摘要

背景：骨关节炎（OA）是一种常见的与年龄相关的关节疾病，其特征是关节破坏和生活质量受损。血管生成在OA的进展中起着关键作用。本研究旨在通过转录组学和机器学习方法识别OA中的关键血管生成相关基因（ARGs）。

方法：本研究分析了GSE55235数据集（10个OA和10个健康滑膜组织样本）中的差异表达基因（DEGs），结合加权基因共表达网络分析（WGCNA）和ARGs，筛选出差异表达的ARGs（DE-ARGs）。通过三种机器学习算法确定候选基因，并通过ROC曲线评估其诊断价值。随后进行了基因集富集分析（GSEA）、免疫细胞浸润分析和治疗剂预测，并通过RT-qPCR验证了生物标志物的表达。

结果：从1552个DEGs中鉴定出11个DE-ARGs，机器学习筛选出6个候选基因，其中COL3A1、OLR1、STC1和KCNJ8在训练和验证数据集中的AUC值均超过0.8，显示出较高的诊断价值。GSEA分析将这些基因与“溶酶体”通路联系起来，发现嗜酸性粒细胞和Th2细胞与其显著相关。此外，预测的潜在治疗药物包括双酚A、四氯二苯并对二恶英和丙戊酸钠。临床验证结果显示COL3A1、OLR1和STC1的表达水平与数据库结果一致。

结论：本研究发现COL3A1、OLR1、STC1和KCNJ8是骨关节炎的关键血管生成相关生物标志物，具有潜在的诊断和治疗价值。本研究强调了血管生成在OA进展中的重要性，并提出通过靶向血管生成相关通路可能提供新的治疗策略。

关键词：骨关节炎；血管生成；生物标志物；免疫浸润；调控网络