基于血液中基因表达识别痛风合并动脉粥样硬化的临床决策支持方法

本发明涉及生物医学，特别是涉及一种基于血液中cd83、tnf、vit基因表达识别痛风合并动脉粥样硬化疾病的临床决策支持方法。

背景技术：

1、动脉粥样硬化是一种慢性炎症性心血管疾病，其主要病变特征是动脉粥样硬化由内皮活化引发，随后会导致脂质、纤维元素积聚和钙化，引发血管狭窄和炎症通路激活，而不稳定动脉粥样硬化斑块破裂脱落会导致血管狭窄、血小板聚集和血栓形成引起的闭塞，甚至导致严重的心血管疾病，如心肌梗死、心力衰竭、中风等。动脉粥样硬化常被视为心血管疾病的预警信号，其弗雷明汉风险评分(frs)存在着评估动脉粥样硬化风险准确性不足的情况，不利于基层医疗人员识别动脉粥样硬化。动脉粥样硬化与缺血性脑卒中的具有相关性，因为颈动脉是脑动脉血管的来源，与脑血管的关系密切,动脉粥样硬化斑块脱落形成栓子、斑块导致的管腔狭窄及血管动力学改变是引起脑缺血的主要机制。

2、痛风是由尿酸单钠晶体沉积在关节和组织中引起的炎症性关节炎，高尿酸血症是其常见和必要的致病因素。其进展可以定义为四个病理生理阶段：无尿酸单钠晶体沉积或痛风证据的高尿酸血症，无症状痛风的晶体沉积，急性痛风的晶体沉积，以及以痛风石、慢性痛风性关节炎和放射学侵蚀为特征的晚期痛风。现在有研究表明2015年至2020年五年内全球痛风的发病率和流行率不断增加，痛风与诸多共病之间存在着复杂联系。现在有研究表明，尿酸盐结晶可直接沉积在血管壁，损伤血管内皮，导致动脉粥样硬化。在新发痛风的患者中始终能观察到单钠尿酸盐晶体的超声沉积，痛风石的范围与动脉粥样硬化斑块的存在显著相关。此外，尿酸含量的升高与脂质含量增加和冠状动脉斑块纤维化减少相关，这可能会导致斑块的脆性增加，变得更易脱落。痛风患者发生心脑血管意外的情况远远大于正常人群。颈动脉是身体中脑部血液供应的主要源动脉。同时它也是动脉粥样硬化的“易发生部位”，出现动脉粥样硬化就容易导致脑部缺血的问题，更严重时甚至容易诱发脑卒中问题的出现。所以，对于易发生动脉粥样硬化的高危的痛风患者应尽早发现识别，制定合理的预防方案。

3、分子生物学和第二代测序技术的发展使从基因和分子水平上大规模探索疾病的发病机制成为可能。同时，这些deg也为疾病的预测和治疗提供了一个新的方向。通过机器学习筛选特征基因，分析患者自身的血液中基因的表达，在患者住院早期甚至门诊中检查，迅速识别痛风发生动脉粥样硬化的高危患者，以便进行及时的干预与治疗。

技术实现思路

1、针对上述问题，本发明的目的是提供一种基于血液中cd83、tnf、vit基因表达识别痛风人群中动脉粥样硬化患者的临床决策支持方法。本发明通过机器学习筛选特征基因，分析患者自身的血液中基因的表达，为在患者住院早期甚至门诊中检查，迅速识别痛风人群中动脉粥样硬化的高危患者，以便进行及时的干预与治疗提供决策支持。

2、为实现上述目的，本发明采用以下技术方案：

3、一种基于血液中cd83、tnf、vit基因表达识别痛风合并动脉粥样硬化疾病的临床决策支持方法，其特征在于，包括以下步骤：

4、以cd83、tnf、vit基因为生物标志物，建立基于生物标志物表达的诺模图；

5、在诺模图的基础上，通过互联网平台开发了一个预测软件；在预测网站中分别输入cd83、tnf、vit三个基因的表达，根据模型风险评分公式，得到风险得分；

6、根据风险得分，识别痛风人群中患动脉粥样硬化的高危人群，为避免严重的心血管事件的发生提供决策支持。

7、优选的，所述cd83、tnf、vit基因为候选基因通过以下步骤筛选出：

8、s1，确定痛风患者和健康对照组之间的差异基因，确定动脉粥样硬化患者和健康对照组之间的差异基因；

9、s2，初步分析了差异基因所富集的生物途径和疾病类型；

10、s3，筛选合并两种疾病显著基因模块；

11、s4，筛选识别痛风患者动脉粥样硬化风险的生物标志物；

12、s5，评估筛选出的血液生物标志物敏感性和特异性。

13、优选的，所述步骤s1中通过分析从geo数据库中下载的1个痛风微阵列数据集和1个动脉粥样硬化微阵列数据集，合并确定两种疾病之间的差异基因。

14、优选的，所述步骤s2中使用metascape数据库和疾病本体富集分析进一步分析差异基因所富集的生物途径和富集的疾病类型。

15、优选的，所述步骤s3中使用加权基因共表达网络分析，并对两种疾病的显著基因模块进行筛选分析。

16、优选的，所述步骤s4中通过lasso和svm-rfe机器学习算法筛选痛风人群动脉粥样硬化风险的生物标志物。

17、优选的，所述步骤s4中通过使用外部数据集进一步验证候选生物标志物表达。

18、进一步的，基于cd83、tnf、vit的表达，使用"rms"包构建诺模图。

19、进一步的，所述模型风险评分公式为："points＝-7.320851639*cd83+73.208516392""points＝0*tnf^2+25*tnf+-87.5""points＝0*vit^3+0*vit^2+-10.72131678*vit+75.049217459""risk ofdisease＝-5.8922e-05*points^3+0.014265194*points^2+-1.093389846*points+26.609175153"；所述模型风险评分公式中cd83、tnf、vit为患者自身的基因表达量。

20、进一步的，所述风险评分在0-1范围内，评分越接近1，痛风患者患动脉粥样硬化的风险越高。

21、进一步的，所述诺模图用于识别痛风人群中动脉粥样硬化的高危人群，为动脉粥样硬化的预防及筛查提供快速决策支持。

22、由于以上技术方案的采用，本发明与现有技术相比具有如下优点：

23、(1)本发明通过分析了geo数据库中下载的1个痛风微阵列数据集，1个动脉粥样硬化微阵列数据集，确定了痛风患者和健康对照组之间、动脉粥样硬化患者和健康对照组的差异基因；通过使用go富集分析和do富集分析进一步分析了差异基因所富集的生物途径和富集的疾病类型；通过加权基因共表达网络分析(wgcna)确定疾病显著基因模块；通过lasso和svm-rfe机器学习算法识别痛风相关动脉粥样硬化的生物标志物；最终确定了cd83、tnf、vit基因可以作为生物标志物在识别动脉粥样硬化中具有较好的效果。

24、(2)本发明通过使用数据集进一步验证了生物标志物；并构建了基于候选标志基因表达的诺模图和在线工具来预测痛风合并动脉粥样硬化，所构建的列线图和在线工具具有较高的准确性。

25、(3)本发明通过机器学习识别特征基因，以临床决策为目标，构建可视化评价体系展示候选标志基因对痛风合并动脉粥样硬化患者风险进行风险评估，所述疾病筛查模型的输入为基因表达量，输出为疾病风险得分，所述疾病风险得分用于支持临床决策，可以帮助通过更加简单的方式筛选痛风人群易发生动脉粥样硬化的高危患者，提升筛查的准确率，预防更严重的心血管疾病的发生。