基于生物信息学分析筛选重性抑郁障碍关键基因及构建诊断模型

作者：刘丹; 张敏; 和申; 彭代辉; 肖泽萍

来源：中国神经精神疾病杂志, 2023, 49(08): 468-474.

• 重性抑郁障碍
• 生物信息学
• 生物标志物
• 高通量测序
• 诊断
• 外周血
• 受试者工作特征曲线

目的 通过整合分析外周血转录组数据探究重性抑郁障碍（major depressive disorder,MDD）关键基因并创建诊断模型。方法 检索基因表达汇编（Gene Expression Omnibus,GEO）公共数据库得到5个MDD外周血相关数据集。使用R limma包及稳健排序聚合（robust rank aggregation,RRA）算法筛选出差异表达基因。以包含最大样本量的GSE98793为训练集，使用Boruta算法进行关键基因筛选，使用logistic回归分析关键基因表达水平与抑郁症的关系。使用Bootstrap法进行内部验证，将剩余4个数据集作为外部验证集，使用受试者工作特征（receiver operating characteristic, ROC）曲线评估诊断模型的诊断性能。结果 分析共得到31个差异表达基因，其中上调基因20个，下调基因11个，从中筛选出7个基因为关键基因，分别为MMP8、TDRD9、FAM3B、LCN2、ARG1、NPTN和FANCF。将7个基因纳入多因素logistic回归分析构建诊断模型，绘制ROC曲线，曲线下面积（area under curve,AUC）为0.803(95%CI:0.740～0.867)，说明该模型在训练集具有较好的预测能力。Bootstrap重抽样法内部验证结果显示AUC为0.804 (95%CI:0.757～0.851)，模型的校准曲线显示一致性良好。同时，在4个外部验证数据集中，该模型也表现出较好的诊断性能，AUC值分别为0.781(GSE76826)、0.901(GSE38206)、0.722(GSE39653)、0.725(GSE52790)。结论 本文通过对现有MDD外周血转录组数据进行整合分析，筛选出7个MDD关键基因并构建出具有较好诊断能力的诊断模型，为基于生物标志物的MDD诊断提供了依据。

• 单位
  上海交通大学