瘢痕疙瘩是一种慢性皮肤疾病，其特征是在伤口愈合过程中成纤维细胞的异常增殖，导致过多的疤痕形成。成纤维细胞是结缔组织中最重要的细胞类型之一，在组织修复和瘢痕形成中起重要作用。瘢痕疙瘩的治疗较为困难，因为瘢痕疙瘩成纤维细胞和正常皮肤成纤维细胞在形态上的差异并不显著。因此，深入研究成纤维细胞相关基因在瘢痕疙瘩形成过程中的分子调控机制，并发现与之相关的潜在诊断基因，对瘢痕疙瘩的临床诊断和治疗具有重要意义。

成纤维细胞的分布差异与包括瘢痕疙瘩在内的多种疾病有关。先前的研究表明，成纤维细胞的数量和活性在不同组织中存在显著差异，这些差异可以影响疾病的病理过程。例如，在瘢痕疙瘩中，成纤维细胞的过度增殖及其细胞外基质的异常分泌是病变的主要原因。虽然不同类型的成纤维细胞在瘢痕疙瘩形成中的作用尚不完全清楚，但它们的分布和功能差异显然是疾病发展的重要因素。事实上，线粒体基因在成纤维细胞中的差异表达在各种疾病的分子机制研究中越来越受到关注。线粒体是细胞能量代谢和信号转导的关键细胞器，其基因表达的变化可影响细胞功能，导致疾病的进展。现有文献表明，某些线粒体基因在瘢痕疙瘩患者的成纤维细胞中表现出异常表达。这些基因，如H19，可能通过参与特定的信号通路和代谢过程，影响细胞增殖、凋亡和ECM合成等关键过程，从而促进瘢痕疙瘩的形成因此，探索上述DEG的诊断价值对包括瘢痕疙瘩在内的各种疾病具有重要的临床意义。近年来，生物信息学分析技术在皮肤病学中得到了广泛的应用。例如，Ma等人通过生物信息学分析发现PTPRC、TYROBP和CXCR4与皮肌炎和动脉粥样硬化的发病机制密切相关此外，Xian等通过生物信息学分析发现CHL1和MBNL2可能通过调节hsa-miR-1305.13参与银屑病和非酒精性脂肪性肝炎的发生。

通过机器学习和综合生物信息学，在瘢痕疙瘩相关诊断基因领域取得了显著进展。最小绝对收缩和选择算子(LASSO)回归、随机森林(RF)和支持向量机(SVM)等算法可以有效地从大量生物数据集中识别关键诊断基因，这些算法通过处理高维数据和复杂的基因表达模式，揭示了与瘢痕疙瘩形成相关的特定基因特别是在涉及成纤维细胞线粒体相关基因的研究中，机器学习方法可以有效地筛选具有潜在疾病诊断和治疗价值的基因，帮助理解这些基因在疾病进展中的特定作用。

在这项研究中，我们基于GEO数据集探索了瘢痕疙瘩样本和对照样本之间成纤维细胞的分布，并鉴定了与成纤维细胞和线粒体相关的差异表达基因(DEGs)。随后，通过机器学习筛选特征基因，并验证其诊断价值。并分析了这些基因的靶向药物及相关转录调控。最后，利用qPCR分析对特征基因进行验证分析。通过结合机器学习和生物信息学分析，系统分析成纤维细胞相关线粒体基因在瘢痕疙瘩中的分子机制和诊断价值，希望进一步阐明瘢痕疙瘩的病理机制，为诊疗提供新的靶点和策略。

方法:基于三个瘢痕疙瘩数据集，对瘢痕疙瘩样本与对照样本间成纤维细胞的分布进行差异表达基因(differential expression genes, DEGs)研究和相关富集分析。然后，基于DEGs、在线数据库中的线粒体基因以及WCGNA发现的成纤维细胞相关基因，探索枢纽基因。随后，通过机器学习筛选特征基因，并通过nomogram验证其诊断价值。并分析了这些基因的靶向药物及相关转录调控。最后，利用qPCR分析对特征基因进行验证分析。

目前研究中使用的所有引物的详细信息

本研究的差异表达基因(DEGs)及其富集分析。(A)两组间DEGs火山图:红色节点代表上调基因，蓝色节点代表下调基因。(B)不同组deg的热图分析。(C-E)主要的氧化石墨烯生物过程(BP)功能、氧化石墨烯细胞组分(CC)和氧化石墨烯分子功能(MF)由deg组装:节点越大，组装的基因数量越多;节点越红，p值越显著。(F)显著的KEGG通路被deg富集:节点越大，聚集的基因数量越多;节点越红，p值越显著。

加权相关网络分析(WGCNA)结果。(A, B)无标度软阈值分布。(C)模型聚类分析:树形图表示基相非均质矩阵的系统聚类;动态树切合并动态表示合并模块前后的模块;图中不同的颜色代表不同的模块。(D)模块隶属度与基因重要性相关性热图:x轴表示洋红色模块中的模块隶属度，y轴表示成纤维细胞的基因重要性。

基于成纤维细胞相关基因的蛋白-蛋白相互作用网络及富集分析。(A) PPI网络由成纤维细胞相关基因构建。(B-D)主要的氧化石墨烯生物过程(BP)功能、氧化石墨烯细胞组分(CC)和氧化石墨烯分子功能(MF)由deg组装:节点越大，组装的基因数量越多;节点越红，p值越显著。(E)显著的KEGG通路被deg富集:节点越大，聚集的基因数量越多;节点越红，p值越显著。

当前研究中的特征基因研究。(A)发现的共同(co)基因是基于DEGs、成纤维细胞相关基因和基于人类线粒体基因组数据库的基因。(B)最小绝对收缩和选择算子(LASSO) Cox分析显示了8个特征基因:顶部的x轴代表模型中某一点非零系数的数量，y轴代表系数值。图中的每条曲线表示各自变量系数的变化轨迹。(C) LASSO模型的最佳惩罚系数:x轴表示log (Lambda)， y轴表示交叉验证误差;红点表示均方误差和标准差;均方误差越小，模型越好。(D)支持向量机(SVM)-REF模型的精度。(E) SVM-REF模型的错误率。F-G，采用随机森林(RF)算法选择的前4个基因:平均降低精度，表示随机森林预测精度降低的程度;均值增加gini，表示每个变量对分类树各节点观测值异质性的影响。

本研究中四个特征基因的诊断评价。(A)基于训练数据集的瘢痕疙瘩组与对照组特征基因表达比较:***P < 0.05;**** p < 0.01。(B) ROC分析显示了基于训练数据集的四个特征基因的AUC值。(C)瘢痕疙瘩组与对照组特征基因表达比较基于验证数据集:***P < 0.05;**** p < 0.01。(D) ROC分析显示了基于训练数据集的四个特征基因的AUC值。(E)预测能力研究的nomogram diagram。(F)标定曲线nomogram组合模型;x轴表示预测概率;y轴表示观察到的概率。(G)采用决策曲线分析(decision curve analysis, DCA)评价当前nomogram的最优阈值。(H)临床曲线分析用于评估当前图的性能

特征基因的免疫学相关性分析。(A)各样品中免疫细胞的相对浸润丰度估算:x轴代表不同的免疫细胞，y轴代表百分比;*0.01 < p < 0.05;**0.001 < p < 0.01， *** p < 0.001。(B)热图显示免疫细胞之间的相关性。(C)特征基因表达与免疫细胞的相关性:*P < 0.05;** p < 0.01。(D)基于xCell算法的特征基因表达与成纤维细胞含量的相关性:*P < 0.05;** p < 0.01。

结果:3个数据集共发现329个deg，并进行富集分析。WGCNA共发现258个成纤维细胞相关基因，这些基因主要在肌肉组织发育等功能中组装。通过机器学习，我们基于8个中心基因(成纤维细胞相关线粒体基因)筛选了4个特征基因(ACSF2、ALDH1B1、OCIAD2和SIRT4)。Nomogram和validation analysis证实了这四个基因在瘢痕疙瘩中的良好诊断性能。免疫浸润和药物相关性分析显示SIRT4与免疫细胞2型T辅助细胞和分子药物环孢素有显著相关性。这些发现为瘢痕疙瘩的临床诊断和治疗提供了新的视角。

结论:成纤维细胞相关线粒体基因SIRT4、OCIAD2、ALDH1B1、ACSF2是瘢痕疙瘩诊断的新标志基因，为瘢痕疙瘩的诊断和治疗提供了新的靶点和策略。

原始出处：

Wei T;  Xu ZThe diagnostic value and associated molecular mechanism study for fibroblast-related mitochondrial genes on keloid.Skin Res Technol 30(9)