机器学习识别LRRC15和MICB为类风湿关节炎的免疫诊断标志物

doi:10.12307/2025.361

中国组织工程研究 ›› 2025, Vol. 29 ›› Issue (11): 2411-2420.doi: 10.12307/2025.361

• 组织构建相关数据分析 Date analysis of organization construction • 上一篇

机器学习识别LRRC15和MICB为类风湿关节炎的免疫诊断标志物

田彦虎1，黄心岸1，郭桐桐1，如斯坦木·阿合坦木1，罗江淼1，肖遥1，王超2，王维山2

1石河子大学医学院，新疆维吾尔自治区石河子市 832008；2石河子大学第一附属医院骨科，新疆维吾尔自治区石河子市 832008

收稿日期:2024-03-22 接受日期:2024-05-22 出版日期:2025-04-18 发布日期:2024-08-13
通讯作者: 王维山，主任医师，教授，硕士生导师，石河子大学第一附属医院骨科，新疆维吾尔自治区石河子市 832008
作者简介:田彦虎，男，1998年生，甘肃省定西市人，汉族，石河子大学在读硕士，主要从事骨科疾病的研究。
基金资助:
国家自然科学基金项目(82160423)，项目负责人：王维山

Machine learning identification of LRRC15 and MICB as immunodiagnostic markers for rheumatoid arthritis

Tian Yanhu1, Huang Xinan1, Guo Tongtong1, Rusitanmu·Ahetanmu1, Luo Jiangmiao1, Xiao Yao1, Wang Chao2, Wang Weishan2

1Medical College, Shihezi University, Shihezi 832008, Xinjiang Uygur Autonomous Region, China; 2Department of Orthopedics, the First Affiliated Hospital of Shihezi University Medical College, Shihezi 832008, Xinjiang Uygur Autonomous Region, China

Received:2024-03-22 Accepted:2024-05-22 Online:2025-04-18 Published:2024-08-13
Contact: Wang Weishan, Chief physician, Professor, Master’s supervisor, Department of Orthopedics, the First Affiliated Hospital of Shihezi University, Shihezi 832008, Xinjiang Uygur Autonomous Region, China
About author:Tian Yanhu, Master candidate, Shihezi University, Shihezi 832008, Xinjiang Uygur Autonomous Region, China
Supported by:
National Natural Science Foundation of China, No. 82160423 (to WWS)

摘要/Abstract

摘要：

文题释义：
类风湿关节炎：是一种常见的慢性自身免疫性结缔组织疾病，主要表现为关节周围疼痛、僵硬和肿胀，关节的畸形和破坏。
机器学习：是一个多领域交叉学科，它利用计算机算法从数据或既往经验中进行学习，并通过分析大量数据来发现规律并优化算法以提升性能，最终做出决策。

背景：类风湿关节炎是一种慢性的自身免疫性疾病，早期诊断对于预防疾病进展和治疗至关重要。因此探究类风湿关节炎的诊断特征和免疫细胞浸润具有重要意义。
目的：基于Gene Expression Omnibus(GEO)数据库，通过机器学习算法，筛选类风湿关节炎潜在重要的诊断标记物，并探讨类风湿关节炎的诊断特征与免疫细胞浸润的关系。
方法：从GEO数据库获取类风湿关节炎相关的滑膜组织的基因表达数据集，采用批量效应去除法对数据集进行合并，采用R软件进行差异表达基因的鉴定和功能相关性分析，通过生物信息学分析和3种机器学习算法进行疾病特征基因的提取，筛选出类风湿关节炎相关的关键基因。此外，对所有差异表达基因进行免疫细胞浸润分析，分析类风湿关节炎的炎症状态，并对其诊断特征与浸润性免疫细胞的关系进行研究。
结果与结论：①在类风湿关节炎和正常滑膜组织中，获得了179个差异表达基因，其中124个基因表达上调，55个基因表达下调；②富集分析显示类风湿关节炎和免疫反应之间存在良好的相关性；③通过3种机器学习算法分析发现，LRRC15和MICB可能是类风湿关节炎潜在的标记物；④LRRC15(曲线下面积=0.964，95%CI：0.924-0.992)和MICB(曲线下面积=0.961，95%CI：0.923-0.990)在验证数据集上有着较强的诊断能力；⑤13种免疫细胞浸润发生改变，以巨噬细胞为主；⑥在类风湿关节炎中，免疫细胞功能的多数促炎途径被激活；⑦免疫相关性分析发现LRRC15和MICB与M1型巨噬细胞的相关性最强；⑧结果发现LRRC15和MICB被确定为类风湿关节炎潜在的诊断标记物，具有较强的诊断性能并且与免疫细胞浸润具有显著的相关性；通过机器学习及生物信息学分析加深了对类风湿关节炎免疫浸润的理解，为类风湿关节炎的诊断和治疗提供新的思路。
https://orcid.org/0009-0007-5371-4292(田彦虎)

中国组织工程研究杂志出版内容重点：组织构建；骨细胞；软骨细胞；细胞培养；成纤维细胞；血管内皮细胞；骨质疏松；组织工程

关键词: 类风湿关节炎, 机器学习, 免疫浸润, 诊断标记物, 差异表达基因

Abstract: BACKGROUND: Rheumatoid arthritis is a chronic autoimmune disease. Early diagnosis is crucial for preventing disease progression and for effective treatment. Therefore, it is of significance to investigate the diagnostic characteristics and immune cell infiltration of rheumatoid arthritis.
OBJECTIVE: Based on the Gene Expression Omnibus (GEO) database, to screen potential diagnostic markers of rheumatoid arthritis using machine learning algorithms and to investigate the relationship between the diagnostic characteristics of rheumatoid arthritis and immune cell infiltration in this pathology.
METHODS: The gene expression datasets of synovial tissues related to rheumatoid arthritis were obtained from the GEO database. The data sets were merged using a batch effect removal method. Differential expression analysis and functional correlation analysis of genes were performed using R software. Bioinformatics analysis and three machine learning algorithms were used for the extraction of disease signature genes, and key genes related to rheumatoid arthritis were screened. Furthermore, we analyzed immune cell infiltration on all differentially expressed genes to examine the inflammatory state of rheumatoid arthritis and investigate the correlation between their diagnostic characteristics and infiltrating immune cells.
RESULTS AND CONCLUSION: In both rheumatoid arthritis and normal synovial tissues, we identified 179 differentially expressed genes, with 124 genes up-regulated and 55 genes down-regulated. Enrichment analysis revealed a significant correlation between rheumatoid arthritis and immune response. Three machine learning algorithms identified LRRC15 and MICB as potential biomarkers of rheumatoid arthritis. LRRC15 (area under the curve=0.964, 95% confidence interval: 0.924-0.992) and MICB (area under the curve=0.961, 95% confidence interval: 0.923-0.990) demonstrated strong diagnostic performance on the validation dataset. The infiltration of 13 types of immune cells was altered, with macrophages being the most affected. In rheumatoid arthritis, the majority of proinflammatory pathways in immune cell function were activated. Immunocorrelation analysis revealed that LRRC15 and MICB had the strongest correlation with M1 macrophages. To conclude, this study identified LRRC15 and MICB as potential diagnostic markers for rheumatoid arthritis, with strong diagnostic performance and significant correlation with immune cell infiltration. Machine learning and bioinformatics analysis deepened the understanding of immune infiltration in rheumatoid arthritis and provided new ideas for the diagnosis and treatment of rheumatoid arthritis.

中国组织工程研究杂志出版内容重点：组织构建；骨细胞；软骨细胞；细胞培养；成纤维细胞；血管内皮细胞；骨质疏松；组织工程

Key words: rheumatoid arthritis, machine learning, immune infiltration, diagnostic marker, differentially expressed gene

中图分类号:

田彦虎, 黄心岸, 郭桐桐, 如斯坦木·阿合坦木, 罗江淼, 肖遥, 王超, 王维山. 机器学习识别LRRC15和MICB为类风湿关节炎的免疫诊断标志物[J]. 中国组织工程研究, 2025, 29(11): 2411-2420.

Tian Yanhu, Huang Xinan, Guo Tongtong, Rusitanmu·Ahetanmu, Luo Jiangmiao, Xiao Yao, Wang Chao, Wang Weishan . Machine learning identification of LRRC15 and MICB as immunodiagnostic markers for rheumatoid arthritis[J]. Chinese Journal of Tissue Engineering Research, 2025, 29(11): 2411-2420.

图/表（结果） 10

2.1 差异基因的识别使用R包“sva”归一化训练集，归一化后各数据集间基因表达量异质性降低柱状图(图1A，B)。在训练集中的41个类风湿关节炎滑膜组织和56个正常关节滑膜样本之间共鉴定出179个差异表达基因，其中124个基因表达上调，55个基因表达下调。热图(图1C)和火山图(图1D)显示类风湿关节炎和正常关节的滑膜组织在基因表达上存

在显著差异。上调最显著的前10个基因分别是MMP1、LOC101928620、CXCL13、IGHM、IGJ、IGLV1-44、IGLC1、CXCL9、IGKC、LRRC15，下调最显著的前10个基因分别是ABCA8、ZBTB16、MAOA、PLIN1、FOSB、RPS4Y1、APOD、FABP4、ADIPOQ、ADH1B。
2.2 富集分析此次研究进行了功能富集分析，以更深入地了解差异表达基因的生物学功能。GO富集分析结果显示，差异表达基因的生物学过程主要富集在白细胞-细胞黏附、细胞-细胞黏附的调节、免疫反应的激活、单核细胞分化、细胞黏附的正向调节在细胞成分方面，差异表达基因主要与质膜外侧、含胶原蛋白的细胞外基质、内细胞载体相关(图2A，B)。在分子功能方面，差异表达基因主要富集在G 蛋白偶联受体结合、受体配体活性、糖胺聚糖结合方面。 KEGG富集分析显示，差异表达基因在免疫相关通路中显著富集，如细胞因子-细胞因子受体相互作用、趋化因子信号通路和病毒蛋白与细胞因子及细胞因子受体的相互作用、细胞黏附分子(图2C)。DO富集分析显示，差异表达基因主要与动脉硬化、细菌性传染病、肝炎和原发性免疫缺陷相关(图2D)。对合并后的每个滑膜组织基因进行GSEA富集分析，GOBP主要富集在免疫反应的激活、适应性免疫应答、抗原受体介导的信号通路(图2E)，B细胞受体信号通路、免疫反应调节信号通路。KEGG主要富集在同种异体移植排斥反应、抗原加工和呈递、甲状腺自身免疫性疾病、细胞黏附分子和趋化因子信号通路(图2F)。
2.3 基于机器学习的诊断标志物筛选研究使用了3种机器学习算法来识别类风湿关节炎的特征基因，对差异表达基因的表达矩阵进行LASSO回归分析(图3A)，模型的二项偏差最小，lambda值为16，选择的预测基因为LRRC15、IGHG1、PSMB9、MICB、AIM1、EDNRB、RRM2、TNFAIP8、SFRP1、QPCT、JUNB、GZMB、FKBP5、GHR、GPR64、CYP4B1；对差异表达基因的表达矩阵进行SVM-RFE算法(图3B)，根据算法的迭代过程，具有最小均方根误差(RMSE)的变量

为LRRC15、VOPP1、MICB、CXCL13；利用随机森林结合特征选择，以相对相关性由高到低的顺序，挑选重要性评分大于2的基因(图3C)，相关的基因为LOC101928620、LRRC15、MICB、VOPP1、IGHG1，利用维恩图比较差异表达基因和关键模块基因的重叠区域(图3D)，可以识别出2个重叠基因区域，这3种机器学习算法确定了LRRC15、MICB为潜在的诊断标志物。
2.4 诊断模型的评估及列线图的构建在合并后的训练集和验证集中2个潜在标记的基因具有显著的差异表达，并且验证了2个潜在诊断标志物的诊断能力。如图4所示，在训练集中LRRC15曲线下面积为0.964，MICB曲线下面积为0.961(图4A)，2种基因合并后诊断模型曲线下面积为0.985；在验证集GSE89408中，用小提琴图展示了LRRC15及MICB的基因表达差异(图4C，D)，并且验证2种潜在的诊断标记物的诊断性能，LRRC15曲线下面积为0.759，MICB曲线下面积为0.863(图4E)，2种基因合并后诊断模型曲线下面积为0.878，结果表明在验证集中MICB具有良好的诊断能力，但LRRC15在验证集中诊断能力较差，两者合并后的诊断模型仍具有较高的诊断性能。
基于2个筛选的潜在诊断标记物构建列线图来预测类风湿关节炎的发生(图5A)，标定曲线验证了模型的准确性(图5B)，决策曲线揭示了列线图优异的决策能力(图5C)。这表明构建的列线图具有良好的预测精度和可靠性。
2.5 免疫细胞浸润分析此次研究分析了类风湿关节炎和正常滑膜组织中免疫细胞的浸润情况，用直方图表示每个样本免疫细胞的组成(图6A)，结果表明，类风湿关节炎的滑膜组织中M2巨噬细胞、CD8+ T细胞、静息的肥大细胞、Tfh细胞是主要的浸润性免疫细胞。然后评估类风湿关节炎滑膜组织中免疫细胞的相关性(图6B)，例如M2巨噬细胞与浆细胞、单核细胞集中性粒细胞呈负相关，中性粒细胞与静息自然杀伤细胞、单核细胞和幼稚CD4+ T细胞呈正相关，Tfh细胞与记忆B细胞、CD8+ T细胞、幼稚的B细胞和M1巨噬细胞呈正相关。

采用Wilcoxon检验对类风湿关节炎和正常滑膜组织的免疫细胞浸润情况进行了显著性识别，结果显示有13种免疫细胞具有显著差异性(P < 0.05)(图6C)；ssGSEA分析显示两组免疫细胞功能有显著差异(图6D)，类风湿关节炎的滑膜组织激活了大部分促炎功能。通过主成分分析，类风湿关节炎患者和对照组滑膜免疫细胞的比例表现出明显的群体偏聚和个体差异(图6E)。
2.6 诊断标志物与免疫细胞的相关性分析研究进一步分析LRRC15和MICB的表达与免疫浸润水平的关系，LRRC15与M1型巨噬细胞、浆细胞、γ-T细胞、M0型巨噬细胞、T细胞滤泡辅助细胞、激活的记忆CD4+ T细胞，与静息自然杀伤细胞、单核细胞、调节T细胞、静息的记忆CD4+ T细胞、激活的树突状细胞和激活的肥大细胞成负相关(图7A)，其中与M1型巨噬细胞相关性最高(cor=0.57，P=8.2×10-10)(图7B)；MICB与M1型巨噬细胞、浆细胞、γ-T细胞、 M0型巨噬细胞、T细胞滤泡辅助细胞、激活的记忆CD4+ T细胞，与静息自然杀伤细胞、单核细胞、调节T细胞、静息的记忆CD4+ T细胞、激活的树突状细胞和激活的肥大细胞成负相关(图7C)，其中与M1型巨噬细胞相关性最高(cor=0.7，P=1.2×10-10)(图7D)。

参考文献

[1] MCINNES IB, SCHETT G. The pathogenesis of rheumatoid arthritis. N Engl J Med. 2011;365(23):2205-2219.
[2] DI MATTEO A, BATHON JM, EMERY P. Rheumatoid arthritis. Lancet. 2023; 402(10416):2019-2033.
[3] LEE DM, WEINBLATT ME. Rheumatoid arthritis. Lancet. 2001;358(9285):903-911.
[4] SILMAN AJ, PEARSON JE. Epidemiology and genetics of rheumatoid arthritis. Arthritis Res. 2002;4 Suppl 3(Suppl 3):S265-S272.
[5] ALETAHA D, NEOGI T, SILMAN AJ, et al. 2010 Rheumatoid arthritis classification criteria: an American College of Rheumatology/European League Against Rheumatism collaborative initiative. Arthritis Rheum. 2010;62(9):2569-2581.
[6] BARTOK B, FIRESTEIN GS. Fibroblast-like synoviocytes: key effector cells in rheumatoid arthritis. Immunol Rev. 2010; 233(1):233-255.
[7] WEYAND CM, GORONZY JJ. The immunology of rheumatoid arthritis. Nat Immunol. 2021; 22(1):10-18.
[8] MÜLLER-LADNER U, OSPELT C, GAY S, et al. Cells of the synovium in rheumatoid arthritis. Synovial fibroblasts. Arthritis Res Ther. 2007;9(6):223.
[9] WU F, GAO J, KANG J, et al. B Cells in Rheumatoid Arthritis, Pathogenic Mechanisms and Treatment Prospects. Front Immunol. 2021;12:750753.
[10] FLOUDAS A, NETO N, ORR C, et al. Loss of balance between protective and pro-inflammatory synovial tissue T-cell polyfunctionality predates clinical onset of rheumatoid arthritis [published correction appears in Ann Rheum Dis. 2023; 82(2):e53]. Ann Rheum Dis. 2022;81(2): 193-205.
[11] JIANG Q, YANG G, LIU Q, et al. Function and Role of Regulatory T Cells in Rheumatoid Arthritis. Front Immunol. 2021;12:626193.
[12] ZHONG Y, ZHANG W, HONG X, et al. Screening Biomarkers for Systemic Lupus Erythematosus Based on Machine Learning and Exploring Their Expression Correlations With the Ratios of Various Immune Cells. Front Immunol. 2022;13:873787.
[13] YANG Y, CAO Y, HAN X, et al. Revealing EXPH5 as a potential diagnostic gene biomarker of the late stage of COPD based on machine learning analysis. Comput Biol Med. 2023;154:106621.
[14] UNGETHUEM U, HAEUPL T, WITT H, et al. Molecular signatures and new candidates to target the pathogenesis of rheumatoid arthritis. Physiol Genomics. 2010;42A(4):267-282.
[15] WOETZEL D, HUBER R, KUPFER P, et al. Identification of rheumatoid arthritis and osteoarthritis patients by transcriptome-based rule set generation. Arthritis Res Ther. 2014;16(2):R84.
[16] HUBER R, HUMMERT C, GAUSMANN U, et al. Identification of intra-group, inter-individual, and gene-specific variances in mRNA expression profiles in the rheumatoid arthritis synovial membrane. Arthritis Res Ther. 2008;10(4):R98.
[17] BROEREN MG, DE VRIES M, BENNINK MB, et al. Disease-Regulated Gene Therapy with Anti-Inflammatory Interleukin-10 Under the Control of the CXCL10 Promoter for the Treatment of Rheumatoid Arthritis. Hum Gene Ther. 2016;27(3):244-254.
[18] GUO Y, WALSH AM, FEARON U, et al. CD40L-Dependent Pathway Is Active at Various Stages of Rheumatoid Arthritis Disease Progression. J Immunol. 2017;198(11): 4490-4501.
[19] WANG H, YANG F, LUO Z. An experimental study of the intrinsic stability of random forest variable importance measures. BMC Bioinformatics. 2016;17:60.
[20] LIN X, LI C, ZHANG Y, et al. Selecting Feature Subsets Based on SVM-RFE and the Overlapping Ratio with Applications in Bioinformatics. Molecules. 2017;23(1):52.
[21] YANG C, DELCHER C, SHENKMAN E, et al. Machine learning approaches for predicting high cost high need patient expenditures in health care. Biomed Eng Online. 2018; 17(Suppl 1):131.
[22] SANZ H, VALIM C, VEGAS E, et al. SVM-RFE: selection and visualization of the most relevant features through non-linear kernels. BMC Bioinformatics. 2018; 19(1):432.
[23] ZENG D, YE Z, SHEN R, et al. IOBR: Multi-Omics Immuno-Oncology Biological Research to Decode Tumor Microenvironment and Signatures. Front Immunol. 2021;12:687975.
[24] RIVELLESE F, PITZALIS C. Cellular and molecular diversity in Rheumatoid Arthritis. Semin Immunol. 2021;58:101519.
[25] JANG S, KWON EJ, LEE JJ. Rheumatoid Arthritis: Pathogenic Roles of Diverse Immune Cells. Int J Mol Sci. 2022;23(2): 905.
[26] AN Q, RAHMAN S, ZHOU J, et al. A Comprehensive Review on Machine Learning in Healthcare Industry: Classification, Restrictions, Opportunities and Challenges. Sensors (Basel). 2023; 23(9):4178.
[27] TANG H, LIU W, XU Z, et al. Integrated microenvironment-associated genomic profiles identify LRRC15 mediating recurrent glioblastoma-associated macrophages infiltration. J Cell Mol Med. 2021;25(12):5534-5546.
[28] RAY U, PATHOULAS CL, THIRUSANGU P, et al. Exploiting LRRC15 as a Novel Therapeutic Target in Cancer. Cancer Res. 2022;82(9):1675-1681.
[29] PURCELL JW, TANLIMCO SG, HICKSON J, et al. LRRC15 Is a Novel Mesenchymal Protein and Stromal Target for Antibody-Drug Conjugates. Cancer Res. 2018;78(14):4059-4072.
[30] CHEN YJ, CHANG WA, HSU YL, et al. Deduction of Novel Genes Potentially Involved in Osteoblasts of Rheumatoid Arthritis Using Next-Generation Sequencing and Bioinformatic Approaches. Int J Mol Sci. 2017;18(11):2396.
[31] CHEN YJ, CHANG WA, WU LY, et al. Systematic Analysis of Transcriptomic Profile of Chondrocytes in Osteoarthritic Knee Using Next-Generation Sequencing and Bioinformatics. J Clin Med. 2018;7(12):535.
[32] WANG Y, LIU Y, ZHANG M, et al. LRRC15 promotes osteogenic differentiation of mesenchymal stem cells by modulating p65 cytoplasmic/nuclear translocation. Stem Cell Res Ther. 2018;9(1):65.
[33] SINGH P, WANG M, MUKHERJEE P, et al. Transcriptomic and epigenomic analyses uncovered Lrrc15 as a contributing factor to cartilage damage in osteoarthritis. Sci Rep. 2021;11(1):21107.
[34] FERRARI DE ANDRADE L, TAY RE, PAN D, et al. Antibody-mediated inhibition of MICA and MICB shedding promotes NK cell-driven tumor immunity. Science. 2018;359(6383):1537-1542.
[35] STEPHENS HA. MICA and MICB genes: can the enigma of their polymorphism be resolved? Trends Immunol. 2001;22(7): 378-385.
[36] FERRARI DE ANDRADE L, KUMAR S, LUOMA AM, et al. Inhibition of MICA and MICB Shedding Elicits NK-Cell-Mediated Immunity against Tumors Resistant to Cytotoxic T Cells. Cancer Immunol Res. 2020;8(6):769-780.
[37] COURAU T, BONNEREAU J, CHICOTEAU J, et al. Cocultures of human colorectal tumor spheroids with immune cells reveal the therapeutic potential of MICA/B and NKG2A targeting for cancer treatment. J Immunother Cancer. 2019;7(1):74.
[38] ALVES DA SILVA PH, XING S, KOTINI AG, et al. MICA/B antibody induces macrophage-mediated immunity against acute myeloid leukemia. Blood. 2022;139(2):205-216.
[39] LÜ M, XIA B, LI J, et al. MICB microsatellite polymorphism is associated with ulcerative colitis in Chinese population. Clin Immunol. 2006;120(2):199-204.
[40] OTA M, KATSUYAMA Y, KIMURA A, et al. A second susceptibility gene for developing rheumatoid arthritis in the human MHC is localized within a 70-kb interval telomeric of the TNF genes in the HLA class III region. Genomics. 2001;71(3):263-270.
[41] LÓPEZ-ARBESU R, BALLINA-GARCÍA FJ, ALPERI-LÓPEZ M, et al. MHC class I chain-related gene B (MICB) is associated with rheumatoid arthritis susceptibility. Rheumatology (Oxford). 2007;46(3):426-430.

引言

类风湿关节炎是一种常见的慢性自身免疫性结缔组织疾病，其特征是滑膜炎症和过度增生、自身抗体产生、软骨和骨破坏以及多系统特征，包括心血管、肺、心理和骨骼疾病[1]。类风湿关节炎主要累及关节，主要表现为关节周围疼痛、僵硬和肿胀，关节的畸形和破坏[2]，最终导致慢性的残疾，该疾病的临床病程变化很大，从自限性关节炎到进展的多系统病变，具有严重的发病率和死亡率，对个人和社会造成极大的不良影响。类风湿关节炎影响全世界0.5%-1%的人口，女性的发病率较高，该病可发生于任何年龄，但最常见于40-70岁人群，发病率随年龄增长而增加[3-4]。目前，类风湿因子和抗环瓜氨酸肽抗体是诊断类风湿的血清生物标志物[5]，但是早期的类风湿关节炎中血清类风湿性因子和抗环瓜氨酸肽抗体阴性，由于缺乏可行的生物标志物，不易早期诊断。因此，寻找新型可行的生物标志物对类风湿关节炎的早期诊断和治疗尤为重要。
类风湿关节炎的特征是关节滑膜炎症以及软骨和骨骼的破坏，类风湿关节炎中的滑膜从静止的相对无细胞结构转变为充满免疫活性细胞的增生性侵袭性组织[6]，说明免疫细胞浸润对类风湿关节炎发生发展起重要作用。研究表明，成纤维细胞、巨噬细胞、B细胞和T细胞等免疫细胞的浸润对类风湿关节炎的发生发展起重要作用[7]，例如，成纤维细胞通过产生炎性细胞因子和基质降解分子来驱动关节炎症和骨骼破坏[8]；B细胞可以通过提供细胞因子、自身抗体和其他介质来促进滑膜中其他细胞(例如T细胞、单核细胞和破骨细胞)的活化、增殖和分化，促进类风湿关节炎的进展[9]；T细胞在类风湿关节炎中发挥着调节和促进免疫反应的作用，T细胞可以激活其他免疫细胞，如B细胞，导致自身免疫反应的发生；一些特定的T细胞亚群，如外周T辅助细胞、滤泡辅助细胞和调节T细胞，也与类风湿关节炎的发病和炎症程度有关[10-11]。因此，从免疫系统的角度确定类风湿关节炎滑膜组织中浸润免疫细胞及其成分之间的差异对阐明类风湿关节炎的分子机制及诊断至关重要。
基因微阵列和测序技术为探究疾病的发病机制提供了新的见解，生物信息学技术用于分析蛋白组学、转录组学等，可用于识别疾病的新基因和生物标志物，有助于从遗传学的角度理解病因。基于机器学习的生物信息学技术可以通过对基因序列数据的进一步分析，预测基因疾病风险、药物反应等，有助于疾病的诊断及治疗。例如，ZHONG等[12]研究发现ABCB1、IFI27和PLSCR1是中国系统性红斑狼疮患者的潜在诊断基因；YANG等[13]通过机器学习分析揭示EXPH5作为慢性阻塞性肺疾病晚期的潜在诊断基因生物标志物。基于机器学习算法的生物信息学技术用于分析疾病的免疫浸润和可以深入探究新的生物标志物和免疫细胞分布。
在此次研究中，从Gene Expression Omnibus(GEO)数据库中获取类风湿关节炎滑膜组织的数据集，使用多芯片数据联合分析方法，运用生物信息学进行差异表达基因和功能富集通路分析，并且结合3种机器学习算法，对类风湿关节炎的潜在诊断标志物进行深度筛选和识别，并构建预测模型，然后通过列线图模型、校准曲线和决策曲线验证预测模型的性能。然后，采用CIBERSORT算法研究类风湿关节炎与正常关节滑膜样本中免疫细胞亚群及免疫浸润的差异。此外，作者还研究了诊断标记物与浸润性免疫细胞之间的关系，以进一步了解类风湿关节炎发病过程中的分子免疫机制。通过分析类风湿关节炎独特的生物学功能、信号通路、免疫细胞浸润，进一步了解类风湿关节炎的发生发展过程，为探究其发病机制、诊断、治疗和预后奠定基础。

中国组织工程研究杂志出版内容重点：组织构建；骨细胞；软骨细胞；细胞培养；成纤维细胞；血管内皮细胞；骨质疏松；组织工程

材料方法

1 资料和方法 Data and methods
1.1 设计利用生物信息学及机器学习算法筛选类风湿关节炎患者滑膜组织潜在诊断标记物。
1.2 时间及地点实验于2023年6-12月在石河子大学新疆地方与民族高发病教育部重点实验室完成。
1.3 方法
1.3.1 数据收集及处理从GEO数据库(https://www.ncbi.nlm.nih.gov/geo/)下载类风湿关节炎滑膜样本的基因表达数据集，5个芯片数据，包括GSE1919、GSE55235、GSE12021、GSE55457、GSE77298，1个RNA-Seq数据集 GSE89408。将5个芯片数据作为训练集，其中包含41个类风湿关节炎滑膜样本，56个健康对照的滑膜样本；1个RNA-Seq数据集作为验证集，其中健康对照样本28个，类风湿关节炎样本152个[14-18](表1)。
使用R软件(version 4.1.0)，利用数据集平台注释文件将探针表达矩阵转换为基因表达矩阵，对于一个基因对应多个探针的情况，取平均值。将GSE89408作为验证数据集进行分析，对5个测试数据集使用R包“sva”消除数据集之间因不同实验批次和平台造成的异质性，对表达矩阵进行批量归一化。
1.3.2 差异表达基因的鉴定用R包 “limma” 对合并后的训练集中的类风湿关节炎和正常滑膜组织的每个基因表达矩阵进行差异分析，以差异倍数为2倍(| logFC |≥1)，校正后的P值小于0.05(adj.P.Val <0.05)为标准，筛选出差异基因。以基因表达矩阵的形式下载验证RNA-Seq数据集GSE89408，后续分析采用R包“edgeR”。使用R包“pheatmap”和“ggplot2”分别将差异表达基因可视化为热图和火山图。
1.3.3 富集分析使用R包“cluster Profiler”和“org.hs.eg.db”对差异表达基因进行基因本体论(gene ontology，GO)、京都基因和基因组百科全书(Kyoto encyclopedia of genes and genomes，KEGG)和疾病本体论(disease ontology，DO)富集分析。使用R包“clusterProfiler”分析以c2kegg基因集为参考激活的信号通路的差异，对基因表达矩阵进行基因集富集分析(gene set enrichment analysis，GSEA)。注释的基因集是从分子特征数据库(MSigDB，https://www.gsea-msigdb.org/gsea)收集的。筛选条件为|归一化富集评分| > 1，P < 0.05，FDR < 0.25。使用R包 “ggplot2”进行可视化。

1.3.4 机器学习筛选诊断标记物研究采用随机森林、最小绝对收缩和选择算子(least absolute shrinkage and selection operator，LASSO)回归、支持向量机递归特征消除(support vector machine recursive feature elimination，SVM-RFE)3种机器学习算法筛选类风湿关节炎的潜在的关键生物标志物。随机森林是一种集成分类器，应用装袋技术构建树的集合，并采用随机化技术构建每棵树的生长，其更适用于高维和小样本数据集[19]，使用R包“random Forest”的算法，计算最佳树，筛选特征基因。LASSO是一种线性回归方法，其特点是变量选择和复杂性正则化，防止过度拟合，可以通过交叉验证法，来选择合适的lambda值，认为最小lambda是最优的，提高临床预测模型的预测准确性和可理解性[20-21]，使用R包“glmnet”进行LASSO回归分析。SVM-RFE是基于SVM的特征性选择算法，以迭代的方式删除权重最低的特征，根据特征删除顺序对特征进行排序，最后一次迭代删除的排名靠前的功能是最重要的，而排名靠后的功能信息最少[22]，使用R包“e1071”，进行SVM-RFE模型构建。最终从上述3种机器学习模型中选择重叠基因作为潜在的标记基因进一步分析。
1.3.5 诊断标志物的验证此次研究将GSE89408数据集作为验证集，验证集中验证潜在诊断标记物的差异表达。使用R包“pROC”软件包分别分析测试集和验证集潜在诊断标记物的受试者工作特征曲线，并计算曲线下面积以评价3种机器学习算法的预测效果。P < 0.05为差异有显著性意义。
1.3.6 候选基因表达诊断分析基于从3种机器学习获得的预测基因构建了列线图模型，并使用“rms”R包评估了类风湿关节炎簇。每个预测变量分配一个分数，“总分”表示上述预测变量的分数总和。校准曲线和决策曲线用于评估Nomo模型的预测能力。
1.3.7 免疫细胞浸润分析此次研究使用R包“IBOR”中 CIBERSORT算法评估了样本中的免疫细胞浸润和免疫细胞功能[23]。通过CIBERSORT算法可以计算22个滑膜浸润免疫细胞亚群的含量。采用ssGSEA分析计算免疫细胞功能富集评分。接下来评估了各种免疫细胞功能之间的相关性。共评估了22种免疫细胞浸润和13种免疫细胞功能。P < 0.05为差异有显著性意义。
1.4 主要观察指标类风湿关节炎关节滑膜与正常关节滑膜差异基因及免疫细胞浸润的生物信息学分析。
1.5 统计学分析使用R软件(version 4.1.0)进行统计分析，Student t检验用于评估类风湿关节炎和正常滑膜组织基因表达矩阵之间的差异；Spearman相关性分析以探索潜在标记基因与免疫细胞之间的联系。P < 0.05表示差异有显著性意义。文章统计学方法已经石河子大学生物统计学专家审核。

讨论

类风湿关节炎是一种慢性炎症性自身免疫性疾病，主要影响滑膜关节导致慢性炎症，其病理特征是滑膜血管形成、滑膜增生和免疫细胞浸润，如不及时治疗，最终导致关节的破坏和慢性残疾[24]。研究表明早期诊断及治疗可以防止90%的早期类风湿关节炎患者关节损伤的进展，因此，尽早诊断及治疗类风湿关节炎患者非常重要。越来越多的研究表明，免疫细胞的浸润影响着类风湿关节炎的发生和发展，许多免疫细胞参与类风湿关节炎的发病机制，如T细胞、B细胞、巨噬细胞等[25]，因而此次研究将联合多芯片数据集利用生物信息学分析和机器学习寻找与类风湿关节炎潜在的生物标记物，为类风湿关节炎的诊断及治疗提供新的思路。
此次研究通过GEO数据库中的6个类风湿关节炎微阵列数据集筛选出171个差异表达基因，基于GO、KEGG、DO及GSEA富集分析，发现类风湿关节炎的发展过程中存在大量的免疫激活过程和免疫细胞参与，通过CIBERSORT和ssGSEA分析表明了类风湿关节炎滑膜免疫细胞亚群和免疫细胞功能的改变。近年来人工智能及深度学习用于医学尤其是诊断医学，机器学习具有持续改进的特点，用于临床数据预测和疾病分析分类的目的，随着数据量的增多，构建诊断及预测模型，更好地做出决策以获得准确的预测，为疾病的诊断及治疗提供了新的思路[26]。为了筛选与类风湿关节炎相关的潜在生物标志物，通过LASSO、SVM-RFE和随机森林3种机器学习算法的交叉获得LRRC15和MICB两种潜在的诊断标记物。
LRRC15(富含亮氨酸的重复基因15)是一种Ⅰ型跨膜蛋白，是富含亮氨酸的重复超家族的成员，参与蛋白质-蛋白质和蛋白质-基质相互作用以及各种细胞过程的信号转导[27]。LRRC15在间充质衍生的肿瘤(如肉瘤、胶质母细胞瘤和黑色素瘤)以及乳腺、头颈部、肺和胰腺肿瘤微环境中的癌症相关成纤维细胞中高表达，使用特异性抗体-药物偶联物有效靶向LRRC15有可能改善间充质来源或基质纤维增生的LRRC15阳性癌症患者的预后[28-29]，因此成为新兴的抗癌靶标。有趣的是，CHEN等[30-31]通过测序及生物信息学方法发现LRRC15是在类风湿关节炎成骨细胞中发现的2个基因之一，并且发现 LRRC15在骨关节炎膝关节内侧区域的软骨、滑膜组织和软骨下骨中高表达。此外WANG等[32]的研究揭示了LRRC15通过调节p65细胞质/核易位促进间充质干细胞的成骨分化。SINGH等[33]通过转录组和表观基因组分析揭示了LRRC15是骨关节炎软骨损伤的影响因素。此次研究证实了LRRC15是参与类风湿关节炎免疫浸润的关键基因，这表明LRRC15可能是治疗类风湿关节炎症的潜在靶点。
MICB(MHCⅠ类多肽相关序列 B) 是人类6号染色体MHC位点的一部分，编码的蛋白质与MHC蛋白具有结构相似性，MIC蛋白被认为是上皮细胞“应激”的标记物，应激蛋白MICA和MICB被许多人类癌症表达为基因组损伤的结果，使表达自然杀伤组2D(NKG2D)受体的细胞毒性淋巴细胞能够消除癌细胞[34-35]。FERRARI DE ANDRADE等[36] 研究发现 MICA/B的蛋白水解脱落是许多人类癌症中重要的免疫逃避机制，抑制MICA和MICB脱落引发自然杀伤细胞介导的对细胞毒性T细胞耐药肿瘤的免疫力。COURAU等[37]研究发现人结直肠肿瘤球体与免疫细胞的共培养揭示了MICA/B和NKG2A靶向治疗癌症的治疗潜力。在非肿瘤疾病中，有相关研究发现MICB影响疾病的发生发展，例如，ALVES DA SILVA等[38]研究发现抑制MICA/B脱落通过Fc受体信号传导促进巨噬细胞驱动的急性髓性白血病免疫，并与表观遗传调节因子协同作用；LÜ等[39]发现MICB 微卫星多态性与中国人的溃疡性结肠炎有关；此外，OTA等[40]发现MICB是存在于HLA Ⅲ类区域，即TNF基因簇(TNFA和LTA)的端粒区域中，位于微卫星TNFA和C1-2-A之间，是决定类风湿关节炎易感性的候选基因；LÓPEZ-ARBESU等[41]发现MICB与类风湿关节炎易感性的关联以及MIC基因在类风湿关节炎发病机制中的功能作用是将MICB转化为候选基因，成为与类风湿关节炎易感性相关的额外MHC 基因，其在类风湿关节炎的发生发展中起重要作用。
此次研究通过生物信息学及机器学习算法分析GEO数据库中6个类风湿关节炎滑膜的数据集，发现在训练集和验证集LRRC15和MICB在类风湿关节炎的滑膜组织中高表达，此外发现LRRC15和MICB的表达可能与不同的免疫细胞浸润相关，CIBERSORT分析显示LRRC15和MICB与M1型巨噬细胞相关性最高，ssGSEA分析显示类风湿关节炎和正常滑膜组织中13种免疫细胞功能有显著差异，这表明LRRC15和MICB是参与类风湿关节炎免疫浸润的关键基因。
此次研究具有一定的局限性：首先，GEO数据库中的数据缺少患者的临床特征，如血清学的指标及影像学特征，不能够评估潜在的生物标记物与类风湿关节炎临床特征之间的关系；其次，数据分析的样本量需要进一步扩大，验证集较少；此外，还需要大量体内及体外的实验进行验证，未来将进一步增加样本量深入分析并且增加实验进一步验证类风湿关节炎的潜在标记基因。
总之，此次研究基于LASSO、SVM和随机森林3种机器学习算法，确定LRRC15和MICB为类风湿关节炎潜在的诊断标记物，构建了列线图，决策曲线结果表明该预测模型的效果较为明显；分析了上述2个基因在类风湿关节炎和非类风湿关节炎患者中的表达差异，结果显示类风湿关节炎患者2个潜在诊断标记物的表达水平均显著高于非类风湿关节炎患者，受试者工作特征曲线结果显示，LRRC15的诊断价值最高。其次，进行免疫细胞浸润分析，提示免疫细胞在类风湿关节炎发生发展的过程中起重要作用，发现类风湿关节炎滑膜组织中M2巨噬细胞、CD8+ T细胞、静息的肥大细胞、Tfh细胞、M1巨噬细胞和M0巨噬细胞是主要的浸润性免疫细胞，其中LRRC15和MICB和M1型巨噬细胞密切相关，但LRRC15和MICB相关报道较少，在类风湿关节炎病理生理学中的作用仍有待进一步研究。

中国组织工程研究杂志出版内容重点：组织构建；骨细胞；软骨细胞；细胞培养；成纤维细胞；血管内皮细胞；骨质疏松；组织工程

机器学习识别LRRC15和MICB为类风湿关节炎的免疫诊断标志物

Machine learning identification of LRRC15 and MICB as immunodiagnostic markers for rheumatoid arthritis

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表（结果） 10

参考文献

相关文章 15

引言

材料方法

讨论

文章快阅

延伸阅读

编辑推荐

Metrics

本文评价

[1]	李加根, 陈跃平, 黄柯琪, 陈尚桐, 黄川洪. 线粒体自噬视域下的类风湿关节炎：多机器学习算法构建预测模型及验证并免疫调控分析[J]. 中国组织工程研究, 2025, 29(在线): 1-15.
[2]	王咪, 马书杰, 刘杨, 齐瑞. 缺血性脑卒中铁死亡特征基因NFE2L2的鉴定与验证[J]. 中国组织工程研究, 2025, 29(7): 1466-1474.
[3]	刘雅妮, 杨静欢, 陆慧慧, 易玉芳, 李智翔, 欧阳福, 吴璟莉, 魏兵. 纤维肌痛综合征生物标记物的筛选及免疫细胞浸润分析[J]. 中国组织工程研究, 2025, 29(5): 1091-1100.
[4]	韩海慧, 孟晓辉, 徐博, 冉磊, 施杞, 肖涟波. 成纤维细胞生长因子受体1抑制剂对胶原诱导关节炎模型大鼠骨破坏的影响[J]. 中国组织工程研究, 2025, 29(5): 968-977.
[5]	杨彬, 陶广义, 杨顺, 许俊杰, 黄俊卿. 人工智能在脊髓神经损伤与修复领域研究热点的可视化分析[J]. 中国组织工程研究, 2025, 29(4): 761-770.
[6]	杨定燕, 余振球, 杨中愉. 急性心肌梗死与中性粒细胞相关潜在生物标志物的机器学习分析[J]. 中国组织工程研究, 2025, 29(36): 7909-7920.
[7]	陈莹, 郭晓婧, 莫雪妮, 马威, 武尚志, 李相玲, 谢婷婷. 缺血性脑卒中诊断性生物标志物解析及靶向铜死亡相关基因的实验验证[J]. 中国组织工程研究, 2025, 29(35): 7562-7570.
[8]	巩月红, 王梦君, 任航, 郑辉, 孙佳佳, 刘军鹏, 张飞, 杨建华, 胡君萍. 机器学习联合生物信息学筛选与自噬相关的肺纤维化关键基因及实验验证[J]. 中国组织工程研究, 2025, 29(35): 7679-7689.
[9]	李靖, 路广琦, 庄明辉, 崔莹, 俞张镜泽, 孙馨悦, 马明明, 朱立国, 于杰. 基于机器学习构建中青年人群颈椎失稳临床预测模型[J]. 中国组织工程研究, 2025, 29(33): 7203-7210.
[10]	田宇诗, 付强, 李冀. 急性心肌梗死相关线粒体基因的生物信息学鉴定与验证[J]. 中国组织工程研究, 2025, 29(31): 6697-6707.
[11]	谢铱子, 林雪莹, 张欣欣, 黄秀芳, 詹少锋, 江勇, 蔡彦. 线粒体自噬在特发性肺纤维化中的生物学机制[J]. 中国组织工程研究, 2025, 29(31): 6708-6716.
[12]	宋浩然, 张玉强, 谷娜, 智晓东, 王伟. 基于Citespace对人工智能在骨创伤研究的可视化分析[J]. 中国组织工程研究, 2025, 29(3): 493-502.
[13]	张子瑜, 陈龙豪, 盛威, 吕涵哲, 沈颖, 王炳豪, 吕智桢, 吕立江 . 人工智能应用于腰椎间盘突出症诊疗：推动诊治手段向规范化、高效化、精准化[J]. 中国组织工程研究, 2025, 29(29): 6269-6276.
[14]	王嘉孺, 张瑛, 杨永, 祁文, 肖华业, 马秋平, 杨连招, 罗自维, 何雅青, 张江银, 韦嘉雯, 孟媛, 谭思连. 基于机器学习脑卒中功能恢复及预后预测模型的系统评价[J]. 中国组织工程研究, 2025, 29(29): 6317-6325.
[15]	丘博元, 刘飞, 童思文, 欧志学, 王伟伟. 激素性股骨头坏死衰老关键基因的生物信息学鉴定和验证[J]. 中国组织工程研究, 2025, 29(26): 5608-5620.