Alopecia Areata (AA) ist durch eine Autoimmunreaktion auf Haarfollikel (HFs) gekennzeichnet und ihre genaue Pathobiologie bleibt unklar. Die aktuelle Studie zielt darauf ab, die molekularen Veränderungen in der Haut von AA-Patienten sowie die möglicherweise zugrunde liegenden molekularen Mechanismen von AA zu untersuchen, um potenzielle Kandidaten für die Früherkennung und Behandlung von AA zu identifizieren. Wir haben die Weighted Gene Co-Expression Network Analysis (WGCNA) angewendet, um Schlüsselmodule, Hub-Gene und mRNA-miRNA-Regulationsnetzwerke zu identifizieren, die mit AA assoziiert sind. Darüber hinaus wurde Chi2 als maschineller Lernalgorithmus verwendet, um die Genwichtigkeit in AA zu berechnen. Schließlich zeigte die Wirkstoff-Target-Konstruktion das Potenzial der Neupositionierung von Medikamenten für die Behandlung von AA. Unsere Analyse unter Verwendung von vier AA-Datensätzen stellte ein Netzwerk her, das stark mit der AA-Pathogenität korreliert, basierend auf den Hub-Genen GZMA, OXCT2, HOXC13, KRT40, COMP, CHAC1 und KRT83. Interessanterweise hat das maschinelle Lernen diese Gene als wichtig für die AA-Pathogenität eingeführt. Außerdem haben wir anhand von weiteren zehn Datensätzen gezeigt, dass CHAC1 AA klar von ähnlichen klinischen Phänotypen unterscheiden kann, wie z. B. vernarbender Alopezie aufgrund von Psoriasis. Außerdem wurden zwei von der FDA zugelassene Arzneimittelkandidaten und 30 experimentell validierte miRNAs identifiziert, die das Koexpressionsnetzwerk beeinflussten. Unter Verwendung einer Transkriptomanalyse wurde CHAC1 als potenzieller diagnostischer Prädiktor für die Diagnose von AA vorgeschlagen.
Schlüsselwörter:
WGCNA; Alopecia areata; Neupositionierung von Medikamenten; maschinelles Lernen; molekulare Pathogenität; Transkriptomanalyse.
Dies ist ein automatisch übersetzter Artikel. Er kann nur einer groben Orientierung dienen. Das Original gibt es hier: psoriasis
