影响因子：7.3

研究概述：

吉兰-巴雷综合征 （GBS）是一种由免疫引起的急性炎症性周围神经病变的疾病，以机体免疫系统攻击周围神经为特征，包括脊神经根、周围神经和颅神经，会导致肢体无力、感觉异常和面神经麻痹。据报道，GBS通常在细菌或病毒感染后获得，与巨细胞病毒（CMV）、EB病毒（EBV）、寨卡病毒和西尼罗河病毒等多种病毒密切相关。

而一些研究报告了与 COVID-19和 GBS 相关的临床病例，与 COVID-19 相关的 GBS 在电生理学方面通常表现出暗示存在脱髓鞘的观察结果。然而仍然缺乏对这两种疾病的基因水平研究。

因此本研究旨在利用生物信息学技术，研究COVID-19 和 GBS 共有的分子生物学机制和途径，并建立它们之间的相关性。

该思路筛选关键基因太过简单，可以结合百种机器学习建模并筛选基因，回使文章更饱满。

流程图：

作者从GEO数据库中收集与 COVID-19 和 GBS 相关的差异表达基因（DEGs）。通过取交集获得了 COVID-19 和 GBS 的共享 DEG。随后利用生物信息学分析工具分析常见的DEGs，进行功能富集分析，构建蛋白质-蛋白质相互作用网络（PPI）、转录因子（TF）-基因网络和TF-miRNA网络。最后通过构建受试者工作特征（ROC）曲线来验证发现。

研究结果：

一、鉴定 COVID-19 和 GBS 之间的 DEGs和共享基因

1. 作者选择了两个数据集：GSE157103数据集包括102个COVID-19样本和26个非COVID-19样本组成。GSE31014数据集包括7名GBS患者和7名健康人外周血白细胞的全局基因表达微阵列。

2. 在GSE31014中检测到 164 个 DEGs，其中 150 个基因上调，14 个基因下调（图 2A）。在GSE157103中，综合分析揭示了 1315 个 DEGs。901 个基因上调，414 个基因下调（图 2B）。作者确定了12 种共享DEGs：HBQ1、CAMP、LTF、CFD、DEFA1B、SAMD9、GBP1、JUNB、DDX60、MIR8071-2、DEFA4 和 OAS3（图 2C）。

3. 在 12 个共享DEGs中，在 GSE31014的疾病组中，只有 HBQ1 被发现下调，而其余基因表达均上调（图 3A）。在GSE157103中，与对照组相比，疾病组的HBQ1、CFD和JUNB基因表达水平较低，而其他基因的表达水平较高（图3B）。

二、DEGs的GO和KEGG富集分析（图 4）

1. GO富集分析显示显著富集的通路（p值<0.05）。

生物过程(BP) 主要集中在：黏膜中的先天免疫应答、器官或组织特异性免疫应答以及黏膜免疫应答。包括 CAMP、LTF、DEFA1B 和 DEFA4 在内的 DEGs 在上述生物过程中富集。

细胞组成(CC)在囊泡腔、细胞质囊泡腔和分泌颗粒腔中较高。基因 CAMP、LTF、DEFA1B、DEFA4 和 CFD 在上述细胞组成中起着至关重要的作用。

分子功能(MF)方面，双链RNA结合、脂多糖结合和铁离子结合排名最高。

2. 进行KEGG通路富集分析，确定了12个常见DEGs之间的共享通路。前3位分别是 NOD 样受体信号通路、金黄色葡萄球菌感染和癌症转录失调。参与NLR信号通路的DEGs为CAMP、DEFA1B、GBP1、DEFA4和OAS3。

三、PPI网络建设

1. 作者将 12 个 DEGs提交给 STRING 数据库，并利用生成的数据创建可视化表示。共享基因的PPI网络由11个节点和12个边组成（图5A）。作者使用GeneMANIA数据库创建了一个详细的基因相互作用网络，有助于了解表达方式不同的基因的生物学功能。结果表明，76.91%的基因是共表达的，17.39%是共享的蛋白质结构域（图5B）。

四、TF-基因网络和TF-miRNA共调控网络

1. 使用 NetworkAnalyst 3.0 对 TF-基因网络和 TF-miRNA 共调控网络中常见 DEGs进行鉴定。该网络由 11 个种子、54 个节点和 86 个边组成（图 6）。在 TF-基因相互作用的网络中，LTF、JUNB 和 HBQ1 显示出与其他 TF 的大量连接，FOXC1 和 GATA2 是TF-基因相互作用中最活跃的转录因子。

2. 之后使用相同的方法构建了TF-miRNA共调控网络，以预测共享DEG、TF和miRNA之间的相互作用（图7）。该网络包括 9 个种子、1100 个节点和 1109 个边。与 TF 和 miRNA 关系最密切的基因是 JUNB。

五、共享DEG的ROC曲线构建

1. 通过在GBS数据集中构建ROC曲线来评估12种常见DEGs的有效性，以确定其诊断效果。CAMP （AUC：0.939）、LTF （AUC：0.878）、DEFA1B （AUC：0.837）、SAMD9（AUC：0.837）、GBP1（AUC：0.816）、DDX60 （AUC：0.796）、DEFA4 （AUC：0.735） 和 OAS3（AUC：0.755）这8个基因可用于区分 GBS 患者和健康个体，表现出良好的诊断效率（图 8A）。

2. COVID-19数据集显示同样的8个基因：CAMP（AUC：0.692）、LTF（AUC：0.764）、DEFA1B（AUC：0.701）、SAMD9（AUC：0.786）、GBP1（AUC：0.757）、DDX60（AUC：0.802）、DEFA4（AUC：0.763）和OAS3（AUC：0.801），表现出卓越的诊断能力（图8B）。

研究总结：

本研究首次利用使用生物信息学方法分析了两个独立的 COVID-19 和 GBS 基因微阵列数据库。通过GEO数据库成功识别了12个常见的DEGs以区分COVID-19和GBS。其中有8个基因——CAMP、LTF、DEFA1B、SAMD9、GBP1、DDX60、DEFA4 和 OAS3 被确定为 COVID-19 和 GBS 之间最重要的相互作用基因。基于GO富集分析，观察到DEGs主要富集在调节免疫反应的信号通路中。此外，DEGs的KEGG富集分析主要集中在NOD样受体信号通路上。