aspects of immune response，stem cell activity，and osteogenesis.

Methods

R language was used for the homogenization，integration，and analysis of the data from GSE51472，GSE12644，and GSE55492 datasets in the GEO database to obtain differentially expressed genes. The gene sets associated with immune，stem cell，and osteogenesis were obtained from the Amigo database，which were intersected with the differentially expressed genes，respectively，to obtain the abnormally expressed genes associated with immune，stem cell，and osteogenesis in calcified valve tissue. Machine learning techniques were used to identify potential diagnostic biomarkers among the differentially expressed genes. In addition，Gene Set Enrichment Analysis（GSEA） was performed，and the diagnostic markers were validated using clinical specimens and cytology tests.

Results

A total of 102 differentially expressed genes were identified through the integration and analysis of the three datasets，among which there were 51 genes associated with immune response，1 gene associated with stem cells，and 2 genes associated with osteogenesis. The GSEA analysis showed that the genes associated with immune response，stem cells，and osteogenesis were all involved in immune regulatory pathways. The analysis based on multiple machine learning techniques showed that interleukin 7 receptor（IL7R） had the highest value in the diagnosis of calcific aortic valve disease （CAVD），but the results of bioinformatics analysis were not supported by clinical specimens. Cell experiments showed that IL7R could promote the proliferation of valvular interstitial cells and induce osteogenic calcification.

Conclusion

IL7R may not be a peripheral blood marker for diagnosing CAVD，but it may play an important role in the progression of CAVD，and therefore，it is necessary to further investigate the role of IL7R in CAVD.

关键词

Keywords

references

Moncla LH M ， Briend M ， Bossé Y ， et al . Calcific aortic valve disease：mechanisms，prevention and treatment [J ] . Nat Rev Cardiol ， 2023 ， 20 （ 8 ）： 546 - 559 .

Vogl BJ ， Niemi NR ， Griffiths LG ， et al . Impact of calcific aortic valve disease on valve mechanics [J ] . Biomech Model Mechanobiol ， 2022 ， 21 （ 1 ）： 55 - 77 .

Di Vito A ， Donato A ， Presta I ， et al . Extracellular matrix in calcific aortic valve disease：architecture，dynamic and perspectives [J ] . Int J Mol Sci ， 2021 ， 22 （ 2 ）： 913 .

Kraler S ， Garg V ， Akhmedov A . Calcific aortic valve disease：novel insights into nitric oxide signalling [J ] . Eur Heart J ， 2022 ， 43 （ 17 ）： 1665 - 1667 .

Tanase DM ， Valasciuc E ， Gosav EM ， et al . Contribution of oxidative stress （OS） in calcific aortic valve disease （CAVD）：from pathophysiology to therapeutic targets [J ] . Cells ， 2022 ， 11 （ 17 ）： 2663 .

Small A ， Kiss D ， Giri J ， et al . Biomarkers of calcific aortic valve disease [J ] . Arterioscler Thromb Vasc Biol ， 2017 ， 37 （ 4 ）： 623 - 632 .

Vítek L ， Jirásková A ， Malíková I ， et al . Serum bilirubin and markers of oxidative stress and inflammation in a healthy population and in patients with various forms of atherosclerosis [J ] . Antioxidants ， 2022 ， 11 （ 11 ）： 2118 .

Fletcher AJ ， Dweck MR . Detecting native and bioprosthetic aortic valve disease using 18F-sodium fluoride：clinical implications [J ] . J Nucl Cardiol ， 2021 ， 28 （ 2 ）： 481 - 491 .

Wang YJ ， Han D ， Zhou TW ， et al . DUSP26 induces aortic valve calcification by antagonizing MDM2-mediated ubiquitination of DPP4 in human valvular interstitial cells [J ] . Eur Heart J ， 2021 ， 42 （ 30 ）： 2935 - 2951 .

Lee SH ， Kim N ， Kim M ， et al . Single-cell transcriptomics reveal cellular diversity of aortic valve and the immunomodulation by PPARγ during hyperlipidemia [J ] . Nat Commun ， 2022 ， 13 （ 1 ）： 5461 .

Blaser MC ， Kraler S ， Lüscher TF ， et al . Multi-omics approaches to define calcific aortic valve disease pathogenesis [J ] . Circ Res ， 2021 ， 128 （ 9 ）： 1371 - 1397 .

Xiong T ， Chen Y ， Han S ， et al . Development and analysis of a comprehensive diagnostic model for aortic valve calcification using machine learning methods and artificial neural networks [J ] . Front Cardiovasc Med ， 2022 ， 9 ： 913776 .

Dutta P ， Lincoln J . Calcific aortic valve disease：a developmental biology perspective [J ] . Curr Cardiol Rep ， 2018 ， 20 （ 4 ）： 21 .

Greener JG ， Kandathil SM ， Moffat L ， et al . A guide to machine learning for biologists [J ] . Nat Rev Mol Cell Biol ， 2022 ， 23 （ 1 ）： 40 - 55 .

Anam K ， Davis TA . Comparative analysis of gene transcripts for cell signaling receptors in bone marrow-derived hematopoietic stem/progenitor cell and mesenchymal stromal cell populations [J ] . Stem Cell Res Ther ， 2013 ， 4 （ 5 ）： 112 .

Raddatz MA ， Madhur MS ， Merryman WD . Adaptive immune cells in calcific aortic valve disease [J ] . Am J Physiol Heart Circ Physiol ， 2019 ， 317 （ 1 ）： H141 - H155 .

Yan L ， Mathew L ， Chellan B ， et al . S100/Calgranulin-mediated inflammation accelerates left ventricular hypertrophy and aortic valve sclerosis in chronic kidney disease in a receptor for advanced glycation end products-dependent manner [J ] . Arterioscler Thromb Vasc Biol ， 2014 ， 34 （ 7 ）： 1399 - 1411 .

Lan LX ， Evan T ， Li HF ， et al . GREM1 is required to maintain cellular heterogeneity in pancreatic cancer [J ] . Nature ， 2022 ， 607 （ 7917 ）： 163 - 168 .

Sirin DY ， Karaarslan N . Evaluation of the effects of pregabalin on chondrocyte proliferation and CHAD，HIF-1 α，and COL2A1 gene expression [J ] . Arch Med Sci ， 2018 ， 14 （ 6 ）： 1340 - 1347 .

Kanezaki R ， Toki T ， Terui K ， et al . Mechanism of KIT gene regulation by GATA1 lacking the N-terminal domain in Down syndrome-related myeloid disorders [J ] . Sci Rep ， 2022 ， 12 （ 1 ）： 20587 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于生物信息学分析探索种植体周围炎的免疫特征基因及其对免疫细胞的调控机制

免疫检查点抑制剂相关性肺炎的风险因素和预后

血液非靶向代谢组学在研究脊髓损伤后膀胱功能改变的可行性分析

基于可解释机器学习的肝硬化患者早期并发食管静脉曲张风险预测研究

基于SVM机器学习筛选多发性骨髓瘤的特征基因及免疫浸润分析