基于生物信息學探討骨關節炎相關分子機制及免疫細胞浸潤分析

劉暢，卞華，許博

（1.河南省中醫院（河南中醫藥大學第二附屬醫院）風濕病科，鄭州 450002；2.南陽理工學院張仲景國醫國藥學院，河南省張仲景方藥與免疫調節重點實驗室，河南 南陽 473004）

骨關節炎（osteoarthritis，OA）可影響任何滑膜關節，其中髖部、膝部、手部、足部和脊柱是最常受累的部位［1］。目前對影響OA發病的危險因素尚不清楚，多數研究［2］認為可能與年齡、性別、肥胖、遺傳、飲食，以及關節損傷、錯位和異常負荷有關。本研究基于基因表達圖譜數據庫芯片數據，通過與正常人群數據進行對比，探討OA發病的分子機制。

1 材料與方法

1.1 數據收集

以“osteoarthritis”為關鍵詞，在基因表達綜合（gene expression omnibus，GEO）數據庫（https：//www.ncbi.nlm.nih.gov/geo/）中檢索，選取編號為GSE51588和GSE98918的2組芯片，共包含52例OA和22例正常對照組實驗數據。再根據GEO數據庫中獲得的探針注釋文件，將每個數據集中的探針更改為基因符號，將這2個數據集合并到1個元數據隊列中進行集成分析。當同一基因符號對應多個探針時，將探針的平均值作為該基因的表達值。然后選取包含12例OA和12例正常對照組樣本的GSE117999芯片作為驗證隊列。

1.2 差異表達基因（differentially expressed gene，DEG）分析

使用R軟件中的“limma”包對元數據隊列進行差異分析，采用“FDR”處理方法并設置過濾條件為logFCfilter>1，校正P<0.05，進行篩選得到DEG。然后使用R軟件中“clusterProfiler”包以P（Pvalue filter）<0.05為過濾條件對DEG進行基因本體（Gene Ontology，GO）和疾病本體（Disease Ontology，DO）富集分析。

1.3 特征生物標志物篩選

使用最小絕對收縮和選擇算子（least absolute shrinkage and selection operator，LASSO）與支持向量機（support vector machine，SVM）2種機器學習算法預測特征生物標志物。首先利用R軟件中的“glmnet”包，對DEG使用LASSO回歸算法進行交叉驗證并篩選特征基因。通過R軟件中的“e1071”“kernlab”“caret”包采用支持向量機-遞歸特征消除（support vector machine-recursive feature elimination，SVM-RFE）方法，識別DEG中具有最高分辨能力的基因集。