In dieser Studie wurden die GSE58331- und GSE105149-Datensätze integriert und eine Chargenanpassung durchgeführt. Die PCA bestätigte die erfolgreiche Einteilung der Patienten in risikospezifische Kohorten (Abb. 2a,b). Von den 314 DEGs wurden einige signifikant unterschieden. Einige Gene sammeln sich in der Behandlungsgruppe und einige in der Kontrollgruppe. Zu den Behandlungs-DEGs gehören unter anderem PPP1R1A, CAB39L, MTURN, MAOA2, NGFRAP1, CDR1 usw. (Abb. 2c). Einige dieser DEGs waren signifikant hochreguliert (TCIRG1, IGHM, CXCL9, PROM1, PIGR, HLA-DQA1 usw.). Einige Gene waren jedoch signifikant herunterreguliert (HLF, ADH1B, MGST1, LARP6, PGM1, C2orf40, TGFBR3 usw.) (Abb. 2d).
In diesem Forschungsprojekt wurden verschiedenartige Gen-Datensätze mit unterschiedlichen Algorithmen erworben und durch die Anwendung von Lasso-Regression 61 Gene identifiziert. Der SVM-RFE-Algorithmus ergab 22 Gene. Durch den Vergleich der Ergebnisse dieser beiden Methoden konnte 15 zentrale Hub-Gene ermittelt werden. Durch die Anwendung von Lasso, Cox-Regression und die Bestimmung eines optimalen Werts wurde eine Gen-Signatur sorgfältig etabliert, basierend auf robusten statistischen Methoden, um die Zuverlässigkeit und Vorhersagekraft unserer Ergebnisse zu gewährleisten. Der SVM-RFE wurde verwendet, um das maschinelle Lernmodell zu validieren und die Genauigkeit und Zuverlässigkeit des Modells zu überprüfen. Einige wichtige Gene wurden durch die Random-Forest-Analyse identifiziert, darunter SRPX, ITM2A, PGM1, HLF usw. (Abb. 3).
Die Ergebnisse der 15 Hub-Gene wurden visualisiert und durch die Analyse der ROC-Kurve bestätigt, die zeigte, dass die Genauigkeit dieser Gene hoch ist. Durch Validierung anhand von GSE58331 wurden signifikante Unterschiede in den DEGs festgestellt. Diese Ergebnisse bestätigten die hohe Zuverlässigkeit und Genauigkeit unseres Modells. Die Differentialanalyse des Einzelgenziels HLF ergab 218 DEGs, die in verschiedene Gruppen eingeteilt waren. Die GO- und KEGG-Analysen der HLFGO-DEGs ergaben basalere Targets, die an verschiedenen biologischen Prozessen, Molekularfunktionen und zellulären Komponenten beteiligt sind.
Die Immunlandschaft spielt eine wichtige Rolle bei der Entwicklung von NSOI, und die Analyse zeigte deutliche Unterschiede in der Immunzellinfiltration zwischen den Risikoprofilen. Die GWAS-Analyse identifizierte 80 miRNAs und 84 lncRNAs, die mit NSOI in Verbindung stehen. Ein Netzwerk aus miRNAs-LncRNAs-Genen wurde konstruiert, das die gemeinsamen Gene durch Lasso-Regression und SVM-RFE umfasste. Das Netzwerk zeigte 73 lncRNAs und 27 miRNAs, die mit NSOI assoziiert sind.
Insgesamt liefert diese Studie wichtige Einblicke in die Identifizierung von DEGs, die Konstruktion von Gen-Signaturen, die Visualisierung und Validierung von Hub-Genen sowie die Untersuchung von immunologischen und Gen-Netzwerken im Zusammenhang mit NSOI.