یادگیری ماشین دو نشانگر ژنی مرتبط با رینیت آلرژیک را شناسایی کرد

تحلیل محاسباتی داده‌های عمومی مربوط به بیان ژن در بافت بینی نشان داد که بررسی هم‌زمان دو ژن TNFSF14 و CD83 می‌تواند نمونه‌های افراد مبتلا به رینیت آلرژیک را از نمونه‌های افراد سالم متمایز کند. این پژوهش با استفاده از یک مجموعه داده برای شناسایی اولیه و دو مجموعه داده مستقل برای اعتبارسنجی انجام شد. طبقه‌بند دوژنی حاصل در مجموعه آموزشی به سطح زیر منحنی مشخصه عملکرد گیرنده (AUC) برابر با ۰٫۹۶۸ رسید. این مقدار در مجموعه اعتبارسنجی کوچک‌تر GSE46171 برابر با ۱٫۰۰۰ و در مجموعه GSE40037 برابر با ۰٫۷۵۸ بود. این نتایج نشان می‌دهند که ترکیب این دو ژن می‌تواند گزینه‌ای امیدوارکننده برای توسعه بیشتر باشد؛ بااین‌حال، پژوهشگران هشدار می‌دهند که مطالعه گذشته‌نگر بوده، بر تعداد نسبتاً محدودی از نمونه‌های ذخیره‌شده تکیه داشته و نه نقش علّی این ژن‌ها در بیماری را اثبات می‌کند و نه آمادگی آن‌ها را برای استفاده در تشخیص بالینی نشان می‌دهد.

تیم پژوهشی کار را با بررسی یک مجموعه داده ریزآرایه‌ای برای کشف اولیه آغاز کرد. این مجموعه با شناسه GSE75011 شامل ۱۵ نمونه از افراد مبتلا به رینیت آلرژیک و ۲۵ نمونه از افراد سالم بود. محققان با استفاده از آستانه غربالگری نسبتاً فراگیرِ مقدار p کمتر از ۰٫۰۵ و قدر مطلق تغییر بیان لگاریتمی با پایه ۲ بیشتر از ۰٫۵۸۵، رونوشت‌هایی را شناسایی کردند که بیان آن‌ها بین گروه بیمار و سالم تفاوت داشت. سپس این ژن‌های با بیان متفاوت را با مجموعه‌ای گزینش‌شده شامل ۱٬۵۴۲ ژن مرتبط با چسبندگی سلولی از پایگاه داده Molecular Signatures Database تطبیق دادند. حاصل این مرحله، شناسایی ۳۸ ژن مرتبط با چسبندگی سلولی بود که بیان آن‌ها تفاوت معناداری داشت.

تحلیل‌های غنی‌سازی با استفاده از هستی‌شناسی ژن (Gene Ontology) و پایگاه داده مسیرهای ژنی و ژنومی کیوتو (KEGG) نشان داد که این گروه ژنی با چسبندگی لکوسیت‌ها، فعال‌سازی سلولی، اتصال به گیرنده‌های سیتوکینی، چسبندگی کانونی و پیام‌رسانی مرتبط با مولکول‌های چسبندگی سلولی از ابرخانواده ایمونوگلوبولین ارتباط دارد. پژوهشگران تأکید کردند که این راهبرد با هدف شناسایی برنامه‌های تنظیم ایمنی دخیل در تعامل میان سلول‌ها طراحی شده بود و صرفاً به پروتئین‌های ساختاری چسبندگی سلولی محدود نمی‌شد.

نقشه‌برداری از تعاملات پروتئینی، مرحله دوم اولویت‌بندی نامزدها بود. محققان پایگاه داده STRING را بررسی کردند، تعاملاتی با امتیاز اطمینان حداقل ۰٫۱۵ را نگه داشتند، شبکه را در نرم‌افزار Cytoscape به نمایش گذاشتند و با افزونه MCODE، خوشه‌های دارای ارتباطات متراکم را شناسایی کردند. الگوریتم MCODE دو خوشه را تشخیص داد که خوشه دارای بالاترین امتیاز، ۱۳ ژن نامزدِ محوری را در بر می‌گرفت. بیان هر ۱۳ ژن در مجموعه داده اولیه، بین نمونه‌های مبتلا به رینیت آلرژیک و نمونه‌های شاهد تفاوت آماری معناداری داشت.

بیان ژن‌های CX3CR1 و CADM1 در افراد مبتلا به رینیت آلرژیک افزایش یافته بود؛ در مقابل، بیان ژن‌های NR4A3، PDCD1، MAP3K8، TNFSF14، ZC3H12A، DUSP1، NLRP3، SMAD7، TBX21، CD83 و ICOSLG کاهش نشان می‌داد. حاشیه‌نویسی عملکردی نیز نامزدهای محوری را به فرایندهایی مانند تمایز سلول‌های T آلفا-بتای مثبت از نظر CD4، فعال‌سازی سلول‌های T و چسبندگی بین سلولی لکوسیت‌ها مرتبط کرد. بدین‌ترتیب، دامنه تحلیل از بررسی الگوهای بیان ژن مرتبط با چسبندگی فراتر رفت و مدارهای ایمنی مرتبط با این الگوها را نیز در بر گرفت.

در مرحله بعد، ۱۳ ژن محوری به‌طور موازی با سه روش یادگیری ماشین بررسی شدند: رگرسیون لاسو با کمترین انقباض مطلق و انتخاب ویژگی (LASSO)، جنگل تصادفی و حذف بازگشتی ویژگی‌ها با ماشین بردار پشتیبان (SVM-RFE). روش LASSO در آستانه جریمه انتخاب‌شده از طریق اعتبارسنجی متقابل، پنج ژن را نگه داشت. در روش جنگل تصادفی، شش ژن امتیازی بالاتر از آستانه ۱ برای شاخص MeanDecreaseGini کسب کردند. روش SVM-RFE نیز با سه ویژگی به کمترین خطای طبقه‌بندی رسید. اشتراک نتایج هر سه الگوریتم شامل دو ژن TNFSF14 و CD83 بود.

در مجموعه داده اولیه، مقدار AUC برای TNFSF14 به‌تنهایی ۰٫۹۳۱ و برای CD83 برابر با ۰٫۸۴۵ بود؛ مدل ترکیبی این دو ژن به AUC برابر با ۰٫۹۶۸ رسید. پژوهشگران همچنین این دو نشانگر را در یک نمودار نوموگرام برای برآورد احتمال ابتلای هر نمونه گنجاندند، میزان انطباق وضعیت پیش‌بینی‌شده و مشاهده‌شده را با تحلیل کالیبراسیون بررسی کردند و از تحلیل منحنی تصمیم برای ارزیابی عملکرد مدل در آستانه‌های مختلف احتمال بهره بردند.

نتایج آزمون‌های خارجی متفاوت، اما امیدوارکننده بود. طبقه‌بند دوژنی در مجموعه GSE46171 که شامل شش نمونه مبتلا به رینیت آلرژیک و سه نمونه شاهد بود، به AUC برابر با ۱٫۰۰۰ رسید. بااین‌حال، نویسندگان صریحاً هشدار دادند که به‌دلیل کوچک بودن این مجموعه، باید این نتیجه را با احتیاط تفسیر کرد. در مجموعه GSE40037، شامل ۱۰ نمونه بیمار و ۱۲ نمونه شاهد، مقدار AUC به ۰٫۷۵۸ رسید. این نتیجه نشان می‌داد که توانایی مدل برای تفکیک دو گروه همچنان وجود دارد، اما از عملکرد آن در مجموعه داده اولیه کمتر است.

در بررسی جداگانه هر نشانگر، CD83 در هر دو مجموعه اعتبارسنجی ارزش تشخیصی متوسطی را حفظ کرد، درحالی‌که عملکرد TNFSF14 متغیر بود. در مجموع، بیان هر دو ژن در نمونه‌های افراد مبتلا به رینیت آلرژیک معمولاً کمتر بود، اما تفاوت میان گروه‌ها در مجموعه‌های مختلف یکسان نبود. کاهش بیان TNFSF14 در GSE46171 از نظر آماری معنادار بود، اما در GSE40037 به این سطح از معناداری نرسید. در مقابل، کاهش بیان CD83 در GSE40037 معنادار بود، اما در GSE46171 معنادار نبود. بنابراین، در این تحلیل، پنل ترکیبی دو ژن در مقایسه با هر ژن به‌تنهایی، عملکرد باثبات‌تری نشان داد.

هر دو نشانگر در مسیرهای ایمنی مرتبط با التهاب آلرژیک نقش دارند. ژن TNFSF14 پروتئینی از خانواده لیگاندهای فاکتور نکروز تومور (TNF) را رمزگذاری می‌کند که با گیرنده واسطه ورود هرپس‌ویروس و گیرنده‌های لنفوتوکسین بتا اتصال برقرار می‌کند. این تعامل‌ها می‌توانند تکثیر لنفوسیت‌ها را تحریک کنند و پاسخ‌های ایمنی را تعدیل کنند. تفسیر کاهش بیان این ژن در رینیت آلرژیک ساده نیست، زیرا در شرایط دیگری نیز ارتباط آن با فعال‌سازی ایمنی گزارش شده است. به گفته پژوهشگران، تغییر ترکیب سلول‌های ایمنی، مرحله بیماری یا پاسخ‌های جبرانی ممکن است این مشاهده را توضیح دهد.

ژن CD83 با بلوغ و تنظیم عملکرد سلول‌های دندریتیک ارتباط دارد و هر دو شکل غشایی و محلول آن می‌توانند بر پاسخ‌های سلول‌های T و B اثر بگذارند. کاهش بیان این ژن در بافت نیز ممکن است ناشی از تفاوت در تعداد یا ترکیب سلول‌های دندریتیک باشد، نه لزوماً کاهش فعالیت تنظیمی درون تک‌تک سلول‌ها. ازاین‌رو، محققان هر دو نشانگر را ویژگی‌های رونویسی مرتبط با سیستم ایمنی تفسیر می‌کنند، نه شواهد مستقیمی از اختلال در مسیرهای مولکولی یا نقش علّی آن‌ها در ایجاد بیماری.

تحلیل محاسباتی ترکیب سلول‌های ایمنی نشان داد که تفاوت‌های بیان ژن در بستری از تغییرات محیط سلول‌های T رخ داده است. تحلیل غنی‌سازی مجموعه ژنی در سطح هر نمونه (ssGSEA) حاکی از کاهش امضاهای مرتبط با سلول‌های دندریتیک فعال و سلول‌های T کمکی فولیکولی در نمونه‌های رینیت آلرژیک بود. در همین حال، امضای عمومی سلول‌های T کمکی تا حد متوسط افزایش یافته و امتیازهای هم‌تحریکی سلول‌های T کاهش یافته بود. روش CIBERSORT نیز تصویری مکمل ارائه کرد: میزان برآوردشده سلول‌های T حافظه CD4 در حالت استراحت کمتر و میزان سلول‌های T نایو CD4 در گروه بیمار بیشتر بود.

تحلیل همبستگی پیرسون نشان داد که TNFSF14 و CD83 با برآوردهای مربوط به چندین نوع سلول ایمنی، روابطی متمایز اما تا حدی هم‌پوشان دارند. این یافته‌های محاسباتی با تغییر در زمینه سلولی و عملکردی نمونه‌های بافت بینی سازگارند، اما مشخص نمی‌کنند که کدام جمعیت‌های ایمنی موجب تغییرات بیان ژن شده‌اند. در تحلیل رونویسی کل بافت، تغییر در فراوانی یا ترکیب سلول‌ها ممکن است به‌اشتباه به‌صورت تغییر در تنظیم ژن‌ها درون یک نوع سلولی خاص به نظر برسد.

خوشه‌بندی بر پایه الگوهای بیان ژن، نمونه‌های مبتلا به رینیت آلرژیک را در مجموعه آموزشی به دو گروه اکتشافی تقسیم کرد. تحلیل تجزیه ماتریس نامنفی (NMF) از وجود ساختاری دوگروهی حکایت داشت و تحلیل مؤلفه‌های اصلی (PCA) نشان داد که این دو گروه در نواحی متفاوتی از فضای رونویسی قرار می‌گیرند. بیان TNFSF14 در زیرگروه ۲ بیشتر بود، درحالی‌که CD83 در زیرگروه ۱ بیان بالاتری داشت.

این دو گروه همچنین در برآوردهای حاصل از تحلیل تک‌نمونه‌ای مربوط به سلول‌های دندریتیک پلاسماسیتوئیدی، سلول‌های T کمکی و سیگنال‌های مرتبط با لنفوسیت‌های نفوذکننده به تومور تفاوت داشتند. تفاوت‌هایی نیز در هم‌تحریکی سلول‌های ارائه‌کننده آنتی‌ژن، فعالیت نقاط وارسی ایمنی، فعالیت سیتولیتیک و هم‌تحریکی سلول‌های T مشاهده شد. روش MCP-counter تفاوت‌های گسترده‌تری را در ترکیب برآوردشده سلول‌های ایمنی نشان داد. ژن‌های متمایزکننده این گروه‌ها از نظر آماری با فرایندهای حذف پیریمیدین، کاتابولیسم کتون‌ها و تجزیه مولکول‌های کوچک غنی شده بودند؛ یافته‌ای که در کنار تفاوت‌های ایمنی، احتمال وجود تفاوت‌های متابولیکی را نیز مطرح می‌کند. ازآنجاکه خوشه‌بندی فقط بر نمونه‌های مجموعه داده اولیه انجام شده بود، نویسندگان این گروه‌ها را الگوهای مولکولی اکتشافی می‌دانند، نه زیرگونه‌های بالینی قطعی.

در این پژوهش، تأثیرات تنظیمی احتمالی نیز بررسی شد، اما نتایج این بخش صرفاً برای طرح فرضیه‌های پژوهشی مناسب‌اند. پیش‌بینی‌های پایگاه NetworkAnalyst هر دو نشانگر را به عوامل رونویسی نامزد، از جمله اعضای خانواده‌های NF-κB، STAT و IRF، مرتبط کردند. همچنین، تعاملات میکروRNA که در پایگاه miRTarBase شواهد تجربی داشتند، همراه با روابط میان RNAهای بلند غیرکدکننده و میکروRNAها برای ساخت یک شبکه احتمالی RNAهای درون‌زای رقیب ترکیب شدند. TNFSF14 در این شبکه جایگاه مرکزی‌تری داشت و به تعداد بیشتری از تنظیم‌کننده‌های احتمالی RNA غیرکدکننده مرتبط بود.

تحلیل غنی‌سازی با استفاده از پایگاه DSigDB، امضاهای بیان ژن را با ترکیباتی از جمله پورومایسین، منادیون، سانگوئینارین و بتامتازون والرات مرتبط کرد. بااین‌حال، شباهت‌های شناسایی‌شده در پایگاه داده اثبات نمی‌کنند که هیچ‌یک از این ترکیبات رینیت آلرژیک را درمان می‌کنند یا بر این نشانگرها در بیماران اثر می‌گذارند. افزون بر این، مطالعه فاقد اندازه‌گیری پروتئین، آزمایش‌های عملکردی، اطلاعات دقیق درباره شدت بیماری و درمان، کنترل اثر آسم یا التهاب ملتحمه هم‌زمان و نمونه‌گیری گسترده از مناطق جغرافیایی و جمعیت‌های مختلف بود.

در مجموع، این یافته‌ها یک امضای محاسباتی متشکل از دو ژن و چارچوبی احتمالی برای درک تفاوت‌های مولکولی در میان افراد مبتلا به رینیت آلرژیک ارائه می‌کنند. TNFSF14 و CD83 باید در نمونه‌های مستقل بافت بینی یا خون از نظر تجربی اعتبارسنجی شوند. همچنین لازم است مشخص شود که آیا میزان RNA آن‌ها با مقدار پروتئین متناظر است و دست‌کاری هر یک از این ژن‌ها می‌تواند رفتار سلول‌های دندریتیک یا سلول‌های T را تغییر دهد یا خیر.

برای ارزیابی دقیق‌تر این پنل، مطالعات آینده‌نگر با نمونه‌های بزرگ‌تر و اطلاعات بالینی مشخص نیز ضروری است. این مطالعات باید بررسی کنند که آیا دقت مدل در افرادی که درمان‌های متفاوت دریافت می‌کنند، بیماران با شدت‌های مختلف علائم و افرادی که هم‌زمان به بیماری‌های آلرژیک دیگری مبتلا هستند، حفظ می‌شود یا خیر. در حال حاضر، محکم‌ترین نتیجه این است که تحلیل ترکیبی چند الگوریتم یادگیری ماشین از میان ژن‌های ایمنی مرتبط با چسبندگی سلولی، به‌طور مداوم TNFSF14 و CD83 را انتخاب کرده است؛ اما اهمیت عملکردی و بالینی این دو نشانگر هنوز به ارزیابی مستقیم نیاز دارد.

موضوع پژوهش: تحلیل رونوشت‌نگاری و امضاهای ایمنی برای شناسایی نشانگرهای زیستی تشخیصی بالقوه در رینیت آلرژیک

عنوان مقاله: تحلیل یکپارچه شبکه و یادگیری ماشین، نشانگرهای زیستی مرتبط با چسبندگی سلولی و ناهمگنی ایمنی در رینیت آلرژیک را شناسایی می‌کنند.

منبع مقاله: He, G., & Zhang, L. (2026). Integrative Network Analysis and Machine Learning Identify Cell Adhesion-Related Biomarkers and Immune Heterogeneity in Allergic Rhinitis. Immunity, Inflammation and Disease, 14(10), مقاله e70562. https://doi.org/10.1002/iid3.70562

شناسه دیجیتال مقاله (DOI): 10.1002/iid3.70562

کلیدواژه‌ها: رینیت آلرژیک، TNFSF14، CD83، نشانگرهای زیستی تشخیصی، یادگیری ماشین، رونوشت‌نگاری، ناهمگنی ایمنی، چسبندگی سلولی، پروفایل‌سازی سلول‌های T، مجموعه داده‌های عمومی بیان ژن، تحلیل یکپارچه، شبکه