L'objectif est d'utiliser des méthodes de bioinformatique pour analyser les caractéristiques d'expression des gènes communs à la polyarthrite rhumatoïde (PR) et au syndrome métabolique (Mets), d'explorer des biomarqueurs potentiels et d'évaluer leur valeur diagnostique. La méthode est basée sur l'utilisation des ensembles de données de puces à ADN de la base de données génique d'expression globale (GEO) pour étudier les modèles d'expression génique de la PR et des Mets. Une analyse des gènes différentiellement exprimés (DEGs) et une analyse en réseau de co-expression génique pondérée (WGCNA) ont été employées pour identifier les gènes communs à la PR et aux Mets, avec une clarification de leurs fonctions via l'ontologie des gènes (GO), l'encyclopédie génomique de Kyoto (KEGG) et les réseaux d'interaction protéine-protéine. Les gènes centraux partagés clés ont été identifiés à l'aide des algorithmes de forêt aléatoire et de sélection par contraction absolue minimale (LASSO), tandis que les relations causales entre ces gènes clés et la PR ont été vérifiées par randomisation mendélienne et un modèle de prédiction diagnostique a été construit via la technique d'apprentissage machine XGBoost. La corrélation entre les gènes centraux, l'infiltration des cellules immunitaires et les voies métaboliques a été évaluée via CIBERSORT et l'analyse des variations par ensemble de gènes (GSVA), et le rôle et l'expression de ces gènes centraux ont été validés à partir des données de séquençage transcriptomique unicellulaire et des échantillons de sang cliniques. Les résultats ont montré que l'analyse des ensembles de données GSE93777 et GSE98895 via le paquet limma R a identifié respectivement 259 et 280 DEGs, et conjointement avec la technique WGCNA, 88 gènes caractéristiques co-exprimés dans la PR et les Mets ont été identifiés, ces gènes étant significativement enrichis dans les processus biologiques liés à la réponse immunitaire et à la régulation métabolique. L'apprentissage machine a permis de sélectionner 24 gènes centraux partagés clés, qui ont été efficacement utilisés pour développer un modèle prédictif pronostique. Les résultats de CIBERSORT et GSVA ont montré que ces gènes centraux sont étroitement liés à la fonction immunitaire et à l'activité métabolique dans le sang périphérique, tandis que l'analyse de randomisation mendélienne suggère une relation causale potentielle entre STAT3 et le risque de PR. Le séquençage unicellulaire a validé les excellentes performances diagnostiques des gènes granzyme A (GZMA) et facteur de signalisation et d'activation de la transcription 3 (STAT3). Conclusion : nous avons réussi à identifier les gènes régulateurs clés communs à la PR et aux Mets ; les gènes GZMA et STAT3 sont positivement corrélés avec le métabolisme énergétique, et les voies métaboliques impliquées pourraient être étroitement liées à l'activité cellulaire.

polyarthrite rhumatoïde; bioinformatique; apprentissage automatique; cellule unique; syndrome métabolique