新生儿脓毒症无休克和休克关键基因筛选及验证

目的 应用权重基因共表达网络分析(Weighted Gene Co-expression Network Analysis, WGCNA)方法筛选新生儿脓毒症无休克和休克关键基因。方法 基因表达数据库（Gene Expression Omnibus, GEO）下载新生儿脓毒症相关的表达矩阵GSE119217，WGCNA输出模块基因，Limma包筛选新生儿脓毒症无休克和休克差异表达基因（Differentially expressed genes，DEGs），进行基因本体(Gene Ontology, GO)和生物学通路分析(Kyoto Encyclopedia of Genes and Genomes, KEGG)；确定并检测关键（hub）基因水平。结果 WGCNA分析确定与无休克脓毒症患儿显著相关的棕色模块和与休克脓毒症患儿显著相关的黄色模块；无休克脓毒症患儿的41个DEGs和休克脓毒症患儿的109个DEGs主要富集于中性粒细胞脱粒，中性粒细胞活化参与的免疫反应和中性粒细胞激活等反应，参与调控NOD样受体信号通路；实时定量PCR（qRT-PCR）结果表明无休克脓毒症患儿8个hub基因（AIM2，CARD17，CMPK2，IFI44，IFI44L，LAP3，RTP4和SERPING1）和休克脓毒症患儿2个hub基因（AHSP和HBD）均高表达。结论 基于生物学信息学分析，本研究确定了有无休克脓毒症患儿hub基因的表达水平，明确了中性粒细胞在脓毒症中的重要调控作用。     

基于生物信息学分析筛选儿科脓毒症关键基因

目的应用生物信息学方法筛选和分析儿科脓毒症关键基因。方法从GEO数据库中下载2015年2月19日上传的儿科脓毒症芯片数据集GSE66099和2020年2月13日上传的儿科脓毒症芯片数据集GSE145227, 使用Limma包筛选儿科脓毒症与正常对照组血液组织差异表达信使核糖核酸(DEmRNA), 随后进行基因本体(GO)和京都基因与基因组百科全书(KEGG)富集分析。使用在线网站STRING和Cytoscape软件对DEmRNA构建蛋白互作网络(PPI), 并筛选关键(hub)基因。最后使用R软件进行hub基因差异表达和受试者工作特征曲线(ROC曲线)分析。结果共发现160个DEmRNA, 包含126个上调mRNA和34个下调mRNA。通过GO功能富集分析, 发现DEmRNA主要富集在中性粒细胞激活和脱粒, T细胞激活以及淋巴细胞活化调节。KEGG富集通路分析显示DEmRNA主要参与自然杀伤细胞介导的细胞毒性和中性粒细胞胞外陷阱的形成。STRING和Cytoscape共筛选出10个hub基因, 通过R软件分析发现10个hub基因(ARG1、RETN、MMP9、C3AR1、LCN2、FP...     

非瓣膜性心房颤动患者ABCB1和CES1基因多态性对达比加群酯抗凝疗效的影响

目的 应用权重基因共表达网络分析(Weighted Gene Co-expression Network Analysis, WGCNA)方法筛选新生儿脓毒症无休克和休克关键基因。方法 基因表达数据库（Gene Expression Omnibus, GEO）下载新生儿脓毒症相关的表达矩阵GSE119217，WGCNA输出模块基因，Limma包筛选新生儿脓毒症无休克和休克差异表达基因（Differentially expressed genes，DEGs），进行基因本体(Gene Ontology, GO)和生物学通路分析(Kyoto Encyclopedia of Genes and Genomes, KEGG)；确定并检测关键（hub）基因水平。结果 WGCNA分析确定与无休克脓毒症患儿显著相关的棕色模块和与休克脓毒症患儿显著相关的黄色模块；无休克脓毒症患儿的41个DEGs和休克脓毒症患儿的109个DEGs主要富集于中性粒细胞脱粒，中性粒细胞活化参与的免疫反应和中性粒细胞激活等反应，参与调控NOD样受体信号通路；实时定量PCR（qRT-PCR）结果表明无休克脓毒症患儿8个hub基因（AIM2，CARD17，CMPK2，IFI44，IFI44L，LAP3，RTP4和SERPING1）和休克脓毒症患儿2个hub基因（AHSP和HBD）均高表达。结论 基于生物学信息学分析，本研究确定了有无休克脓毒症患儿hub基因的表达水平，明确了中性粒细胞在脓毒症中的重要调控作用。     

生物信息学分析筛选慢性阻塞性肺疾病急性加重的关键致病基因

目的通过生物信息学分析筛选慢性阻塞性肺疾病急性加重（AECOPD）的关键致病基因。 方法从基因表达谱（GEO）数据库下载GSE60399数据集，该数据集包含AECOPD患者（AECOPD组）与健康人和稳定期慢性阻塞性肺疾病（COPD）患者（对照组）的外周血单个核细胞（PBMCs）基因数据。使用GEO2R分析工具筛选AECOPD组与对照组PBMCs的差异表达基因（DEGs）。采用DAVID 6.8数据库进行基因本体（GO）分析和京都基因与基因组百科（KEGG）富集分析。利用STRING在线数据库对DEGs编码蛋白进行蛋白质-蛋白质相互作用（PPI）网络分析，并使用Cytoscape确定前10位DEGs。 结果从GSE60399数据集中共筛选出106个DEGs，其中94个上调基因和12个下调基因。GO分析显示，106个DEGs主要涉及3条生物途径、6类细胞定位和2类细胞功能；KEGG富集分析显示，106个DEGs主要包括百日咳、补体系统、金黄色葡萄球菌感染、系统性红斑狼疮、细胞黏附分子和美洲锥虫病6条KEGG通路。PPI网络图筛选出了前10位关键DEGs，包括纤维连接蛋白1（FN1）、血管内皮生长因子A（VEGFA）、肌动蛋白α2（ACTA2）、结缔组织生长因子（CCN2）、基质金属蛋白酶2（MMP2）、齿状蛋白1（JAG1）、正常上皮细胞特异性基因（NES）、细胞角蛋白19（KRT19）、粘附素5（CDH5）、黑素瘤细胞黏附分子（MCAM），均为上调基因。 结论FN1、VEGFA、ACTA2、CCN2、MMP2、JAG1、NES、KRT19、CDH5及MCAM是AECOPD患者的关键致病基因，今后可通过深入研究这些基因来进一步阐明AECOPD发生发展的机制。     

基于表达谱芯片技术的食管鳞状细胞癌相关差异基因的筛选及功能研究

目的利用食管鳞状细胞癌细胞相关基因芯片数据,筛选与食管癌显著相关的关键基因,并对关键基因所在的模块进行功能研究。方法从基因表达数据库 GEO 数据库中下载数据 GSE17351（数据共10个样本,正常和食管鳞状细胞癌样本组织各5个）,利用 R软件包做数据预处理和差异表达分析,选取差异表达基因（FDR ＜ 0.05及差异值 ＞2或＜ -2）。然后对差异表达基因进行生物信息学分析,首先投入 String 在线分析工具获得差异表达基因的蛋白-蛋白相互作用网络（score ＞0.9）,统计网络中各个节点的度,挑选出最关键的主效基因（hub基因）。然后利用Cytoscape软件插件 Mcode对整个网络进行网络模块化,并通过插件Bingo（P value＜ 0.05）对hub基因所在的模块进行功能注释,推测模块中影响基因特异性表达导致食管癌的机制和方式。结果通过比较正常和患病者食管鳞状细胞癌表达数据,筛选到600个差异表达的基因,构建了包含268对差异表达基因产物蛋白对的相互作用网络。找到最关键 hub 基因 TOP2A。得到1个包括hub基因在内由5个差异表达基因组成的模块,模块功能最显著富集在染色体分离和浓缩;发现与多种癌症相关的基因TOP2A共同起染色体活动基因 NCAPG。结论食管鳞癌的发生与最关键基因 TOP2A的异常表达有关,推测与之功能发生作用的基因 NCAPG 基因通过与 TOP2A 相同的机制和方式（染色体中前期活动）影响着癌症特异性基因的表达。     

儿童Ph~+及Ph-like急性T淋巴细胞白血病二代测序分析

目的:利用生物信息学方法筛选费城染色体阳性/费城染色体样急性T淋巴细胞白血病(Ph+/Ph-like TALL)核心基因,并分析其核心子网络,探讨Ph+/Ph-like T-ALL发生发展过程中的调控机制并寻找可能用于临床诊疗的分子靶点。方法:收集重庆医科大学附属儿童医院Ph+/Ph-like T-ALL患儿WES/RNA-seq检查结果,同时从GEO数据库中下载符合要求的基因数据,运用GRO2R在线差异表达基因筛选程序筛选差异性表达基因,并对差异表达基因进行GO功能富集分析和KEGG通路分析,同时使用STRING数据库,利用Cytoscape软件构建蛋白质相互作用网络,筛选出hub gene及核心子网络。结果:Ph+/Ph-like T-ALL共找出84个差异表达基因,Ph+ALL共找出249个差异表达基因,T-ALL共找出175个差异表达基因。综合GO功能富集、KEGG通路富集分析及蛋白相互作用网络结果,筛选出RPA1、POLD1、POLE、SOCS1为hub gene。DNA损伤修复及JAK/STAT信号转导通路为筛选到的主要功能子网络。结论:Ph+/Ph-like T-ALL患儿体内存在明显的DNA损伤修复通路异常,RPA1、POLD1、POLE可能是Ph+/Ph-like T-ALL发生、发展的重要相关生物标志,这可以为进一步研究提供依据。     

急性髓系白血病患者预后不良相关基因的多组学分析

目的:利用GEO数据库和TCGA数据库的数据,通过多组学分析方法分析与急性髓系白血病(acute myeloid leukemia,AML)发生、发展及不良预后相关的分子标志物。方法:从GEO数据库下载符合要求的转录组数据,运用R语言Limma程序包进行差异表达基因的筛选,并对差异表达基因进行GO功能富集分析和KEGG通路富集分析,同时使用STRING数据库数据,利用Cytoscape软件构建蛋白质相互作用网络,筛选出hub gene,结合TCGA数据库附带的临床信息对hub gene进行预后分析。结果:共筛选出620个差异基因,上调的差异表达基因162个,下调的差异表达基因458个。综合GO功能富集、KEGG通路富集分析及蛋白相互作用网络结果,筛选出CXCL4、CXCR4、CXCR1、CXCR2、CCL5、JUN为hub gene。生存分析显示,CXCL4、CXCR1、CCL5高表达是患者预后不良的危险因素。结论:CXCL4、CXCR1、CCL5可以作为AML发生、发展的相关生物标志物,且与不良预后相关,这可以为进一步研究提供依据。     

敲低S100A1通过降低WNT/β-catenin信号活性抑制甲状腺癌SW579细胞增殖

目的探究钙结合蛋白S100A1对人甲状腺癌SW579细胞增殖的影响及其作用机制。方法选取人甲状腺癌数据集GSE50901和GSE138198,使用R软件筛选甲状腺癌组织与正常甲状腺组织中的差异表达基因,联合TCGA数据库对差异表达基因进行验证;采用CCK-8实验检测S100A1敲低或过表达对人甲状腺癌SW579细胞增殖的影响;Western Blot检测S100A1敲低或者过表达对WNT/β-catenin信号通路的影响。结果对数据集GSE50901和GSE138198进行联合分析发现,有97个基因在两个数据集中均发生上调,46个基因均发生下调。S100A1基因在甲状腺癌中高表达,敲低S100A1能抑制SW579细胞的增殖,过表达S100A1则能促进SW579细胞的增殖。GSEA分析发现,敲低SW579细胞的S100A1后,WNT信号显著富集,且表现为信号通路活性降低。Western Blot结果表明,敲低S100A1的SW579细胞中β-catenin,c-myc和cyclinD1的蛋白表达水平明显低于对照组,而过表达S100A1的SW579细胞中β-catenin,c-myc和cyclinD1的蛋白表达水平则显著高于对照组。结论S100A1在甲状腺癌中高表达,敲低S100A1可能是通过抑制WNT/β-catenin信号通路活性从而抑制甲状腺癌SW579细胞增殖。     

基于生物信息学方法对抑郁症小鼠 脑组织差异基因表达的分析

目的:基于生物信息学方法分析抑郁症小鼠海马和杏仁核等脑组织中差异表达基因及其可能的生物学功能。方法:选取GEO数据库中数据集GSE151807,利用R软件及Limma包进行差异基因的筛选;对数据集GSE151807基因表达矩阵进行基因集富集分析;利用David在线分析工具对差异基因进行基因本体论(GO)富集分析和KEGG信号通路富集分析。利用String在线网站构建差异基因表达蛋白间相互作用网络(PPI),使用Cytoscape软件进行模块聚类和关键基因筛选及数据可视化。结果:抑郁症小鼠脑组织(海马和杏仁核)中共有351个基因表达水平发生改变,其中182个基因上调,169个基因下调。对基因表达矩阵进行基因集富集分析发现,神经活性配体-受体相互作用、泛素介导的蛋白水解、亨廷顿氏病、谷胱甘肽代谢、过氧化物酶、长期抑郁等有关的基因显著富集。差异基因GO富集分析发现,RNA聚合酶Ⅱ启动子转录的调控、细胞内膜结合细胞器、转录因子活性调控等显著富集。差异基因KEGG信号通路富集分析发现,烟酸酯和烟酰胺代谢、孕激素介导的卵母细胞成熟、ECM-受体相互作用等信号通路显著富集。通过构建蛋白质相互作用网络,筛选出2个核心基因Fos和Itpkb,其中Fos基因在抑郁症小鼠海马和杏仁核组织中为下调基因,而Itpkb基因则为上调基因。结论:抑郁症小鼠脑组织(海马和杏仁核)中基因表达发生显著改变,差异基因参与不同的生物学过程和信号通路,Fos和Itpkb可能是与抑郁症发生相关的核心基因,可能作为潜在的药物治疗靶点。     

类风湿关节炎患者滑膜组织lncRNA表达及基于CeRNA网络的生物信息学分析

目的:通过生物信息学分析来识别类风湿关节炎(rheumatoid arthritis,RA)滑膜组织病变进展相关的差异表达基因。方法:通过NCBI GEO数据库获取GSE55235和GSE55457的基因表达谱。采用Perl语言对下载的数据进行样本数据合并及基因重注释;采用R语言进行批次矫正及差异分析,根据差异长链非编码RNA(lncRNA)和mRNA构建竞争性内源RNA(ceRNA)网络及进行GO富集分析和KEGG通路分析;使用cytoHubba插件筛选Hub基因,分析与差异LncRNA的相关性。结果:分析显示与正常滑膜组织对比,RA患者滑膜组织143个mRNA、3个lncRNA存在明显差异表达。根据差异基因构建lncRNA-miRNA-mRNA互作网络,网络由2个LncRNA节点,16个miRNA节点、17个mRNA节点以及44个边组成。GO功能富集分析主要集中在细胞死亡的正调控、成纤维细胞增殖的调节、免疫应答调节细胞表面受体信号通路等功能。KEGG通路分析显示35条通路被富集,其中涉及IL-17代谢通路、MAPK信号通路、WNT信号通路、TNF信号通路等。其中Hub基因MYC,CDKN1A,JUN,FOS与LncRNA MEG3在RA滑膜组织中均呈低表达,且lncRNA MEG3与MYC,CDKN1A,JUN,FOS表达具有相关性。结论:通过生物信息学网络分析,lncRNA MEG3可能作为ceRNA在RA的疾病发展中发挥着重要作用,为RA提供一些新的候选诊断生物标志物或潜在的治疗靶点。     

Bioinformatics analysis of key biomarkers for retinoblastoma

ObjectiveTo identify key genes involved in occurrence and development of retinoblastoma.MethodsThe microarray dataset, {"type":"entrez-geo","attrs":{"text":"GSE5222","term_id":"5222"}}GSE5222, was downloaded from the gene expression omnibus (GEO) database. Differentially expressed genes (DEGs) between unilateral and bilateral retinoblastoma were identified and functional enrichment analysis performed. The protein–protein interaction (PPI) network was constructed and analysed by STRING and Cytoscape.ResultsDEGs were mainly associated with activation of cysteine-type endopeptidase activity involved in apoptotic process and small molecule catabolic process. Seven genes (WAS, GNB3, PTGER1, TACR1, GPR143, NPFF and CDKN2A) were identified as HUB genes.ConclusionOur research provides more understanding of the mechanisms of the disease at a molecular level and may help in the identification of novel biomarkers for retinoblastoma.     

脊髓损伤后肌肉萎缩组织中差异表达基因的生物信息学分析

目的通过生物信息学方法分析脊髓损伤后肌肉萎缩患者肌肉组织的差异表达基因,筛选出与该病相关基因。方法选取基因表达数据库(GEO)中GSE21497芯片,通过R语言软件筛选出差异基因。将筛选出的差异表达基因进行GO、KEGG分析,构建蛋白质互作用网络。使用分子复合物检测算法(MCODE)筛选相互作用紧密的显著差异表达基因。结果筛选得出294个差异表达基因,其中8个上调表达基因,286个下调表达基因。GO富集分析中,差异基因主要存在于肌质、肌膜、肌球蛋白复合物等结构,主要涉及肌肉构成和β-连环蛋白、热休克蛋白等物质的结合,主要参与肌肉系统发育、调控细胞分化与凋亡、突触修剪等过程。通过蛋白质互相作用网络(PPI Network)筛选出18个可能与脊髓损伤后肌肉萎缩发生发展紧密相关的差异表达基因,包括TNNI1、GYS1、C1QA等。结论本研究筛选出的差异表达基因可为深入探索脊髓损伤后肌肉萎缩的机制及治疗提供新的思路。     

基于生物信息学方法筛选肝细胞癌核心生物标志物及预后关联性分析

目的利用生物信息学分析技术筛选和鉴定参与肝细胞癌(HCC)进展的核心基因,并评价其在HCC发展及预后中的潜在价值。方法从GEO数据库筛选出HCC基因数据集GSE101685、GSE84402和GSE46408,利用GEO2R对差异表达基因(DEGs)进行分析。采用DAVID数据库构建基因功能注释和通路富集分析。利用STRING数据库构建蛋白质互作网络(PPI)图,并用Cytoscape进行可视化分析,筛选出关键模块并获得核心基因。使用cBioPortal数据库进行生存分析。通过ONCOMINE数据库分析核心基因与HCC进展的关系。结果在3个基因数据集中共筛选到261个DEGs,其中上调基因124个,下调基因137个。KEGG分析结果表明,DEGs主要参与细胞周期、DNA复制、视黄醇代谢等通路。PPI分析鉴定出10个核心基因,其中OIP5、HGFAC、FLVCR1与HCC分级、卫星结节和血管浸润有关,FLVCR1与患者生存情况有关。结论该研究成功筛选出与HCC相关的DEGs和核心基因,其中OIP5、HGFAC、FLVCR1有望成为HCC诊疗和预后的生物标志物。     

基于基因芯片的肾母细胞瘤生物信息学分析

目的:整合并利用生物信息学分析肾母细胞瘤基因表达谱芯片,挖掘肾母细胞瘤发生的关键基因。方法:利用GEO2R在线分析工具对GEO数据库肾母细胞瘤基因芯片数据GSE2712进行差异表达基因筛选,使用R软件对差异表达基因进行火山图绘制,进一步结合DAVID和STRING在线生物信息学工具对差异表达基因进行调控网络分析并构建蛋白质-蛋白质相互作用(protein-protein interaction, PPI)网络,使用Cytoscape软件进行Hu b基因筛选。结果:共筛选出肾母细胞瘤差异表达基因955个,其中表达上调基因157个,表达下调基因798个。对差异表达基因进行GO富集分析和KEGG通路富集分析,利用在线生物信息学工具构建PPI网络,使用Cytoscape软件获取PPI网络中前10位Hub基因,分别是FN1,ALB,VEGFA,KDR,IGF1,PECAM1,FLT1,TEK,FGF1和ANGPT1。结论:应用生物信息学能有效分析基因芯片数据,获取肾母细胞瘤发生的关键基因,为肾母细胞瘤的治疗提供新的思路。     

Identification of key genes in allergic rhinitis by bioinformatics analysis

ObjectiveThis study aimed to explore the potential molecular mechanism of allergic rhinitis (AR) and identify gene signatures by analyzing microarray data using bioinformatics methods.MethodsThe dataset {"type":"entrez-geo","attrs":{"text":"GSE19187","term_id":"19187"}}GSE19187 was used to screen differentially expressed genes (DEGs) between samples from patients with AR and healthy controls. Gene ontology (GO) and Kyoto Encyclopedia of Genes and Genomes (KEGG) pathway analyses were applied for the DEGs. Subsequently, a protein–protein interaction (PPI) network was constructed to identify hub genes. {"type":"entrez-geo","attrs":{"text":"GSE44037","term_id":"44037"}}GSE44037 and {"type":"entrez-geo","attrs":{"text":"GSE43523","term_id":"43523"}}GSE43523 datasets were screened to validate critical genes.ResultsA total of 156 DEGs were identified. GO analysis verified that the DEGs were enriched in antigen processing and presentation, the immune response, and antigen binding. KEGG analysis demonstrated that the DEGs were enriched in Staphylococcus aureus infection, rheumatoid arthritis, and allograft rejection. PPI network and module analysis predicted seven hub genes, of which six (CD44, HLA-DPA1, HLA-DRB1, HLA-DRB5, MUC5B, and CD274) were identified in the validation dataset.ConclusionsOur findings suggest that hub genes play important roles in the development of AR.     

甲状腺乳头状癌颈部淋巴结转移相关基因的生物信息学分析

目的:利用生物信息学方法分析甲状腺乳头状癌(papi l lar y thyroid carcinoma,PTC)颈部淋巴结转移的关键基因。方法:从美国国立生物技术信息中心(National Center for Biotechnology Information,NCBI)公共数据平台高通量基因表达(Gene Expression Omnibus,GEO)数据库检索得到PTC的基因芯片GSE60542,使用GEO2R在线分析工具分别筛选PTC和癌旁组织的差异表达基因(差异表达基因集A)以及PTC与颈部淋巴结转移癌组织之间的差异表达基因(差异表达基因集B)。进一步筛选出差异表达基因集A和差异表达基因集B交集的差异表达基因集C。通过生物信息学工具David,String,cBioPortal对差异表达基因集C进行生物学功能及其编码蛋白的互作分析,并对差异表达基因集C进行生存分析。结果:通过分析GSE60542芯片数据,一共获得1086个差异表达基因A、194个差异表达基因B、39个差异表达基因C。基因本体(Gene Ontology,GO)分析显示:差异表达基因集C主要的分子功能与氧化还原酶活性、蛋白质同源二聚化活性、生长因子结合有关;这些基因主要参与细胞增殖、甲状腺激素的产生、神经细胞凋亡过程的负调节、γ-氨基丁酸信号转导途径等生物学过程。通过cBioPortal在线分析网站,初步筛选出对患者生存时间影响较大的基因CCL21。结论:基因芯片结合生物信息学方法能够有效分析PTC组织、癌旁组织以及颈部淋巴结转移癌组织间差异表达基因,并筛选出PTC颈部淋巴结转移相关的关键基因,为进一步研究PTC颈部淋巴结转移的分子机制提供一定的指导。     

基于GEO 数据库筛选稳定性心绞痛患者外周血关键差异基因及诊断模型构建

目的 通过生物信息学方法对稳定性心绞痛患者外周血基因表达谱芯片进行分析,获取其外周血表达谱特征并筛选关键差异表达基因作为潜在的分子标记物并构建Nomogram 诊断模型。方法 从NCBI 中的基因表达综合(GeneExpression Omnibus,GEO)数据库中下载稳定性心绞痛患者和对照组的外周血基因表达谱芯片数据集GSE98583,使用R 软件limma 包筛选出具有显著意义的差异基因(differential expression genes,DEGs);利用clusterProfiler 包进行基因本体(gene ontology,GO) 与KEGG(kyoto encyclopedia of genes and genomes) 通路富集分析;使用STRING 在线分析工具构建蛋白交互网络和Cytoscape 软件Cytohubba 和Mcode 插件筛选出关键基因;以关键基因为变量构建稳定性心绞痛Nomogram 分子诊断预测模型。结果 通过比较稳定性心绞痛患者和正常受试者外周血基因表达谱,共筛选出303 个差异表达基因,其中上调基因160 条,下调基因43 条;GO 和KEGG 分析表明,这些差异表达基因主要参与神经递质配体受体相互作用、脂肪吸收消化、钙调节信号通路、PI3K-Akt 通路、NF-kappaB 通路及氧化磷酸化等有关,使用Cytohubba 进一步分析,筛选出10 个关键基因BDNF, GFAP, SYN1, NES, PLG, HPGDS, KCNC1, APOA4, AMBP 和TJP1,并建立了Nomogram 诊断模型。结论 使用生物信息学方法揭示稳定性心绞痛外周血差异基因潜在特征,为稳定性心绞痛的早期诊断提供新的思路。