【原】非肿瘤+WGCNA+预测模型也能发7+！

、

导语

今天给同学们分享一篇非肿瘤WGCNA确定关键基因并构建预测模型的生信文章“Integrated Analysis of Weighted Gene Coexpression Network Analysis Identifying Six Genes as Novel Biomarkers for Alzheimer's Disease”，这篇文章于2022年7月26日发表在Oxid Med Cell Longev期刊上，影响因子为7.31。阿尔茨海默病(AD)是一种慢性进行性神经退行性疾病；然而，没有全面的治疗干预措施。因此，研究旨在确定新的分子靶点，以改善AD患者的诊断和治疗。使用WGCNA和LASSO模型，作者的研究结果提供了对生物标志物EIF3H、RAD51C、FAM162A、BLVRA、ATP6V1H和BRAF的作用的更好理解，并为进一步研究AD进展提供了基础。

图1 确定阿尔茨海默病关键模块和关键基因的工作流程

1. 富集分析

GSEA是使用来自AD和对照组的数据进行的，结果如图2所示。此外，作者发现AD组在ECM受体相互作用和NOTCH信号通路方面表现过多（图2(d)）。

图2 GSEA分析

2. 差异基因的识别

为了识别显着影响AD的基因，作者首先从GEO数据库中获得了在AD患者和对照组之间差异表达的基因。发现其中2349个基因下调，2325个基因上调。使用火山图说明相关的DEG（图3(a)）。图3(b)显示了代表前40个基因的热图。

图3 差异分析

3. WGCNA和关键模块和中心基因的识别
在剔除异常样本和筛选基因后，提取GEO数据集中161个样本的4665个基因的表达谱，利用R软件中的“WGCNA”包构建加权基因共表达网络。与无标度网络相关的关键参数是软阈值功率值。当软阈值确定为5时，尺度独立性达到0.9（图4（a）），邻接矩阵获得相对较高的平均连通性值（图4（b））。当将差异小于10%且最小模块小于30的模块合并为更大的模块时，通过动态树切割完全识别出九个不同的共表达模块（图4(c)）。此外，还进行了临床特征的模块和表型之间的相关性分析。如图4(d)所示，blue模块显示出与AD的最高正相关性（r=0.64，P=3e-20），并被选中用于进一步分析。此外，brown模块与AD的负相关性最高（r=−0.52，P=1e−12）。此后，基于blue模块中存在的基因建立了蛋白质互质作用网络，其权重值大于0.2（图4（e））。此外，作者对每个模块中的每个节点执行了MM和GS之间的相关性分析。其中，blue模块的相关值为0.86（P<1e−200）。当blue模块中的基因满足GS>0.6和MM>0.8的标准时，这些基因是定义为关键基因并用于进一步分析。总共有16个基因（ATP5C1、PSMD1、ATP5B、EIF3H、EMC4、PSMB7、RAD51C、FAM162A、RAP1GDS1、BRAF、NME1、AP3M2、RRAGA、BLVRA、PSMD4和ATP6V1H）符合所有这些标准。

图4 WGCNA分析结果

4. 关键模块的GO和KEGG通路分析

为了更好地解释这些基因在blue模块中的潜在生物学作用，作者使用R软件中的“clusterProfiler”包对它们进行了GO和KEGG富集分析。此外，根据KEGG分析，blue模块中的基因在“神经变性途径-多种疾病”、“阿尔茨海默病”、“氧化磷酸化”、“蛋白酶体”和其他途径。可视化结果如图6所示。此外，作者利用Cytoscape根据KEGG信号通路和相应的富集基因建立了基因通路网络，如图7所示。该网络清楚地展示了多个信号通路与基因之间的相互作用和串扰。

图5 GO分析

图6 KEGG分析

图7 基因通路的相互作用网络

5.LASSO模型的建立和ROC曲线的评估

提取所选关键基因的表达谱并用于建立LASSO模型（图8（a））。然后，基于进一步对16个基因进行LASSO回归分析，并鉴定出6个基因（EIF3H，RAD51C，FAM162A，BLVRA，ATP6V1H和BRAF）。此外，作者通过创建使用AUC值指定的ROC曲线来评估LASSO模型的准确性。如图8(b)所示，基于六基因的模型的AUC值为0.940，表明这些基因可以作为AD的潜在生物标志物进行进一步测试。

图8 AD预测模型的建立及其验证

总结

综上所述，使用WGCNA和综合分析，研究提供了对生物标志物EIF3H、RAD51C、FAM162A、BLVRA、ATP6V1H和BRAF的作用的更好理解，并为进一步研究AD进展提供了生物学基础。对非肿瘤感兴趣的老师，欢迎扫码咨询！

生信分析定制服务

请扫描下方二维码