Maschinelles Lernen entdeckt zwei Mitophagie-Gene, die zur Diagnose von rheumatoider Arthritis beitragen könnten

Rheumatoid Arthritis (RA) ist eine chronische Autoimmunerkrankung, die weltweit Millionen von Menschen betrifft und durch synoviale Entzündung sowie fortschreitende Gelenkzerstörung gekennzeichnet ist. Trotz therapeutischer Fortschritte bleibt eine frühzeitige und präzise Diagnose schwierig, und die molekularen Mechanismen, die RA antreiben, sind noch nicht vollständig verstanden. Zunehmende Belege deuten darauf hin, dass Mitophagie – die selektive Autophagie dysfunktionaler Mitochondrien – an der Immunregulation und Knochenmetabolismusstörungen beteiligt ist, doch ihre spezifische Rolle bei RA war bislang unklar.

Um diese Wissenslücke zu schließen, analysierten Forscher den öffentlich zugänglichen Genexpressionsdatensatz GSE77298 aus dem Gene Expression Omnibus und verglichen RA-Patienten mit gesunden Kontrollpersonen. Sie identifizierten 267 differenziell exprimierte Gene und glichen diese mit einer kuratierten Liste Mitophagie-assoziierter Gene ab. Mithilfe der gewichteten Genkoexpressionsnetzwerkanalyse (WGCNA) isolierten sie 2.191 Schlüsselmodulgene, woraus schließlich 63 differenziell exprimierte Mitophagie-assoziierte Gene für eine eingehendere Untersuchung hervorgingen.

Aus diesen Kandidaten wurden zwei Hub-Gene – TMEM45A und ZBTB25 – aufgrund ihrer herausragenden diagnostischen Leistung ausgewählt. Die ROC-Analyse ergab Flächen unter der Kurve von 0,991 bzw. 0,911, was auf eine nahezu ausgezeichnete Trennschärfe zwischen RA-Gewebe und gesundem Gewebe hinweist. Ein künstliches neuronales Netzwerkmodell sowie ein Nomogramm wurden entwickelt, um ihren kombinierten diagnostischen Nutzen zu veranschaulichen und zu visualisieren.

Diese Ergebnisse legen nahe, dass eine Dysregulation der Mitophagie nicht am Rande, sondern im Zentrum der RA-Pathologie steht. TMEM45A, das mit Hypoxiereaktionen und Membranintegrität in Verbindung gebracht wird, sowie ZBTB25, ein transkriptioneller Repressor, könnten das Verhalten von Immunzellen und das Überleben von Gelenkgewebe unter entzündlichem Stress beeinflussen.

Zu den Einschränkungen zählt die Abhängigkeit von einem einzigen öffentlich verfügbaren Datensatz, was die Verallgemeinerbarkeit der Ergebnisse begrenzt. Die Studie ist rechnergestützt und retrospektiv angelegt, ohne Laborvalidierung oder longitudinale Patientendaten. Prospektive klinische Studien und funktionelle Experimente sind erforderlich, bevor diese Biomarker für den klinischen Einsatz in Betracht gezogen werden können.