掃碼聯(lián)系客服
銅死亡作為銅依賴性的新型細(xì)胞死亡方式，受到了廣泛關(guān)注，是一個熱點研究方向。生信人也推出了多個銅死亡有關(guān)的研究思路及文章，小編今天再和大家分享一篇今年2月剛剛發(fā)表在Frontiers in Immunology(IF：IF:8.786)雜志上研究類風(fēng)濕關(guān)節(jié)炎中銅死亡相關(guān)的分子亞型及免疫譜系的文章。
Identification of copper deathassociated molecular clusters and immunological profiles in rheumatoid arthritis
類風(fēng)濕關(guān)節(jié)炎中銅死亡相關(guān)的分子亞型及免疫譜的識別
一．研究背景
類風(fēng)濕關(guān)節(jié)炎(RA)是一種慢性炎癥性關(guān)節(jié)疾病，會破壞患者的骨骼、軟骨和肌腱，在嚴(yán)重情況下會導(dǎo)致畸形和殘疾，嚴(yán)重影響患者的生活質(zhì)量。目前RA的發(fā)病機(jī)制尚不明確，不過研究已經(jīng)發(fā)現(xiàn)線粒體穩(wěn)態(tài)失衡會導(dǎo)致RA的發(fā)生。而銅死亡的主要機(jī)制與脂?；€粒體酶的過度積累有關(guān)。因此，該研究基于GEO數(shù)據(jù)集對類風(fēng)濕關(guān)節(jié)炎(RA)與銅死亡相關(guān)基因(CRGs)的關(guān)系進(jìn)行了研究。
二．文章摘要
研究基于GEO數(shù)據(jù)對RA和非RA之間的差異基因與CRGs和免疫特征間的關(guān)聯(lián)進(jìn)行了詳細(xì)分析。研究首先識別了CRGs相關(guān)的分子亞型，并分析了其表達(dá)和免疫浸潤情況。接著通過WGCNA算法識別了CRGs亞型的特異基因。此外，研究構(gòu)建了4個機(jī)器學(xué)習(xí)模型并進(jìn)行外部數(shù)據(jù)及RA大鼠模型驗證。最終研究確定了13個CRGs在染色體上的位置、表達(dá)模式及與免疫浸潤的關(guān)聯(lián)。
三．文章的主要內(nèi)容及結(jié)果
1. CRGs識別和免疫分析
文章首先介紹了差異CRGs的識別及免疫分析。研究基于GSE93272數(shù)據(jù)集分析了13個CRGs在RA和非RA對照組之間的表達(dá)，結(jié)果確定了7個差異表達(dá)的CRGs。其中，LIPT1、FDX1、DLD、DBT、LIAS和ATP7A在RA中的表達(dá)水平顯著高于非RA水平，而DLST在RA中的表達(dá)水平顯著低于非RA水平(圖1A，B)。隨后，研究對12個CRGs在染色體上的位置進(jìn)行了分析(圖1C)。接著研究分析了差異表達(dá)CRGs之間的相關(guān)性來探索銅死亡基因在RA發(fā)生發(fā)展中的作用(圖1D)。此外，研究也對RA和非RA樣本進(jìn)行了免疫浸潤分析(圖1E)，結(jié)果發(fā)現(xiàn)RA患者的記憶B細(xì)胞，M0巨噬細(xì)胞及M1巨噬細(xì)胞等細(xì)胞的浸潤水平較高(圖1F)。進(jìn)一步研究對7個差異表達(dá)的CRGs進(jìn)行了免疫浸潤分析(圖1G)，結(jié)果發(fā)現(xiàn)多個基因與免疫細(xì)胞浸潤正相關(guān)，作者由此推測CRGs可能在調(diào)節(jié)RA免疫浸潤中發(fā)揮關(guān)鍵作用。
2. RA的無監(jiān)督聚類分析
在這一部分研究基于差異CRGs對RA進(jìn)行了聚類分型。研究使用一致性聚類將232個RA樣本根據(jù)7個CRGs的表達(dá)進(jìn)行分組，研究發(fā)現(xiàn)k = 2時效果最好(圖2A)，當(dāng)k = 2、3、4時，CDF值逐漸增大，當(dāng)k = 4時，CDF值逐漸減小(圖2B-D)。最終研究將232例RA患者分為兩組(CRGscluster C1和CRGscluster C2)，這兩組的PCA分析表明兩者之間存在顯著差異(圖2E)。
3. CRGscluster的表達(dá)及免疫浸潤特征
在這一部分作者對識別的CRGscluster C1和CRGscluster C2的表達(dá)及免疫浸潤進(jìn)行了分析。研究首先分析了7個CRGs在CRGscluster C1和CRGscluster C2之間的表達(dá)差異(圖3A)，結(jié)果發(fā)現(xiàn)CRGscluster C2中FDX1、DLD、LIPT1和LIAS顯著高表達(dá)(圖3B)。此外，研究還分析了CRGscluster C1和CRGscluster C2的免疫浸潤(圖3C)，結(jié)果觀察到CRGscluster C2和CRGscluster C1中多種免疫細(xì)胞存在浸潤差異(圖3D)。
4. CRGscluster交集基因的一致性聚類分析
這部分研究進(jìn)一步根據(jù)CRGscluster的交集基因進(jìn)行聚類分析。研究根據(jù)CRGscluster C1和CRGscluster C2的交集基因進(jìn)行重新聚類將RA患者分為不同的亞組，結(jié)果發(fā)現(xiàn)當(dāng)k = 2時聚類效果最優(yōu)(圖4A)，當(dāng)k = 4時，CDF值變小(圖4B-D)，最終RA樣本被分為兩組:genecluster C1和genecluster C2。接著研究分析了genecluster C1和C2之間CRGs的表達(dá)差異(圖4E)，結(jié)果發(fā)現(xiàn)genecluster C2中LIPT1、FDX1、DLD和LIAS的表達(dá)水平顯著更高(圖4F)。此外，研究分析了genecluster C1和C2的免疫浸潤情況(圖4G)，結(jié)果觀察到genecluster C2中多種免疫細(xì)胞浸潤水平較高(圖4H)。接下來研究繪制了CRGscluster C1、C2和gencluster C1、C2的銅死亡相關(guān)評分亞型的沖積分布圖(圖5A)，并比較了genecluster C1和C2之間的銅死亡相關(guān)評分，結(jié)果發(fā)現(xiàn)genecluster C2的銅死亡相關(guān)評分顯著高于C1(圖5B)。此外，研究還分析了CRGscluster C1和C2之間的銅死亡相關(guān)評分，結(jié)果發(fā)現(xiàn)CRGscluster C2的銅死亡相關(guān)評分顯著高于CRGscluster C1(圖5C)。研究也比較了CRGs在CRGscluster C1和C2與genecluster C1和C2之間的表達(dá)，結(jié)果發(fā)現(xiàn)PDHB、PDHA1、LIPT1、FDX1、DLD、LIAS和DLAT在CRGscluster C2和genecluster C2中的表達(dá)顯著高于CRGscluster C1和genecluster C1，而SLC31A1和ATP7B則不然(圖5D，E)。
5. 基因模塊篩選及共表達(dá)網(wǎng)絡(luò)構(gòu)建
這一部分研究對RA中的基因模塊進(jìn)行了篩選，并構(gòu)建了共表達(dá)網(wǎng)絡(luò)。研究首先識別了RA與非RA患者的差異表達(dá)基因(DEGs，圖6A、B)，接著對這些基因進(jìn)行功能富集分析(圖7 A、B)，進(jìn)一步使用WGCNA算法分析了與CRGscluster密切相關(guān)的關(guān)鍵基因模塊。研究以β = 13，R2 = 0.9為標(biāo)準(zhǔn)構(gòu)建了無標(biāo)度網(wǎng)絡(luò)，并識別出關(guān)鍵模塊(圖8A-D)。研究進(jìn)一步分析模塊與臨床特征(Cluster1和Cluster2)的關(guān)聯(lián)，結(jié)果發(fā)現(xiàn)MEturquoise模塊與Cluster2的相關(guān)性最高(圖8E)。MEturquoise模塊與Cluster 2的基因相關(guān)性分析如圖8F所示。
6. 機(jī)器學(xué)習(xí)模型的構(gòu)建及評估
這一部分研究為了進(jìn)一步識別具有較高診斷價值的特定基因，構(gòu)建并驗證了機(jī)器學(xué)習(xí)模型。研究基于MEturquoise模塊中hub基因與DEGs的交集基因構(gòu)建了4個機(jī)器學(xué)習(xí)模型，分別為隨機(jī)森林(RF)、支持向量機(jī)(SVM)、GLM和XGB，接著使用DALEX包對上述4種模型進(jìn)行比較，結(jié)果發(fā)現(xiàn)RF模型殘差相對最低(圖9A，B)。接著研究基于均方根誤差(Root mean square error，RMSE)對每個模型的前10個顯著基因進(jìn)行排序(圖9C)，并基于5倍交叉驗證繪制4種模型的ROC曲線，綜合評估其效能(圖9D)，結(jié)果發(fā)現(xiàn)RF模型能夠更好地區(qū)分不同的患者。RF模型最終獲得5個顯著基因，研究將其作為后續(xù)分析的預(yù)測基因，并構(gòu)建了列線圖進(jìn)一步評估RF模型的預(yù)測效能(圖10A)。進(jìn)一步研究使用校準(zhǔn)曲線和DCA相結(jié)合的方法對構(gòu)建模型的預(yù)測效能進(jìn)行評估，校準(zhǔn)曲線顯示RA聚類的實際風(fēng)險與預(yù)測風(fēng)險之間存在較小的誤差(圖10B)，DCA結(jié)果表明該列線圖具有較高的準(zhǔn)確性，可以為臨床治療決策提供一定的參考和依據(jù)(圖10C)。
7. RF候選基因的評估與分析
這一部分研究對RF得到的候選基因進(jìn)行了評估及分析。研究首先分析了這些基因在RA和非RA樣本中的ROC曲線，并比較了它們在不同樣本中的表達(dá)水平。ROC曲線結(jié)果顯示基因FAM96A的診斷價值最高，且其他基因的AUC也均大于 0.750，預(yù)測效果較好(圖11A-E)。此外，通過對其表達(dá)水平的分析也觀察到所有基因在RA患者中的表達(dá)均顯著高于非RA組(圖11F-J)。
8. RA實驗動物模型中qRT-PCR驗證預(yù)測基因
研究在最后一部分進(jìn)行了動物實驗，對預(yù)測基因進(jìn)行了驗證。研究采用qRT-PCR檢測并比較RA模型大鼠和對照大鼠踝關(guān)節(jié)組織中識別基因的表達(dá)情況(圖12)，結(jié)果發(fā)現(xiàn)與正常對照組相比，FAM96A、MAK4P3、PRPF39、SLC35A1、TMX1 5個基因在RA大鼠模型中表達(dá)顯著升高。
到這里這篇文章的主要內(nèi)容就介紹完了。文章使用公共數(shù)據(jù)對RA中銅死亡基因的表達(dá)進(jìn)行了分析，并研究了這些基因與RA免疫微環(huán)境的關(guān)聯(lián)，也進(jìn)一步根據(jù)這些基因進(jìn)行了分型及預(yù)測模型的構(gòu)建。研究內(nèi)容豐富，但用到的方法都比較基礎(chǔ)經(jīng)典，小編覺得文章最重要的亮點在于抓住了銅死亡這一熱點，對銅死亡感興趣的小伙伴可以參考一下這篇文章的思路及內(nèi)容呀。
