合肥建设局网站,泗洪做网站,wordpress怎么做相册,邯郸百度爱采购今天给同学们分享一篇3.6铁死亡WGCNA机器学习的生信文章“Identification of ferroptosis related biomarkers and immune infiltration in Parkinsons disease by integrated bioinformatic analysis”#xff0c;这篇文章于2023年3月14日发表在BMC Med Genomics期刊上#…今天给同学们分享一篇3.6铁死亡WGCNA机器学习的生信文章“Identification of ferroptosis related biomarkers and immune infiltration in Parkinsons disease by integrated bioinformatic analysis”这篇文章于2023年3月14日发表在BMC Med Genomics期刊上影响因子为3.622。 越来越多的证据表明铁死亡参与了帕金森病PD的进展。本研究旨在探讨铁死亡相关基因FRGs、免疫浸润和免疫检查点基因ICGs在帕金森病发病和发展过程中的作用。 图1 流程图 1.nbsp;识别关键的 WGCNA 模块和 DEGs
聚类分析后没有样本被剔除。基于 GSE18838 数据集构建了 WGCNA 网络以确定与 PD 相关的有意义的基因模块。选择软阈值功率为 12无标度拓扑拟合指数 R^2 达到 0.84平均连接度为 18.10表明无标度网络已经建立图 2AB。通过动态树切割法确定共表达基因模块合并相似模块后根据 MEDissThres 0.25 进一步筛选出关键模块图 2CD。然后作者分析了关键模块与临床表型之间的关系并显示了关键模块中所有基因的热图图 2EF。在分析的10个模块中黄绿色模块与帕金森病的临床特征显著相关被选为关键模块cor 0.49, p 0.008, 图2E。按照 q.weighted 0.05 的标准作者选择了 884 个基因进行后续研究。此外作者还观察到 PD 与黄绿色模块之间的高度相关性cor 0.492而黄绿色模块中的模块成员MM与基因重要性GS之间的相关性为 0.28cor 0.28p 2.3e-07图 2G。 图2 WGCNA 网络和模块检测 此外通过 PCA 和不同表达分析作者得到了 399 个 PD 和 HC 样本之间的 DEGs图 3AB。通过 Venn 图图 3C作者筛选出了 15 个与铁突变相关的 WGCNA 基因和 179 个 WGCNA-DEGs。 图3 基因芯片的 PCA 图和不同表达基因的火山图 2.GSEA 和 GSVA
作者进行了 GSEA 和 GSVA 分析以筛选 PD 和 HC 之间的生物学差异。图 4A、B、C 显示了 GO-BP、GO-CC 和 GO-MF 的富集分析结果。以KEGG和标志基因集为参考集GSVA富集分析发现PI3K-AKT-mTOR信号通路、活性氧通路、P53信号通路和自噬调控参与了PD的发病机制图4D, E。作者还发现一些相关的免疫学通路在 PD 和 HC 之间明显富集图 4F。此外KEGG通路的GSEA分析发现了PD的一些潜在通路如自噬、细胞凋亡、坏死、NOD样受体信号通路、TNF信号通路、泛素介导的蛋白水解、细胞衰老、有丝分裂、帕金森病、酒精性肝病和中性粒细胞胞外陷阱的形成。 图4 GSVA 不同参考基因集的结果 3.通过机器学习方法筛选出的候选基因
作者使用LASSO逻辑回归算法从15个铁蛋白相关-WGCNA基因中筛选出8个基因作为PD的关键生物标志物图5A同时使用RF和SVM-RFE算法筛选候选基因图5BC。通过三种算法得到的重叠基因被认为是候选生物标志物最终 LPINI 和 TNFAIP3 这两个基因被认为是生物标志物图 5D。图 6A, B 显示了对两个特征基因进行 GSEA 分析的 KEGG 通路。LPINI涉及酒精性肝病TNFAIP3主要与Epstein-Barr病毒感染、麻疹、坏死、NOD样受体信号通路和TNF信号通路有关。为了进一步检验 LPINI 和 TNFAIP3 对 PD 的诊断效果作者分析了这两个基因的表达水平并通过 GSE18838 微阵列表达矩阵进行了验证。结果发现这两个基因在 PD 全血中均呈下调表达且 ROC 曲线显示这两个基因具有更好的诊断潜力LPINI 和 TNFAIP3 的 AUC 分别为 0.87295% CI0.723-1.000和 0.81895% CI0.647-0.989图 6CD。此外还将 GSE72267 作为验证数据集其中包括 40 例 PD 患者和 20 例健康对照。在 NetworkAnalyst 上建立了 LPIN1 和 TNFAIP3 的 TF-miRNA 核心调控网络图 6E。 图5 使用机器学习方法识别与诊断相关的候选基因 图6 候选基因的 KEGG 通路和 GSE18838 数据集的验证 4.GO 和 KEGG 分析
为说明 179 个 WGCNA-DEG 的功能注释进行了 GO 分析。细胞组成的 GO 分析结果如图 7A 所示。在生物过程类别中最富集的 GO 术语是线粒体呼吸复合体 I 组装、自噬的正向调节、对活性氧的反应和 T 细胞活化/分化在分子功能类别中最富集的 GO 术语是 NADH 脱氢酶泛醌活性、MHC 蛋白结合、免疫受体活性和 ATP 代谢过程、Ras 蛋白信号转导、对活性氧的反应和 I-kappaB 激酶/NF-kappaB 信号转导的正向调节等图 7BC。7B, C。为了研究相关的信号通路作者进行了 KEGG 和 Reactome 分析。在 Reactome 通路中大自噬、MHC II 类抗原呈递、脂质代谢、类收费受体级联和细胞对应激的反应参与了 PD图 7D。此外KEGG通路分析还显示溶酶体、FoxO信号通路、糖尿病心肌病和癌症中的PD-L1表达及PD-1检查点通路可能与帕金森病有关图7E。 图7 WGCNA-DEG 的 GO 和 KEGG 通路富集结果 在15个铁死亡-WGCNA基因中显著富集的GO术语表明细胞对TOR信号转导的反应、p53类介质的信号转导、选择性自噬、对活性氧或金属离子或氧化应激的反应、脂肪酸代谢过程和神经元死亡与铁死亡和PD相关。KEGG结果表明mTOR信号通路、细胞衰老、中性粒细胞胞外陷阱形成、神经变性-多种疾病通路、NF-kappa B信号通路等可能在PD中发挥重要作用。 5.浸润免疫细胞的估计和相关分析
首先作者使用 CIBERSORT 算法利用28个样本的基因矩阵估算了22种浸润性免疫细胞的比例。与HC的结果相比PD样本中幼稚B细胞、浆细胞、幼稚CD4 T细胞、调节性T细胞、巨噬细胞M0和巨噬细胞M1的比例明显降低而记忆B细胞、γδT细胞和静息树突状细胞的比例明显升高图8A。通过矛曼分析发现候选基因与浸润免疫细胞之间存在正相关和负相关关系。LPINI 与幼稚 B 细胞、浆细胞和幼稚 CD4 T 细胞呈正相关而与记忆 B 细胞、γ δ T 细胞和静息树突状细胞呈负相关。TNFAIP3 与幼稚 B 细胞、幼稚 CD4 T 细胞、调节性 T 细胞、巨噬细胞 M0 和巨噬细胞 M1 呈正相关而与γ-δ T 细胞和静息树突状细胞呈负相关图 8B。 图8 免疫细胞浸润状况和免疫检查点基因的表达 此外在T细胞上表达的免疫检查点基因中TNFRSF18、TNFRSF25、CD28、CTLA-4、ICOS、BTLA、MYLK、CD27、CD226、ADORA2A和CD40L在两组间存在显著差异图8C。候选基因与免疫检查点基因的相关性分析见图 8D。LPIN1与上述所有不同的ICG都有明显的相关性但TNFAIP3仅与TNFRSF18、TNFRSF25、CD28、ICOS、MYLK、CD226、ADORA2A和CD40L有相关性。 6.帕金森病患者和健康对照组的人口统计学和临床特征
健康对照组和帕金森病患者的 RBC、Hb、Hct、单核细胞和淋巴细胞比例有显著差异P 0.000、P 0.000、P 0.000、P 0.031。此外HC 和早期 PD 患者的白细胞、红细胞、血红蛋白、血色素 Hct 的差异也有统计学意义P 0.031、P 0.000、P 0.000、P 0.000。早期和中晚期 PD 患者的年龄、病程年、MDS-UPDRS Ⅲ关 评分、白细胞、中性粒细胞%、淋巴细胞%、中性粒细胞与淋巴细胞比值、单核细胞与淋巴细胞比值也有统计学差异P 0.002、P 0.000、P 0.000、P 0.026、P 0.003、P 0.001、P 0.002、P 0.031。早期和中晚期帕金森病患者的UPDRS评分有明显差异这与两期的疾病程度相符。 7.帕金森病患者和健康对照组的 LPIN1 和 TNFAIP3 血浆水平
PD患者LPIN1的血浆浓度105.7 ng/mL [range 56.98 to 161.3 ng/mL]明显低于HC患者121.0 ng/mL [range 87.03 to 773.4 ng/mL]p 0.0001图9A。与HC20.50 pg/ml [range 5.84 to 159.5 pg/ml]相比PD患者的TNFAIP3血浆浓度45.91 pg/ml [range 4.61 to 193.9 pg/ml]明显升高p 0.0001图9B。当把PD患者分为早期和中晚期时早期PD患者血浆中LPIN1的水平101.7 ng/mL [range 77.96 to 137.7 ng/mL]明显低于HC患者p 0.0001而早期和中晚期PD患者血浆中LPIN1的水平110.0 ng/mL [range 56.98 to 161.3 ng/mL]差异无统计学意义p 0.2806图9C。与HC相比早期PD患者的TNFAIP3水平35.06 pg/mL [range 4.61 to 135.2 pg/mL]明显升高p 0.0407早期PD患者与中晚期PD患者的TNFAIP3水平50.63 pg/mL [range 7.75 to 193.9 pg/mL]也存在明显差异p 0.0459图9D。TNFAIP3 与年龄、嗜碱性粒细胞、Hoehn 和 Yahr 量表、疾病分期的相关性较弱。 图9 两种生物标记物的 ELISA 验证 8.浆液性 LPIN1 和 TNFAIP3 在帕金森病中的诊断价值
应用接收者操作特征曲线ROC评估了LPIN1和TNFAIP3在PD中的潜在诊断价值。LPIN1和TNFAIP3对PD的ROC曲线下面积AUC分别为0.75495% CI0.659-0.849p0.0001敏感性0.771特异性0.692和0.75495% CI0.660-0.849p0.0001敏感性0.686特异性0.821图10A。在区分早期PD和HC时LPIN1和TNFAIP3的AUC分别为0.81795% CI0.717-0.917p0.0001灵敏度0.867特异性0.692和0.65095% CI0.507-0.794p0.040灵敏度0.667特异性0.718图10B。然而LPIN1 和 TNFAIP3 在区分早期和中晚期 PD 患者方面表现不佳LPIN1AUC 0.59995% CI0.465-0.733p 0.146TNFAIP3AUC 0.64795% CI0.510-0.783p 0.035图 10C。然后作者使用逻辑回归分析结果表明 LPIN1 和 TNFAIP3 的组合预测效果更好HC vs. PDAUC 0.83395% CI0.750-0.916p 0.0001HC vs. 早期 PDAUC 0.83195% CI0.734-0.927p0.0001图 10D、E而对早期和中晚期 PD 的诊断效果相对较差AUC 0.63795% CI0.505-0.768p 0.041图 10F。 图10 两种生物标记物的 ROC 总结
综上所述作者的研究结果证实PD血浆中LPINI和TNFAIP3的异常低表达或上调、铁败细胞和循环免疫系统反应与PD的发病机制有关。此外铁突变相关基因与免疫检查点基因、免疫浸润等也有相关性。因此该研究进一步加深了人们对嗜铁细胞对外周血单核细胞主要包括淋巴细胞和单核细胞影响机制的认识。然而LPINI和TNFAIP3调控PD中铁死亡和免疫的具体机制尚不清楚。要探索LPINI和TNFAIP3对外周免疫细胞的生物学效应并为PD提供可靠的临床诊断标志物还需要更多的研究。
