影响因子：9.186
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，机器学习算法等。
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
4 基于分型的非肿瘤生信分析
5 单细胞结合普通转录组生信分析
目前非肿瘤生信发文的门槛较低，欢迎大家！
研究概述：
本研究首先使用R语言在三个基因表达数据集中找到DEGs并进行基因集富集分析。随后，使用WGCNA选择的关键模块基因，利用3种机器学习算法鉴定出402个枢纽基因。接着使用ROC曲线和列线图以验证候选枢纽基因（CD177、CYSTM1和MMP8）的识别性和有效性。此外，通过CIBERSORT，使用细胞类型鉴定评估小儿败血症的炎症和免疫状态，进一步研究了诊断标志物与浸润免疫细胞之间的关系。
研究流程图
研究结果：
一、小儿败血症DEGs的筛查与GSEA
1. 两组患者共有556个DEGs，包括381个上调基因和175个下调基因。
2. 对小儿败血症患者和健康对照进行了GSEA研究生物信号通路，小儿败血症患者的凝血、补体、IL6-JAK-STAT3信号传导、炎症反应和NF-κB介导的TNFα信号显著富集。
二、DEGs的功能富集分析
1. DO分析结果显示，这些DEGs与肺部疾病、动脉硬化、肝炎、动脉粥样硬化、动脉硬化性心血管疾病、细菌性传染病、原发性细菌性传染病、阻塞性肺病、结核病和支气管疾病有关（补充图2b）。
2. GO富集分析表明，DEGs具有免疫应答调节信号通路、免疫应答活化、细胞因子产生正向调节、白细胞介导免疫、T细胞活化和髓系白细胞活化（补充图2c）。
3. KEGG分析与造血细胞谱系、金黄色葡萄球菌感染、Th1和Th2细胞分化以及Th17细胞分化有关（补充图2d）。
三、儿科败血症共表达基因模块的鉴定
1. 在儿科脓毒症数据集中使用WGCNA来定位由许多基因共表达的基因模块。首先，将来自两个数据集的样本分为两组，即小儿败血症组和正常组（补充图3a）。然后，基于0.8的尺度独立性，选择13作为软阈值功率β，以确保无标度网络的生物学意义（补充图3b，c）。
2. 通过分层聚类分析和基因树状图的动态分支切割方法，将基因分为12个模块（补充图.3d，e）。浅青色、蓝色和浅绿色模块与儿科败血症显著相关，并选择其进一步分析（补充图3f）。
四、诊断标志物的筛查和验证
1. 通过维恩图比较DEGs和关键模块基因的重叠区域，识别出402个重叠的基因区域（图2a）。
2. 使用三种机器学习算法来识别特征基因：SVM-RFE（图2b）; 随机森林(图2c, d); LASSO回归分析(图2e, f)。
3. 这三种算法将CYSTM1，MMP8和CD177鉴定为重叠基因（图3a）。
使用rms软件包开发基于三个标志基因诊断儿科败血症的列线图模型（图3b）。
4. 根据决策曲线分析（DCA）的结果，列线图模型具有更好的临床效益（图3c）。AUC分别为0.988、0.973和0.986表明生物标志物具有较高的预测价值准确性（图3d）。
5. 在GSE13904验证集中，小儿脓毒症组CYSTM1、MMP8和CD177的表达明显高于对照组（图3e）。AUC分别为0.968、0.964和0.957的ROC曲线表明它们在GSE13904验证集中可能是有价值的生物标志物（图3f）。
五、免疫细胞浸润结果
1. 采用CIBERSORT算法评估免疫细胞浸润状态，与正常样本相比，小儿脓毒症样本中单核细胞、M0、M1、M2巨噬细胞、静息肥大细胞、活化肥大细胞、嗜酸性粒细胞和中性粒细胞的比例普遍较高；
2. 幼稚B细胞、CD8+T细胞、静息CD4+记忆T细胞、活化CD4+记忆T细胞、Trges、静息NK细胞、活化NK细胞和静息树突状细胞的比例相对较低（补充图4）。
3. 根据相关性分析的结果，CYSTM1，MMP8和CD177与多种免疫细胞具有显著程度的联系（补充图5）。
研究总结：
本文不仅整合了儿科败血症的多个高通量测序数据进行分析，更重要的是首次使用机器学习来筛选特征基因（CD177、CYSTM1和MMP8）。此外，还研究了诊断标志物与免疫细胞之间的关系，构建列线图用于儿科脓毒症诊断。
网友评论