摘要
为探讨自噬相关基因（ARGs）在糖尿病肾脏疾病（DKD）中的作用，通过机器学习方法筛选潜在的诊断基因，为DKD的早期诊断和治疗提供新的生物标志物和治疗靶点。从HADb数据库获取ARGs，对GSE96804数据集进行差异表达分析获得差异表达基因（DEGs），并与ARGs取交集后筛选出DKD-ARGs基因进行GO和KEGG富集分析。使用4种机器学习方法（LASSO、SVM、RF和BORUTA）筛选诊断基因并进行验证。通过无监督聚类分析和主成分分析识别自噬分子亚型并进行免疫浸润分析。获得1526个DEGs（706个上调基因和820个下调基因），将DEGs与222个ARGs 取交集筛选出16个DKD-ARGs。GO和KEGG分析显示这些基因主要富集于细胞死亡、自噬、缺氧反应、炎症和免疫调节等生物过程和信号通路。机器学习算法最终筛选出3个关键诊断基因：CASP3、CDKN1B和PTEN，这些基因在验证集中显示出良好的预测性能。根据筛选出的基因进行一致性聚类获得Cluster1和Cluster2，免疫浸润分析显示两种自噬分子亚型之间存在显著的免疫细胞分布差异，揭示了自噬与免疫反应在DKD中的复杂关系。自噬相关诊断基因CASP3、CDKN1B和PTEN在DKD的早期诊断和治疗中具有重要应用潜力，为DKD提供了新的研究方向和治疗策略。
Abstract
To investigate the role of autophagy-related genes (ARGs) in diabetic kidney disease (DKD), screen potential diagnostic genes using machine learning methods, and thereby provide new biomarkers and targets for the early diagnosis and treatment of DKD. ARGs were obtained from the HADb database. Differential expression analysis of the GSE96804 dataset was performed to identify differentially expressed genes (DEGs), which were intersected with ARGs to screen DKD-ARGs genes for GO and KEGG enrichment analysis. Five machine learning methods (LASSO regression, SVM, random forest, XGBoost, and BORUTA) were used to screen and validate diagnostic genes. Unsupervised clustering analysis and principal component analysis were used to identify autophagy molecular subtypes and perform immune infiltration analysis. A total of 1526 DEGs (706 up-regulated genes and 820 down-regulated genes) were identified. The intersection of DEGs with 222 ARGs screened out 16 DKD-ARGs. GO and KEGG analyses showed that the genes were mainly enriched in biological processes and signaling pathways related to cell death, autophagy, hypoxic response, inflammation, and immune regulation. Machine learning algorithms ultimately identified three key diagnostic genes: CASP3, CDKN1B, and PTEN, which showed good predictive performance in the validation set.Consistency clustering based on the screened genes identified Cluster1 and Cluster2. Immune infiltration analysis showed significant differences in immune cell distribution between the two autophagy molecular subtypes, revealing the complex relationship between autophagy and immune response in DKD.The autophagy-related diagnostic genes CASP3, CDKN1B, and PTEN have significant potential for early diagnosis and treatment of DKD, providing new research directions and therapeutic strategies for DKD.
Keywords
糖尿病肾脏疾病（Diabetic kidney disease，DKD）是糖尿病患者最常见的慢性并发症之一，是终末期肾脏病（End-stage renal disease，ESRD）的主要原因[1]。现阶段针对DKD的治疗主要集中在控制血糖和血压，然而严格的控制血糖、血压亦无法完全阻止疾病的进展[2]。因此学者通过多角度深入探索其发病机制，试图寻找其生物学标志物及治疗靶点。自噬是一种进化上高度保守的细胞自我降解过程，不仅在维持细胞内部的营养平衡和有机物质循环中起关键作用，还在应对细胞应激、清除损伤或老化细胞成分以及调节免疫应答等方面发挥重要功能[3]。课题组前期大量研究发现自噬在肾脏疾病，特别是DKD的发生发展中起到重要作用，自噬异常调控或功能缺陷被认为是糖尿病条件下肾组织细胞功能失调的一个关键因素[4-8]。对自噬机制的深入研究不仅有助于理解其内在机制，还为开发新的治疗策略提供了潜在的靶点和方向。自噬相关基因（Autophagy-related genes，ARGs）是一组编码参与自噬过程中关键蛋白质的基因，参与了自噬体形成、自噬体与溶酶体的融合以及内部物质的降解和再循环等核心过程的调控，ARGs在不同的应激条件下被激活，参与细胞的应激反应和损伤修复，为疾病的发生机制提供了重要线索[9]。然而，目前对ARGs在DKD中的具体作用及其作为诊断和治疗靶点的潜力仍然未知。本研究旨在利用机器学习方法筛选DKD相关的自噬基因，并探讨其在DKD中的潜在机制，为DKD的早期诊断和治疗提供新的生物标志物和靶点。
1 材料和方法
1.1 数据获取
本研究从Human Autophagy Database（http://www.autophagy.lu/index.html）获得222个ARGs。试验集选用基因表达综合数据库（Gene expression omnibus，GEO）中的GSE96804数据集，该数据集包含20个正常样本和41个DKD样本。为了验证结果的可靠性，选择GSE30529数据集作为验证集，包括12个正常样本和10个DKD样本。使用R studio的limma[10]包进行差异表达分析，差异表达基因（Differentially expressed genes，DEGs）的筛选标准为adj.P＜0.05且差异倍数（Fold change，FC）＞1.5，使用ggplot2包和pheatmap包分别绘制火山图和热图以展示DEGs的表达情况。将筛选得到的DEGs与222个ARGs取交集作为DKD-ARGs。
1.2 功能富集分析
使用clusterProfiler包对筛选出的DKD-ARGs进行基因本体（Gene ontology，GO）和京都基因与基因组百科全书（Kyoto encyclopedia of genes and genomes，KEGG）富集分析[11-12]。GO分析将评估这些基因在生物学过程（BP）、细胞组分（CC）和分子功能（MF）三个层面的富集情况，KEGG分析将进一步揭示这些基因在不同生物路径中的功能和作用机制。
1.3 机器学习筛选诊断基因
将DKD-ARGs使用4种机器学习方法（最小绝对值收敛和选择算子（LASSO）回归，支持向量机（SVM）分析，随机森林（RF）和BORUTA算法）进行筛选。LASSO回归通过正则化提高模型的可解释性，SVM则用于处理高维数据并优化分类边界，RF通过构建多个决策树来提高预测准确性，BORUTA算法通过评估特征与随机变量的相对重要性筛选出显著特征。将4种方法获得的基因取交集获得诊断基因，并且基于GSE30529数据集和Nephroseq数据库（http: //v5.nephroseq.org/）进行验证并对诊断基因临床指标进行相关性分析，使用pROC包计算ROC曲线下面积（AUC），评估基因的预测性能。
1.4 诊断基因的分布情况
通过HPA数据库（https://www.proteinatlas.org）[13]查询诊断基因蛋白在人体内分布情况。
1.5 诊断基因的基因富集（Gene set enrichment analysis，GSEA）分析
将筛选出的诊断基因导入STRING数据库（https://string-db.org）中绘制蛋白质-蛋白质相互作用（Protein-protein interaction，PPI）网络进一步分析其相互作用。应用GSEA分析[14]KEGG途径的富集情况在DKD患者和对照组中是否具有统计学意义。P＜0.05和FDR＜0.25均被视为显著基因集的标准。
1.6 自噬分子亚型的鉴定
根据筛选出的诊断基因表达矩阵，使用Consensus Cluster Plus包进行无监督聚类分析[15]，以识别不同的自噬分子亚型。接下来利用主成分分析（Principal component analysis，PCA）来验证不同自噬分子亚型下基因的表达模式。
1.7 免疫浸润分析
使用CIBERSORT（https://cibersortx.stanford.edu）进行免疫浸润分析。将GSE96804数据集表达矩阵输入到CIBERSORT，并使用默认的LM22签名矩阵和1 000个排列进行分析。
对样本中进行不同免疫细胞间Pearson相关系数计算，评估筛选基因与22种免疫细胞之间的相关性并绘制相关性热图。
2 结果
2.1 DKD-ARGs筛选
在GSE96804数据集中共识别出1 526个DEGs。与正常组相比，DKD组中有706个基因上调，820个基因下调，热图（图1（a））和火山图（图1（b））展示了DEGs在正常组与DKD组之间的表达差异和聚类特征。将1 526个DEGs与222个ARGs取交集，得到16个交集基因（图1（c））
2.2 DKD-ARGs富集分析
对16个DKD-ARGs进行GO和KEGG富集分析以进一步揭示自噬与DKD内在机制及可能的生物学功能和富集途径。GO富集结果显示，16个DKD-ARGs在多个重要的生物过程中起关键作用，包括细胞死亡、分子功能调节、对非生物刺激和缺氧反应等（图2（a）~2（b））。BP分析中，基因主要富集于细胞死亡和自噬相关过程，表明它们可能在细胞损伤和修复机制中发挥重要作用。CC分析揭示这些基因主要定位于自噬体和溶酶体等细胞结构，进一步支持其在自噬过程中的关键角色。MF分析中，这些基因显著富集于调节蛋白质相互作用和酶活性，表明它们在信号传导和代谢调节中具有重要功能（图2（b））。进一步的KEGG分析显著富集于细胞死亡、自噬、缺氧反应、炎症和免疫调节等重要生物过程和信号通路，如FoxO信号通路、PI3K-Akt信号通路及IL-17信号通路（图2（c））。FoxO信号通路在细胞应激和代谢调节中起重要作用，而PI3K-Akt信号通路在细胞生存和生长调控中发挥关键作用。IL-17信号通路则与炎症和免疫反应密切相关。这些通路的富集进一步表明自噬相关基因在调节DKD相关病理过程中可能具有多方面的功能。
图1DKD-ARGs筛选
Fig.1Selection of DKD-ARGs
注：（a）GSE96804数据集差异基因表达热图；（b）GSE96804数据集差异基因火山图；（c）自噬基因与差异基因的韦恩图.
2.3 机器学习筛选诊断基因
使用4种机器学习方法对DKD-ARGs基因进行进一步筛选，旨在识别出具有潜在诊断价值的特征基因。首先，构建LASSO回归模型并进行交叉验证，结果显示误差最小值对应的特征基因有6个（图3（a）~3（b））; 其次，通过SVM分析（图3（c）~3（d））和RF算法（图3（f））分别筛选出6个特征基因; 最后，使用BORUTA算法对基因进行进一步筛选，获得了16个特征基因（图3（e））。综合以上4种方法最终识别出5个具有诊断潜力的关键基因：CASP3、CDKN1B、FOS、GABARAP和PTEN（图3（g）~3（h））。这些基因在不同分析方法中均表现出显著的重要性，表明它们在DKD的发生和发展中可能发挥关键作用，但需要进一步验证其在DKD中的应用潜力。
2.4 诊断基因的验证及诊断效能分析
在GSE96804数据集中对5个诊断基因的表达进行分析，结果表明CASP3和PTEN在DKD患者肾小球中表达水平升高，而CDKN1B、FOS和GABARAP表达降低（图4（a））。这5个基因在正常组与DKD组之间的表达差异显示了其潜在的诊断价值。ROC曲线分析结果显示，这5个基因AUC均大于0.9，表明它们在区分正常组和DKD组方面具有较高的敏感性和特异性（图4（b））。接下来，使用GSE30529数据集作为验证集对DKD患者肾小管中相关基因的表达进行外部交叉验证。结果显示与正常组相比，DKD患者肾小管内CASP3和PTEN基因表达显著上调，而CDKN1B显著下调，这与GSE96804数据集中的表达趋势一致（图4（c））。
图2DKD-ARGs富集分析
Fig.2Enrichment analysis of DKD-ARGs
注：（a）GO富集分析气泡图；（b）GO富集分析弦图；（c）KEGG通路富集分析气泡图.
这种一致性进一步验证了这些基因在不同数据集中的稳定性和可靠性。为了进一步验证这些基因在DKD中的表达模式，通过Nephroseq数据库分析DKD患者肾小球中这5个基因的表达情况。结果显示，CASP3、PTEN和CDKN1B的基因表达趋势与GSE96804和GSE30529数据集中的结果一致（图4（d）），这进一步支持了这些基因作为DKD诊断标志物的潜力。基于以上结果，选择CASP3、CDKN1B和PTEN进行进一步分析。通过Nephroseq数据库分析这三个基因与临床指标（如血压、血肌酐、尿素氮和肾小球滤过率）之间的相关性，结果显示PTEN基因表达与GFR呈显著负相关（r=-0.61），这表明PTEN可能在DKD的病理过程中发挥重要作用，并且其表达水平与疾病的严重程度密切相关（图4（e））。
2.5 诊断基因的分布情况
通过HPA数据库获取特定蛋白在人体内肾脏组织的分布情况。CASP3在肾小球中未见表达，主要在肾小管中表达，尤其是细胞质中（图5（a））；CDKN1B在肾小球和肾小管处均见表达，尤其是细胞质中（图5（b））；PTEN在肾小球和肾小管处均见表达（图5（c））。
2.6 诊断基因GSEA分析
将筛选出的3个诊断基因进行PPI网络分析，发现CASP3、CDKN1B和PTEN这三个基因编码的蛋白质存在相互作用（图6（a））。为了进一步分析其潜在机制，进行GSEA分析以探索这些关键基因的分子功能。CASP3显著富集于与细胞外基质-受体相互作用、抗坏血酸和醛酸代谢、丁酸盐代谢、柠檬酸循环等（图6（b）），CDKN1B（图6（c））和PTEN（图6（d））主要富集结果与CASP3类似，这表明这三个诊断基因在调控免疫反应、炎症和细胞信号传导中具有关键作用。
图3机器学习筛选诊断基因
Fig.3Selection of diagnostic genes using machine learning
注：（a）LASSO回归系数路径图；（b）LASSO回归交叉验证曲线；（c）SVM方法不同特征数量下的5折交叉验证准确率；（d）SVM方法不同特征数量下的5折交叉验证误差；（e）BORUTA算法鉴定出16个诊断相关基因；（f）RF算法鉴定出6个具有诊断相关性的基因；（g）4种机器学习方法筛选出基因的交集韦恩图；（h）交集基因upset图可视化.
图4诊断基因的验证及诊断效能分析
Fig.4Validation of diagnostic genes and analysis of diagnostic efficacy
注：（a）GSE96804数据集DKD组与正常组中5个诊断基因的表达；（b）GSE96804数据集5个诊断基因的ROC曲线；（c）GSE30529数据集5个诊断基因的表达；（d）Nephroseq数据库5个诊断基因的表达；（e）Nephroseq数据库CASP3、CDKN1B和PTEN基因表达与临床特征的相关性分析热图；（*P＜0.05，**P＜0.01，***P＜0.001，****P＜0.000 1）.
图5诊断基因分布情况
Fig.5Distribution of diagnostic genes
注：（a）CASP3；（b）CDKN1B；（c）PTEN.
2.7 DKD自噬分子亚型的鉴定
为了探究DKD患者中自噬分子亚型，基于3个诊断基因的表达量对DKD样本进行了无监督共识聚类分析。共识聚类结果表明，最优聚类数k=2，如共识矩阵、共识CDF图和delta面积图（图7（a）~7（c））所示。PCA分析显示，Cluster 1和Cluster 2两种自噬分子亚型有显著不同的人群（图7（d））。对CASP3、CDKN1B和PTEN基因表达水平的箱形图显示了两个集群之间的显著差异（图7（e））。Cluster 1中CASP3和PTEN的表达水平较高，Cluster 2中CDKN1B的表达水平较高。进一步对这两种自噬亚型进行热图分析表明CASP3和PTEN等基因在Cluster 1中上调，而CDKN1B在Cluster 2中上调，验证了DKD中存在多样性自噬调控模式（图7（f））。
图6诊断基因GSEA分析
Fig.6GSEA analysis of diagnostic genes
注：（a）PPI网络；（b）CASP3；（c）CDKN1B；（d）PTEN.
图7DKD自噬分子亚型的鉴定
Fig.7Identification of DKD autophagy molecular subtypes
注：（a）共识矩阵；（b）共识CDF图；（c）delta面积图；（d）Cluster 1和2的PAC图；（e）Cluster 1和2中3个诊断基因表达水平；（f）Cluster 1和2分组的基因表达热图;（*P＜0.05，**P＜0.01，***P＜0.001，****P＜0.000 1）.
2.8 免疫浸润分析
通过CIBERSORT算法进一步阐明基于两种自噬分子亚型之间免疫浸润差异。结果显示不同亚型在免疫细胞分布上存在显著差异。堆叠图显示了免疫细胞的分布存在显著的异质性，如T细胞、巨噬细胞和B细胞在不同的样本中的浸润水平存在显著差异（图8（a））。相关矩阵图揭示了各种免疫细胞类型之间的相关性（图8（b））。对Cluster 1和Cluster 2这两组患者的免疫细胞进行分析表明，与Cluster 1相比，Cluster 2显示出更高水平的CD8 T细胞和M1巨噬细胞，表明Cluster 2存在潜在的更活跃的免疫环境（图8（c））。接下来，对筛选出的三个自噬相关基因CASP3、CDKN1、PTEN与免疫细胞关系进行分析。结果显示，CASP3和CDKN1B与包括活化记忆CD4 T细胞和M2巨噬细胞在内的几种细胞类型表现出很强的正相关（图6（d））。这表明这三个自噬相关基因在免疫反应中的潜在调节作用，可能通过影响M2巨噬细胞的募集和活性，在调节DKD免疫微环境中发挥关键作用（图8（d））。
3 讨论
DKD的病理过程中自噬功能失调会导致细胞内垃圾的积累和炎症反应的加剧，损害肾脏的结构和功能从而促进DKD的发展。大量研究已经证实自噬功能的改变被认为是导致肾小球和肾小管细胞损伤的关键因素[16-18]。本研究通过机器学习方法系统性筛选了DKD相关的自噬基因，并深入分析了其在疾病进展中的潜在机制。通过对GSE96804数据集进行差异表达分析并结合HADb数据库自噬基因，筛选出16个与DKD相关的自噬基因。GO和KEGG富集分析发现这些基因除富集于自噬的生物过程外，还在细胞死亡、缺氧反应、炎症和免疫调节等生物过程和信号通路中发挥重要作用。接下来利用4种机器学习算法最终筛选出3个自噬相关关键诊断基因：CASP3、CDKN1B和PTEN。
CASP3是细胞凋亡中的一种关键的执行蛋白酶，主要通过切割关键的细胞底物来启动和传播程序性细胞死亡，调节正常细胞发育、组织稳态和免疫反应，清除受损或感染细胞并维持细胞完整性和功能[19]。研究表明，CASP3在DKD肾组织中的表达上调，可能通过诱导细胞凋亡从而加剧肾损伤[20]。在高血糖环境下，CASP3的活化可能导致肾小管上皮细胞和肾小球足细胞的凋亡，破坏肾小球滤过屏障从而促进蛋白尿的发生[21]。细胞凋亡和自噬途径之间的抑制性串扰，对细胞死亡和存活之间的平衡具有深远的影响[22]，CASP3可能通过与自噬途径的相互作用影响DKD的病程，Wang等[23]发现改善/恢复自噬功能可降低DKD小鼠肾脏CASP3的表达，并减少高糖刺激导致的足细胞凋亡，CASP3能够直接切割自噬调控因子ULK1D458位点，CASP3的缺失能够促进ULK1蛋白激酶的上调，从而促进细胞自噬[24]。CDKN1B是一个编码细胞周期依赖性激酶抑制剂的基因，编码P27蛋白，主要在细胞核中发挥作用，调控细胞的生长和分裂[25]。最新研究发现，细胞质中的CDKN1B 可抑制哺乳动物雷帕霉素靶蛋白复合体1（Mammalian target of rapamycin complex 1，MTORC1）活性，导致转录因子TFEB的核易位和溶酶体功能的激活，增强饥饿诱导的自噬[26]。细胞周期调节蛋白对细胞周期的调节很大程度决定了机体对损伤的生长反应，细胞周期停滞已被证明是系膜细胞肥大的标志[27]，在db/db以及链脲佐菌素（Streptozotocin，STZ）诱导的DKD模型中，肾小球肥大期间CDKN1B表达明显上调[28-29]，抑制CDKN1B的表达可减轻肾小球系膜细胞的肥大和基质蛋白表达，反之则加重[30-32]。Dong等[33]在Nephroseq数据集中揭示了DKD人群中肾小球中CDKN1B mRNA表达的降低，并通过实验证实随着葡萄糖浓度的增加足细胞中CDKN1B mRNA表达水平逐渐降低，STZ诱导的DKD小鼠CDKN1B在mRNA和蛋白水平上的表达均降低，CDKN1B/P70S6K介导的自噬可缓解高糖诱导的小鼠足细胞损伤和STZ诱导的DKD，与本研究结果一致。PTEN是一种双功能脂质和蛋白质磷酸酶，可调节包括细胞生长、迁移和代谢等多种细胞过程[34]。一项针对美国西南部DKD患者的观察性队列研究结果显示，血清 K27 多泛素化形式的PTEN高水平与美洲印第安人2型糖尿病患者eGFR下降和肾衰竭风险增加有关，经肾活检患者的亚组分析中发现，PTENK27polyUb水平与DKD进展指标（肾小球基底膜宽度和系膜分数体积）相关，与足细胞分数体积和肾小球足细胞数量密度呈负相关[35]。PTEN是蛋白激酶B（Akt）和mTOR通路的重要负调节因子，研究表明PTEN表达水平在DKD患者的肾组织中显著降低。PTEN在DKD中的作用机制复杂，PTEN的缺失或功能障碍可导致细胞凋亡[36]、焦亡[37]以及自噬[38]等功能的紊乱，促进肾小管纤维化、上皮间充质转化[39-41]和胰岛素抵抗[42]等病理过程的发生[43]，靶向PTEN可改善 DKD 模型中的肾脏结局，并有望成为DKD早期诊断的敏感指标[39]。
图8免疫浸润分析
Fig.8Immune infiltration analysis
注：（a）DKD组与正常组各种免疫细胞的堆叠条形图；（b）不同免疫细胞类型之间相关系数的热图（*P ＜ 0.05，**P ＜ 0.01，***P ＜ 0.001，****P ＜ 0.000 1）;（c）DKD组与正常组各种免疫细胞表达箱线图（*P ＜ 0.05，**P ＜ 0.01，***P ＜ 0.001，****P＜0.000 1）；（d）CASP3、CDKN1B、PTEN与免疫细胞相关性热图）.
自噬失调在DKD中是一个复杂而关键的角色。DKD受到高血糖、糖基化终末产物等多种因素的影响，这些因素可导致肾脏组织的结构和功能损伤。自噬作为一种细胞内的保护性机制，通过清除代谢产物和维持细胞稳态，对抗高糖诱导的氧化应激和炎症反应具有重要意义。自噬失调可能导致肾脏细胞内有害物质的积累，加速疾病的进展，同时也影响免疫细胞的功能和炎症调节过程，进一步恶化糖尿病肾脏病理变化[44-45]。CASP3、CDKN1B和PTEN在调控免疫反应、炎症和细胞信号传导方面发挥重要作用。CASP3参与巨噬细胞结构和极化表型的形成，从而调控免疫炎症反应[46]。凋亡细胞通过CASP3介导的脂质吸引信号可诱导单核巨噬细胞的募集，促进胞葬清除凋亡细胞，遏制继发性坏死和炎症的发生[47]。p27在C末端磷酸化后与STAT3共同作用，激活了与炎症途径相关的基因，如IL-6、NF-κB/RELA、VEGFA等，促进炎症反应[48]。p27kip1通过限制细胞周期蛋白依赖性激酶2的活性从而限制了炎症性疾病中细胞的增殖和凋亡[49]。PI3K/PTEN调节的细胞外Arg-1是炎症和免疫的旁分泌调节剂[50]。PTEN是凋亡细胞吞噬过程中的关键负向调节因子，其缺失可以增强巨噬细胞的吞噬能力和抗炎反应[51]。接下来，我们基于CIBERSORT算法阐明了基于两种自噬分子亚型之间的免疫浸润差异，结果显示这两种自噬分子亚型中免疫细胞浸润存在显著差异，表明在DKD发生发展中自噬与免疫关系密切。深入研究发现CASP3和CDKN1B可能通过影响M2巨噬细胞的募集和活性从而在调节DKD免疫微环境中发挥关键作用，但是目前研究较少，值得进一步挖掘探索。
以上结果初步揭示了CASP3、CDKN1B和PTEN在DKD中的潜在诊断价值，但仍存在一些局限性和挑战。首先，样本量相对较小，可能影响结果的普适性。未来研究应扩大样本规模，验证这些基因在不同人群中的诊断价值。其次，机制研究尚不深入，未来需要更多实验研究来揭示这些基因在DKD中的具体作用机制。
4 结论
本研究通过机器学习方法系统性地筛选与DKD 相关的自噬基因，识别出的关键基因具有较高的诊断效能，有望成为 DKD 的早期诊断标志物和治疗靶点。自噬分子亚型分析和免疫浸润特征揭示了自噬与免疫反应在DKD中的复杂关系，提示不同患者可能需要不同的治疗策略。未来的研究应进一步验证这些基因在临床中的应用潜力，并探讨其在DKD 发生发展中的具体作用，从而为DKD的诊断和治疗提供新的思路和方向。
