基于生物信息学和机器学习的阿尔兹海默症诊断模型构建及免疫分析

doi:10.13481/j.1671-587X.20250420

吉林大学学报(医学版) ›› 2025, Vol. 51 ›› Issue (4): 1039-1051.doi: 10.13481/j.1671-587X.20250420

• 临床研究 • 上一篇

基于生物信息学和机器学习的阿尔兹海默症诊断模型构建及免疫分析

徐林瑞¹,张译予¹,崔家齐¹,丛显铸¹,李爽¹,葛佳瑜¹,孔雨佳¹,王素珍¹(),石福艳¹,王金荣²()

^1.山东第二医科大学公共卫生学院卫生统计学教研室，山东潍坊 261053
^2.山东第二医科大学附属医院中医科，山东潍坊 261041

收稿日期:2024-10-16 接受日期:2025-05-08 出版日期:2025-07-28 发布日期:2025-08-25
通讯作者: 王素珍,王金荣 E-mail:wangsz@sdsmu.edu.cn;wjrwkl@126.com
作者简介:徐林瑞（2000-），男，山东省泰安市人，在读硕士研究生，主要从事卫生统计学方面的研究。
基金资助:
国家自然科学基金面上项目(81872719);国家自然科学基金青年科学基金项目(81803337);山东省科技厅自然科学基金面上项目(ZR2023MH034);山东省潍坊市中医药科研立项项目（第二类）(WFZYY2024-2-001)

Construction of diagnostic model for Alzheimer’s disease and immune analysis based on bioinformatics and machine learning

Linrui XU¹,Yiyu ZHANG¹,Jiaqi CUI¹,Xianzhu CONG¹,Shuang LI¹,Jiayu GE¹,Yujia KONG¹,Suzhen WANG¹(),Fuyan SHI¹,Jinrong WANG²()

^1.Department of Health Statistics，School of Public Health，Shandong Second Medical University，Weifang 261053，China
^2.Department of Traditional Chinese Medicine，Affiliated Hospital，Shandong Second Medical University，Weifang 261041，China

Received:2024-10-16 Accepted:2025-05-08 Online:2025-07-28 Published:2025-08-25
Contact: Suzhen WANG,Jinrong WANG E-mail:wangsz@sdsmu.edu.cn;wjrwkl@126.com

摘要/Abstract

摘要：

目的利用生物信息学技术和机器学习（ML）算法筛选阿尔兹海默症（AD）相关基因并构建其诊断模型，探讨AD患者的免疫学特征，为AD诊断提供新的生物标志物。方法从基因表达综合（GEO）数据库中下载AD相关的基因表达数据集GSE125583，通过差异分析获得差异表达基因（DEGs），借助基因本体论（GO）功能富集分析和京都基因与基因组百科全书（KEGG）信号通路富集分析探讨DEGs的生物学功能及信号通路，并绘制蛋白-蛋白相互作用（PPI）网络，采用Cytoscape软件和最小绝对收缩和选择算子（LASSO）回归、极限梯度提升（XGBoost）和随机森林（RF）3种ML算法对枢纽（Hub）基因进行筛选，将筛选后的Hub基因通过RF构建AD诊断模型并进行特征重要性排序，以测试集评价AD诊断模型和关键基因的效能。采用单样本基因集富集分析（ssGSEA）对AD组与对照组进行免疫细胞浸润分析。结果差异分析共筛选出1 287个DEGs。GO功能富集分析，DEGs主要参与神经信号、突触和囊泡等相关的生物学功能；KEGG信号通路富集分析，DEGs主要在离子转运、神经递质和配体门控等通路上富集。3种ML算法共筛选出9个交集Hub基因。AD诊断模型，对AD诊断性能最高的前4个关键基因分别为腺苷酸环化酶激活多肽1（ADCYAP1）、脑源性神经营养因子（BDNF）、血小板衍生生长因子受体β（PDGFRB）和趋化因子受体4（CXCR4），对应受试者工作特征（ROC）的曲线下面积（AUC）值分别为0.852、0.795、0.820和0.756；模型的AUC值为0.828，准确率为81.25%，灵敏度为84.40%，特异度为71.43%。免疫细胞浸润分析，AD组织中巨噬细胞、单核细胞、各种自然杀伤（NK）细胞和淋巴细胞浸润程度较高，其中，NK细胞/自然杀伤T（NKT）细胞和浆细胞样树突状细胞与4个关键基因显著相关（P<0.05）。结论基于生物信息学技术与ML算法筛选出的特征基因对AD具有一定的诊断能力，ADCYAP1等基因可能会成为AD诊断的潜在生物标志物，对AD的早期防治具有重要意义。

关键词: 生物信息学, 机器学习, 阿尔兹海默症, 诊断模型, 腺苷酸环化酶激活多肽1基因

Abstract:

Objective To screen the Alzheimer’s disease（AD）-related genes and construct its diagnostic model using bioinformatics technology and machine learning （ML） algorithms， to discuss the immunological characteristics of AD patients， and to provide novel biomarkers for AD diagnosis. Methods The AD-related gene expression dataset GSE125583 was downloaded from the Gene Expression Omnibus （GEO） database. Differentially expressed genes （DEGs） were identified through differential analysis. Gene Ontology （GO） functional enrichment and Kyoto Encyclopedia of Genes and Genomes （KEGG） signaling pathway enrichment analyses were performed to explore the biological functions and signaling pathways of DEGs. A protein-protein interaction （PPI） network was constructed， and hub genes were screened using Cytoscape software combined with three ML algorithms： Least Absolute Shrinkage and Selection Operator （LASSO）， eXtreme Gradient Boosting （XGBoost）， and Random Forest （RF）. The screened hub genes were utilized to build an AD diagnostic model via RF， followed by feature importance ranking. The model’s efficacy and key genes were evaluated using a test set. Single-sample gene set enrichment analysis （ssGSEA） was used for immune cell infiltration analysis between AD group and control group. Results Differential analysis identified 1 287 DEGs. The GO functional enrichment analysis results revealed that DEGs were primarily involved in biological functions related to neural signaling， synapses， and vesicles. KEGG signaling pathway enrichment analysis indicated significant enrichment of DEGs in ion transport， neurotransmitter， and ligand-gated channel pathways. Nine overlapping hub genes were screened by the three ML algorithms. In the AD diagnostic model， the top four key genes with highest diagnostic performance were adenylate cyclase-activating polypeptide 1 （ADCYAP1）， brain-derived neurotrophic factor （BDNF）， platelet-derived growth factor receptor β （PDGFRB）， and C-X-C motif chemokine receptor 4 （CXCR4）， with corresponding area under the curve （AUC） values of 0.852， 0.795， 0.820， and 0.756， respectively. The model achieved an AUC of 0.828， accuracy of 81.25%， sensitivity of 84.40%， and specificity of 71.43%. The immune cell infiltration analysis results demonstrated higher infiltration of macrophages， monocytes， natural killer（NK） cells， and lymphocytes in AD tissue. Among these， NK/natural killer T（NKT） cells and plasmacytoid dendritic cells showed significant correlations with the four key genes（P<0.05）. Conclusion The feature genes screened based on bioinformatics and ML exhibit diagnostic potential for AD. Genes such as ADCYAP1 may serve as potential biomarkers for AD diagnosis， offering significant implications for early prevention and treatment.

Key words: Bioinformatics, Machine learning, Alzheimer’s disease, Diagnostic model, adenylate cyclase-activating polypeptide 1 gene

中图分类号:

R749.16

徐林瑞,张译予,崔家齐,丛显铸,李爽,葛佳瑜,孔雨佳,王素珍,石福艳,王金荣. 基于生物信息学和机器学习的阿尔兹海默症诊断模型构建及免疫分析[J]. 吉林大学学报(医学版), 2025, 51(4): 1039-1051.

Linrui XU,Yiyu ZHANG,Jiaqi CUI,Xianzhu CONG,Shuang LI,Jiayu GE,Yujia KONG,Suzhen WANG,Fuyan SHI,Jinrong WANG. Construction of diagnostic model for Alzheimer’s disease and immune analysis based on bioinformatics and machine learning[J]. Journal of Jilin University(Medicine Edition), 2025, 51(4): 1039-1051.

图/表 8

图1

图2

图3

图4

图5

图6

图7

图8

参考文献 34

[1]	LANE C A， HARDY J， SCHOTT J M. Alzheimer’s disease［J］. Eur J Neurol， 2018， 25（1）： 59-70.
[2]	KHAN S， BARVE K H， KUMAR M S. Recent advancements in pathogenesis，diagnostics and treatment of Alzheimer’s disease［J］. Curr Neuropharmacol， 2020，18（11）：1106-1125.
[3]	HU Y， ZHOU G， ZHANG C， et al. Identify compounds’target against Alzheimer’s disease based on in-silico approach［J］. Curr Alzheimer Res， 2019， 16（3）： 193-208.
[4]	TWAROWSKI B， HERBET M. Inflammatory processes in Alzheimer’s disease-pathomechanism，diagnosis and treatment： A review［J］. Int J Mol Sci， 2023， 24（7）： 6518.
[5]	BREIJYEH Z， KARAMAN R. Comprehensive Review on Alzheimer’s disease： causes and treatment［J］. Molecules，2020，25（24）：5789.
[6]	BATEMAN R J， BARTHéLEMY N R， HORIE K. Another step forward in blood-based diagnostics for Alzheimer’s disease［J］. Nat Med， 2020， 26（3）：314-316.
[7]	MERKIN A， KRISHNAMURTHI R， MEDVEDEV O N. Machine learning， artificial intelligence and the prediction of dementia［J］. Curr Opin Psychiatry， 2022，35（2）： 123-129.
[8]	SUN X， ZHANG H， YAO D， et al. Integrated bioinformatics analysis identifies Hub genes associated with viral infection and Alzheimer’s disease［J］. J Alzheimers Dis， 2022， 85（3）： 1053-1061.
[9]	HUANG R， WANG W， CHEN Z， et al. Identifying immune cell infiltration and effective diagnostic biomarkers in Crohn’s disease by bioinformatics analysis［J］. Front Immunol， 2023， 14： 1162473.
[10]	WANG W， CHEN Z， HUA Y. Bioinformatics prediction and experimental validation identify a novel cuproptosis-related gene signature in human synovial inflammation during osteoarthritis progression［J］. Biomolecules， 2023， 13（1）： 127.
[11]	WU T， HU E， XU S， et al. clusterProfiler 4.0： A universal enrichment tool for interpreting omics data［J］. Innovation（Camb）， 2021， 2（3）： 100141.
[12]	MOUSAVIAN Z， KHODABANDEH M， SHARIFI-ZARCHI A， et al. StrongestPath： a Cytoscape application for protein-protein interaction analysis［J］. BMC Bioinformatics， 2021， 22（1）： 352.
[13]	时承，姚旭峰. 机器学习用于帕金森病诊断的研究进展［J］. 中国医学物理学杂志， 2024， 41（5）： 640-645.
[14]	龚玉芳，邓海霞，卢燕，等. 基于生物信息学建立与验证心肌梗死铁死亡基因诊断模型及免疫分析［J/OL］. 中国胸心血管外科临床杂志： 1-10［2025-08-10］. .
[15]	ROSTAGNO A A. Pathogenesis of Alzheimer’s disease［J］. Int J Mol Sci， 2022， 24（1）： 107.
[16]	SCHELTENS P， DE STROOPER B， KIVIPELTO M，et al. Alzheimer’s disease［J］. Lancet，2021，397（10284）：1577-1590.
[17]	HU R， ZHANG W， HAN Z， et al. Identification of immune-related target and prognostic biomarkers in PBMC of hepatocellular carcinoma［J］. BMC Gastroenterol， 2023， 23（1）： 234.
[18]	LIU X， ZHAO J， XUE L， et al. A comparison of transcriptome analysis methods with reference genome［J］. BMC Genomics， 2022， 23（1）： 232.
[19]	SOFER T， KURNIANSYAH N， AGUET F，et al. Benchmarking association analyses of continuous exposures with RNA-seq in observational studies［J］. Brief Bioinform， 2021， 22（6）： bbab194.
[20]	PINKY P D， PFITZER J C， SENFELD J， et al. Recent insights on glutamatergic dysfunction in Alzheimer’s disease and therapeutic implications［J］. Neuroscientist， 2023， 29（4）： 461-471.
[21]	TIMMER N M， METAXAS A， VAN DER STELT I，et al. Cerebral level of vGlut1 is increased and level of glycine is decreased in TgSwDI mice［J］. J Alzheimers Dis， 2014， 39（1）： 89-101.
[22]	D’ANGIOLINI S， BASILE M S， MAZZON E， et al. In silico analysis reveals the modulation of ion transmembrane transporters in the cerebellum of Alzheimer’s disease patients［J］. Int J Mol Sci，2023， 24（18）： 13924.
[23]	LONG H Z， CHENG Y， ZHOU Z W， et al. PI3K/AKT signal pathway： a target of natural products in the prevention and treatment of Alzheime’s disease and Parkinson’s disease［J］. Front Pharmacol， 2021，12： 648636.
[24]	SCHALER A W， RUNYAN A M， CLELLAND C L，et al. PAC1 receptor-mediated clearance of tau in postsynaptic compartments attenuates tau pathology in mouse brain［J］. Sci Transl Med， 2021， 13（595）：eaba7394.
[25]	SZEGECZKI V， HORVáTH G， PERéNYI H， et al. Alzheimer’s disease mouse as a model of testis degeneration［J］. Int J Mol Sci， 2020， 21（16）： 5726.
[26]	CHOI S H， BYLYKBASHI E， CHATILA Z K， et al. Combined adult neurogenesis and BDNF mimic exercise effects on cognition in an Alzheimer’s mouse model［J］. Science， 2018， 361（6406）： eaan8821.
[27]	COLUCCI-D’AMATO L， SPERANZA L， VOLPICELLI F. Neurotrophic factor BDNF， physiological functions and therapeutic potential in depression，neurodegeneration and brain cancer［J］. Int J Mol Sci，2020， 21（20）： 7777.
[28]	GAO L， ZHANG Y， STERLING K， et al. Brain-derived neurotrophic factor in Alzheimer’s disease and its pharmaceutical potential［J］. Transl Neurodegener，2022， 11（1）： 4.
[29]	SHI H， KORONYO Y， RENTSENDORJ A， et al. Identification of early pericyte loss and vascular amyloidosis in Alzheimer’s disease retina［J］. Acta Neuropathol， 2020， 139（5）： 813-836.
[30]	WANG Q L， FANG C L， HUANG X Y， et al. Research progress of the CXCR4 mechanism in Alzheimer’s disease［J］. Ibrain， 2022， 8（1）： 3-14.
[31]	BRYSON K J， LYNCH M A. Linking T cells to Alzheimer’s disease： from neurodegeneration to neurorepair［J］. Curr Opin Pharmacol， 2016， 26： 67-73.
[32]	CAO W， ZHENG H. Peripheral immune system in aging and Alzheimer’s disease［J］. Mol Neurodegener， 2018，13（1）： 51.
[33]	MOLLAZADEH H， CICERO A F G， BLESSO C N，et al. Immune modulation by curcumin：The role of interleukin-10［J］. Crit Rev Food Sci Nutr， 2019， 59（1）： 89-101.
[34]	TAYLOR X， CLARK I M， FITZGERALD G J， et al. Amyloid-β（Aβ） immunotherapy induced microhemorrhages are associated with activated perivascular macrophages and peripheral monocyte recruitment in Alzheimer’s disease mice［J］. Mol Neurodegener， 2023， 18（1）： 59.

基于生物信息学和机器学习的阿尔兹海默症诊断模型构建及免疫分析

Construction of diagnostic model for Alzheimer’s disease and immune analysis based on bioinformatics and machine learning

RichHTML

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 34

相关文章 15

Metrics

本文评价

推荐阅读 0

[1]	石长玉,李勇,邓静,朴春梅,金明. 基于补体替代途径对小鼠结直肠癌肝转移模型调控作用的生物信息学分析及实验验证[J]. 吉林大学学报(医学版), 2025, 51(3): 703-715.
[2]	王小燕,李雪莲,梁斌,田文斐,马海林,莫之婧. 基于转录组和单细胞测序数据分析CALU与肝细胞癌患者预后的关系及其作用机制[J]. 吉林大学学报(医学版), 2025, 51(2): 447-459.
[3]	刘博,孙超,王旭,马克威. 基于GEO数据库对多原发肺癌差异表达基因的生物信息学分析[J]. 吉林大学学报(医学版), 2025, 51(2): 437-446.
[4]	蔡文畅,刘雨齐,王涵,王鹤霖,王振江,肖梓屾,马士远,安丽萍,刘艳波. 蛋白激酶 D2在膀胱癌组织中的表达及其对肿瘤免疫微环境的影响[J]. 吉林大学学报(医学版), 2025, 51(2): 378-391.
[5]	武鹏立,李凤玉,刘博,吕洋. 沉默DDX39A基因对食管癌TE-1细胞增殖、迁移和侵袭的作用及其机制[J]. 吉林大学学报(医学版), 2025, 51(1): 115-123.
[6]	孙绿茵,马竹萍,李润林,李永刚,陶晓莉. 基于酵母双杂交技术对与纳尔逊海湾正呼肠孤病毒σNS相互作用宿主蛋白的筛选[J]. 吉林大学学报(医学版), 2024, 50(5): 1313-1321.
[7]	黎金连,黄岚珍,黄希仕,李康智,蒋佳丽,张苗苗,吴群英. 肝细胞癌预后、诊断和免疫细胞浸润相关关键基因及其潜在治疗药物的生物信息学分析[J]. 吉林大学学报(医学版), 2024, 50(4): 1062-1075.
[8]	阮文青,付泽润,黄逸,李龙云,孙耀,李凯. 低血压预测指数在机器人辅助腹腔镜膀胱切除术患者血流动力学管理中应用1例报告及文献复习[J]. 吉林大学学报(医学版), 2024, 50(4): 1130-1136.
[9]	王元国,张鹏. 基于SSP1和TGFB1与食管腺癌发生、预后和免疫浸润关系的生物信息学分析[J]. 吉林大学学报(医学版), 2024, 50(4): 1076-1086.
[10]	林玲辉,李娜,尹晓燕,王晓凌,胡亚平,刘威,费瑞,田新利. 基于幽门螺杆菌hp0169基因三维结构的生物信息学分析[J]. 吉林大学学报(医学版), 2024, 50(3): 739-748.
[11]	朱紫嘉,陈霞,崔曼,文继红,王苹,宋东. 基于红景天苷对三阴性乳腺癌关键差异基因作用机制的生物信息学和分子对接技术分析[J]. 吉林大学学报(医学版), 2024, 50(3): 759-769.
[12]	刘玉婷,喻莹,黎桂珍,史沁雪,李彬彬. 基于剪接因子SRSF9在头颈部鳞状细胞癌中的表达及临床意义的生物信息学分析[J]. 吉林大学学报(医学版), 2024, 50(2): 379-391.
[13]	陈丽平,韩立,卞华,庞立业. 基于重症支气管哮喘差异表达基因及其治疗中药筛选的生物信息学分析[J]. 吉林大学学报(医学版), 2024, 50(2): 411-421.
[14]	杨紫煦,苏畅,王波元,刘冲,李明贺. 基于乳酸代谢相关基因的头颈部鳞状细胞癌分子亚型和临床特征的生物信息学分析[J]. 吉林大学学报(医学版), 2024, 50(1): 198-207.
[15]	宁敏琦,何勇,李秉枢,黄国涛,左晓虎,赵芷晗,韩武岳,洪莉. 基于盆腔器官脱垂相关衰老基因的GEO数据库和LASSO回归算法的生物信息学分析[J]. 吉林大学学报(医学版), 2024, 50(1): 178-187.