影响因子：6.147
本文从投稿到接收仅一个多月
关于非肿瘤生信，我们也解读过很多，主要有以下类型
1 单个疾病WGCNA+PPI分析筛选hub基因。
2 单个疾病结合免疫浸润，热点基因集，机器学习，分子分型等。
3 两种相关疾病联合分析，包括非肿瘤结合非肿瘤，非肿瘤结合肿瘤或者非肿瘤结合泛癌分析
目前非肿瘤生信发文的门槛较低，有需要的朋友欢迎交流！
研究概述：
脑卒中是世界上死亡和残疾的主要原因之一，缺血性中风占80%以上。缺血性中风的负担正在迅速增加。缺血性脑卒中（IS）可以是多种环境因素和遗传危险因素相互作用的多因素疾病。免疫原性细胞死亡（ICD）是一种调节性细胞死亡（RCD），足以激活免疫活性宿主的适应性免疫反应。在本研究中，作者系统地评估了信息系统中的ICD相关基因。作者探讨了ICD相关基因在IS和正常对照组中的表达谱，还使用ICD差异表达基因对IS样本进行了一致聚类、免疫浸润分析和功能富集分析。此外，还利用机器学习算法筛选了9个可用于预测疾病发生的风险标记基因，并建立了相应的模型，并且探讨了9种危险基因的免疫浸润相关性、基因-miRNA和基因-TF调控网络。本研究为IS的个体化治疗和免疫调节治疗方案的发展奠定了基础。
研究结果：
一、ICD相关基因的表达景观
大多数ICD基因在IS中高表达，其中包括CASP 1、CASP 8、ENTPD 1、IFNA 1、IFNGR 1、IL 10、IL17RA、IL1R1、LY 96、MYD88、PIK3CA和TLR 4，而CD4、CXCR 3、FOXP 3、HSP90AA1、NT5E和PRF 1在IS样本中的表达水平较低(图1A、B)。同时对34个ICD基因的染色体位置进行了观察(图1C)。然后，对这些差异表达的ICD基因进行相关分析，以探讨它们之间的相互作用(图1D，E)。
二、基于ICD相关DEG的ICD簇识别
基于18个ICD相关的DEGS，将IS样本分成两个簇(C1和C2)。将k的值设为1-9，发现当k=2时(图2A-D)，cf曲线的一致性指数波动最小，一致性评分相对较大。主成分分析(PCA)结果表明，18个DEGS可以完全区分这两个聚类(图2E)。
三、不同ICD簇群免疫微环境及生物学功能特征的鉴定
1.分析了不同ICD群集之间18个DEGs的差异，发现CASP8、ENTPD1、IFNGR1、IL17RA、IL1R1和TLR4在群集2中上调，而CXCR3和NT53在群集1中上调（图3A、B）。
2.簇2的CD8+T细胞滤泡辅助T细胞，活化记忆CD4+T细胞，嗜酸性粒细胞，γδT细胞和相对较高水平的M0巨噬细胞和中性粒细胞水平相对较低(图3C，D)。又进行了基于GO和KEGG基因集的GSVA。Go结果显示，在第2簇中，AMP代谢过程和GMP代谢过程被上调，而蛋白乙酰化和CXC趋化因子结合的正调控在第2簇中被下调(图3E)。KEGG结果显示，DNA复制和原发性免疫缺陷在第2组中被上调，而Wnt信号通路、泛酸和COA生物合成在第2组中被下调(图3F)。
四、基于ICD基因簇DEGs的基因簇识别
为了进一步验证ICD聚类，筛选了聚类1和聚类2之间的DEG，总共发现108个DEG（图4A）. 观察到，当k=2时，获得了最佳分组，共识得分有一个极大值（图4B-E）。此外，PCA显示，108个DEGs可以完全区分这两个集群（图4F）。
五、不同基因簇免疫微环境及生物学功能特性的鉴定
作者研究了34个ICD相关基因在A群和B群之间的不同表达谱(图5A，B)。浸润免疫细胞的结果表明，不同遗传类群之间存在更多的差异免疫细胞。B群以低水平的幼稚CD4+T细胞、滤泡辅助T细胞、活化记忆性CD4+T细胞、γδT细胞、巨噬细胞、嗜酸性粒细胞、静止肥大细胞和高水平的单核细胞、M0巨噬细胞和中性粒细胞为特征(图5C、D)。在不同的基因簇之间进行了GSVA分析，发现参与线粒体蛋白处理、细胞质翻译、原发性免疫缺陷和细胞周期的途径在B簇中被上调，而参与免疫反应的途径，如髓系激活和白细胞脱颗粒，则在B组中被上调(图5E，F)。
六、LASSO模型和SVM模型的构建与验证
1.建立了LASSO和SVM模型，结果表明，13个基因与IS的发生有关(图6A，B)。同时找出最佳变量，识别出13个ICD可变基因(图6C)。KEGG结果显示这些基因在坏死、Th17细胞分化、IL-17信号通路、NF-kappa B信号通路和其他途径中富集(图6E)。这些基因主要参与细胞因子产生的正调控、炎症反应的调节、白细胞介素-1β产生的正调控、肿瘤坏死因子受体超家族结合和凋亡信号通路(图6F)。
2.所有参与统计的基因在训练集(GSE 58294)中都具有较高的预测值，尤其是CASP 1和ENTPD 1(图7A)，同时在另一个数据集中进行了验证得到了类似的结果(图7B)。
七、列线图模型的构建
作者构建了基于9个诊断基因的列线图（图8A）。校准曲线的结果表明，诺模图模型的预测能力是准确的（图8B）临床影响曲线也显示列线图模型的显著预测能力（图8C）。此外，决策曲线分析（DCA）曲线从0到1的红线始终高于灰色和黑色线，表明基于列线图模型的决策可能有利于儿童哮喘患者（图8D）。
八、免疫浸润相关分析与调控网络构建
1.作者发现，这些基因的表达与多种免疫细胞浸润程度有关，提示这些关键诊断基因可能参与了IS发病机制中的免疫调节(图9A，B)。此外，构建了基因-miRNA和基因-tf调控网络：我们在图10中显示了前三个基因的网络。结果表明，有许多miRNAs和tfs参与了这些诊断基因的调控。
2.构建基因miRNA和基因-TF调控网络：在图10中展示了前三个基因的网络。
研究总结：
本研究中，首次全面分析了ICD相关基因在IS中的作用，展示了基于ICD相关基因的共识聚类分析和机器学习分析，以及它们在IS免疫浸润和诊断中的作用。本研究可为进一步阐明IS的发病机制提供有价值的参考，并为IS的药物筛选、个性化治疗和免疫治疗提供指导。
