Ziel ist die Anwendung bioinformatischer Methoden zur Analyse der Expressionsmerkmale gemeinsamer Gene bei rheumatoider Arthritis (RA) und metabolischem Syndrom (Mets), die Erschließung potenzieller Biomarker und die Bewertung ihres diagnostischen Werts. Die Methode basiert auf der Nutzung von Microarray-Datensätzen aus der Gen-Expression-Ontologie-Datenbank (GEO), um Expressionsmuster von Genen bei RA und Mets zu untersuchen. Differenziell exprimierte Gene (DEGs) und die gewichtete Gen-Koexpressionsnetzwerkanalyse (WGCNA) wurden verwendet, um gemeinsame Gene bei RA und Mets zu identifizieren, und deren Funktionen wurden durch Genontology (GO), die Kyoto Encyclopedia of Genes and Genomes (KEGG) und Protein-Protein-Interaktionsnetzwerke erläutert. Schlüssel-gemeinsame Hub-Gene wurden mittels Random Forest- und LASSO-Algorithmus identifiziert, kausale Zusammenhänge zwischen den Schlüsselgenen und RA durch Mendelsche Randomisierung validiert, und mit der XGBoost-Machine-Learning-Technik ein diagnostisches Vorhersagemodell entwickelt. Die Korrelation der Hub-Gene mit der Immunzellinfiltration und den Stoffwechselwegen wurde mit CIBERSORT und der Gen-Set-Variation-Analyse (GSVA) bewertet, die Rolle und Expression dieser Schlüssel-Hub-Gene durch Einzelzellex-Transkriptomsequenzierungsdaten und klinische Blutproben validiert. Ergebnisse zeigten, dass mit dem limma R-Paket die Datensätze GSE93777 und GSE98895 analysiert wurden und jeweils 259 und 280 DEGs identifiziert wurden; gemeinsam mit WGCNA wurden 88 charakteristische Gene mit gemeinsamer Expression bei RA und Mets identifiziert, die signifikant in biologische Prozesse der Immunantwort und Stoffwechselregulation angereichert sind. Durch maschinelles Lernen wurden 24 Schlüssel-gemeinsame Hub-Gene weiter ausgewählt, die erfolgreich für die Entwicklung eines prognostischen Modells verwendet wurden. CIBERSORT- und GSVA-Bewertungen zeigten, dass diese Hub-Gene eng mit der Immunfunktion und Stoffwechselaktivität im peripheren Blut verbunden sind, während die Mendelsche Randomisierungsanalyse eine potenzielle kausale Beziehung zwischen STAT3 und dem RA-Risiko nahelegt. Einzelzell-RNA-Sequenzierungsdaten bestätigten die herausragende diagnostische Leistungsfähigkeit der Granzyme A (GZMA) und Signaltransduktions- und Transkriptionsaktivierungsfaktor 3 (STAT3) Gene. Fazit: Schlüsselregulatorische Gene, die RA und Mets gemeinsam sind, wurden erfolgreich identifiziert; die GZMA- und STAT3-Gene korrelieren positiv mit dem Energiestoffwechsel, und die beteiligten Stoffwechselwege stehen möglicherweise in engem Zusammenhang mit der Zellaktivität.

rheumatoide Arthritis; Bioinformatik; maschinelles Lernen; Einzelzelle; metabolisches Syndrom