基于机器学习的分子特征识别：在小鼠模型中通过单细胞转录组学技术分析PTOA细胞亚型

《Stem Cell Reviews and Reports》：Machine Learning-Based Identification of Molecular Signatures in PTOA Cell Subtypes via Single-Cell Transcriptomics in a Mouse Model

创伤性骨关节炎（PTOA）生物标志物研究通过整合单细胞RNA测序、hdWGCNA和机器学习筛选出Tgfbi和Mpp7，qRT-PCR验证其表达变化并关联免疫细胞浸润，为早期诊断提供新思路。

　　

摘要

目的

骨关节炎（OA）是最常见的关节疾病，而创伤后骨关节炎（PTOA）是一种继发于急性关节损伤的关节炎类型。

方法

这是一项结合生物信息学和实验验证的研究。我们首先分析了小鼠前交叉韧带断裂后膝关节的单细胞RNA测序数据（GSE200843），以绘制粒细胞亚群的特征。通过高维加权基因共表达网络分析（hdWGCNA）来识别与PTOA相关的基因模块。然后应用三种机器学习算法（LASSO、SVM-RFE和随机森林）筛选枢纽基因，并在外部数据集（GSE26475、GSE112641）中进行验证，同时在小鼠模型中通过qRT-PCR进行进一步验证（每组n=6只小鼠）。

结果

我们发现了五种不同的粒细胞亚群，其中一种（OA粒细胞）在PTOA组织中显著增加。通过将hdWGCNA生成的基因模块与差异表达基因进行交叉分析，并结合机器学习方法，确定了Tgfbi和Mpp7为枢纽基因。这些生物标志物可以开发成用于评估急性关节损伤后PTOA风险患者的诊断试剂。qRT-PCR结果显示，在PTOA小鼠模型的滑膜组织中，Tgfbi的表达显著上调（p=0.0014），而Mpp7的表达显著下调（p<0.0002）。免疫浸润分析表明这些枢纽基因与幼稚B细胞和M1巨噬细胞之间存在显著相关性。

结论

本研究确定Tgfbi和Mpp7为PTOA的潜在诊断生物标志物。研究结果表明，评估这些基因的表达有助于早期诊断和风险分层，从而可能在关节损伤不可逆之前及时进行干预。这些生物标志物可以开发成用于评估急性关节损伤后PTOA风险患者的诊断试剂。