整合生物信息学分析筛选与线粒体自噬相关核心基因，并构建阿尔茨海默病的诊断模型

阿尔茨海默病（AD）线粒体自噬相关基因筛选及诊断模型构建：基于GEO数据库数据，通过GeneCards和R语言筛选出9个DEGs，功能富集显示与线粒体功能及核苷酸代谢相关，免疫浸润分析发现YWHAG、VPS35与M1巨噬细胞负相关，RTN4与辅助T细胞正相关。采用logistic回归建立AD诊断模型，AUC验证其高效诊断性能，为个性化治疗提供新靶点。

　　

摘要

本研究旨在识别与阿尔茨海默病（AD）相关的线粒体自噬基因，阐明其发病机制，并探索潜在的治疗靶点。阿尔茨海默病相关的基因表达数据来源于Gene Expression Omnibus数据库。根据GeneCards数据库，筛选出相关性得分大于1的线粒体自噬相关基因。利用R语言对这些基因进行了差异表达分析，随后进行了功能富集和免疫细胞浸润分析。基于STRING数据库构建了蛋白质-蛋白质相互作用网络，并通过Cytoscape软件识别了关键基因。基于这些关键基因，开发了一个阿尔茨海默病的诊断模型。最终确定了9个与阿尔茨海默病相关的关键基因。基因本体论（Gene Ontology）富集分析表明，差异表达基因主要参与线粒体功能和核苷酸代谢。免疫细胞浸润分析显示，YWHAG和VPS35的表达与M1型巨噬细胞的丰度呈负相关，而RTN4的表达与滤泡辅助T细胞的丰度呈正相关。通过逻辑回归分析，基于这三个关键基因构建了一个阿尔茨海默病的诊断模型。该模型通过独立的外部样本进行了验证，曲线下面积（AUC）显示其具有稳健且出色的诊断性能。本研究确定的9个关键基因为理解线粒体自噬如何影响阿尔茨海默病提供了新的见解和潜在的治疗靶点。所建立的诊断模型为阿尔茨海默病的个性化诊断和治疗提供了理论基础。

利益冲突

作者声明没有利益冲突。

数据可用性声明

本研究中分析的基因表达数据集可在Gene Expression Omnibus（GEO）数据库中公开获取，访问编号分别为GSE132903、GSE63061和GSE5281。本研究中生成的差异表达基因列表见表S1。

同行评审

本文的同行评审历史信息可访问：https://www.webofscience.com/api/gateway/wos/peer-review/10.1111/jnc.70387。