3.6+铁死亡+WGCNA+机器学习

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 Parkinson's 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。
3126a0f115ec3180fa549d52330b704a.jpeg

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。

e26fae9e100685ae7f967e121ecb403d.jpeg

图1 流程图


1. 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 2A,B)。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 2C,D)。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 2E,F)。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 0.28(cor = 0.28,p = 2.3e-07,图 2G)。

807898a93744df960a3892080ab8d9b2.jpeg

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 3A,B)。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。


f34fcfc7be6beddb4fb475d769338ef2.jpeg

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。

eaa3feb8b6e5aa73b84420bc13d3bb8e.jpeg

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5B,C)。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 0.872(95% CI:0.723-1.000)和 0.818(95% CI:0.647-0.989)(图 6C,D)。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)。

0ece7b12791993eb3cc20933744e5f56.jpeg

图5 使用机器学习方法识别与诊断相关的候选基因

fa9376a7ea7a994be86f137ee49e8db5.jpeg

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 7B,C)。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)。

b138cb8be4cc7ab492a2f787db06452e.jpeg

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)。

ee7d866d983d2240e8440efa8f5c0572.jpeg

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HC(20.50 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。

6cb10885b7e5c6c8b82e4014d455dfd9.jpeg

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0.754(95% CI:0.659-0.849,p<0.0001,敏感性=0.771,特异性=0.692)和0.754(95% CI:0.660-0.849,p<0.0001,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0.817(95% CI:0.717-0.917,p<0.0001,灵敏度=0.867,特异性=0.692)和0.650(95% CI:0.507-0.794,p=0.040,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(LPIN1:AUC = 0.599,95% CI:0.465-0.733,p = 0.146;TNFAIP3:AUC = 0.647,95% CI:0.510-0.783,p = 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. PD,AUC = 0.833,95% CI:0.750-0.916,p < 0.0001;HC vs. 早期 PD,AUC = 0.831,95% CI:0.734-0.927,p<0.0001)(图 10D、E),而对早期和中晚期 PD 的诊断效果相对较差(AUC = 0.637,95% CI:0.505-0.768,p = 0.041)(图 10F)。

00639153f3ff8fef4fcb47bc2578be92.jpeg

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。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/141773.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Mac电脑信息大纲记录软件 OmniOutliner 5 Pro for Mac中文

OmniOutliner 5 Pro是一款专业级的Mac大纲制作工具&#xff0c;它可以帮助用户更好地组织和管理信息&#xff0c;以及制作精美的大纲。以下是OmniOutliner 5 Pro的主要功能和特点&#xff1a; 强大的大纲组织和管理功能。OmniOutliner 5 Pro为用户提供了多层次的大纲结构&…

【QT】QT事件Event大全

很高兴在雪易的CSDN遇见你 &#xff0c;给你糖糖 欢迎大家加入雪易社区-CSDN社区云 前言 本文分享QT中的事件Event技术&#xff0c;主要从QT事件流程和常用QT事件方法等方面展开&#xff0c;希望对各位小伙伴有所帮助&#xff01; 感谢各位小伙伴的点赞关注&#xff0c;小易…

virtualbox安装linux虚拟机访问互联网(外网)的方法

virtualbox安装linux虚拟机访问互联网&#xff08;外网&#xff09;的方法 设置方法效果图 设置方法 效果图

Linux系统编程-文件

目录 1、系统编程介绍以及文件基本操作文件编程系统调用文件基本读写练习 2、文件描述符以及大文件拷贝文件描述符大文件拷贝对比试验 3、文件实战练习 1、系统编程介绍以及文件基本操作 系统编程是基于Linux封装好的一些函数&#xff0c;进行开发。 Linux文件信息属性在indo…

用AI解决量子学问题

3 人工智能用于量子力学 在这一部分中&#xff0c;我们提供了有关如何设计高级深度学习方法以有效学习神经波函数的技术评述。在第3.1节中&#xff0c;我们概述了一般情况下定义和解决量子多体问题的方法。在第3.2节中&#xff0c;我们介绍了学习量子自旋系统基态的方法。在第…

微信收款码费率0.38太坑了

作为一个有多年运营经验的商家&#xff0c;我本人在申请收款功能时曾经走过了不少弯路。我找遍了市面上的知名的支付公司&#xff0c;但了解到的收款手续费率通常都在0.6左右&#xff0c;最低也只能降到0.38。这个过程吃过不少苦头。毕竟&#xff0c;收款功能是我们商家的命脉&…

Java笔记三

包机制&#xff1a; 为了更好地组织类&#xff0c;Java提供了包机制&#xff0c;用于区别类名的命名空间。 包语句的语法格式为&#xff1a;pack pkg1[. pkg2[. pkg3...]]; 般利用公司域名倒置作为包名&#xff1b;如com.baidu.com&#xff0c;如图 导包&#xff1a; 为了能够…

Python学习 day01(注意事项)

注释 print语句 变量 数据类型的转换 运算符 / 的结果为浮点数。若// 的两边有一个为浮点数&#xff0c;则结果为浮点数&#xff0c;否则为整数。 字符串 7. 精度控制 8. input()

五、点击切换、滚动切换、键盘切换

简介 通过事件改变当前展示的信息组件,交互的事件有点击上下切换、鼠标轮动上下切换、键盘上下键切换。欢迎访问个人的简历网站预览效果 本章涉及修改与新增的文件:App.vue、public 一、鼠标点击上下箭头切换 <template><div class="app-background"…

python学习--类的浅拷贝与深拷贝

变量的赋值操作 只是形成两个变量&#xff0c;实际上还是指向同一个对象 浅拷贝 Python拷贝一般都是浅拷贝&#xff0c;拷贝时&#xff0c;对象包含的子对象内容不拷贝&#xff0c;因此&#xff0c;源对象与拷贝对象会引用同一个子对象 深拷贝 使用copy模块的deepcopy函数…

古彝文识别:文化遗产的数字化之旅

目录 &#x1f345;前言&#x1f353;古彝文介绍&#x1f353;古彝文识别的重难点&#x1f352;原籍难以获取&#xff0c;传统翻译过程繁琐&#xff0c;周期长。&#x1f352;版式多样&#xff0c;笔画相近。&#x1f352;图像质量差&#xff0c;手写识别难。&#x1f352;古彜…

成为威胁:网络安全中的动手威胁模拟案例

不断变化的网络威胁形势要求组织为其网络安全团队配备必要的技能来检测、响应和防御恶意攻击。然而&#xff0c;在研究中发现并继续探索的最令人惊讶的事情是&#xff0c;欺骗当前的网络安全防御是多么容易。 防病毒程序建立在庞大的签名数据库之上&#xff0c;只需更改程序内…

Vue组件库Element

目录 Vue组件库ElementElement简介Element快速入门环境配置Element常用组件Table表格Table表格演示Table表格属性详解 Pagination分页Pagination分页演示Pagination分页属性详解Pagination分页事件详解 Dialog对话框Dialog对话框组件演示Dialog对话框属性详解 Form表单Form表单…

使用nvm快速切换node版本,windows安装nvm实现管理node版本

使用nvm node管理工具管理node版本&#xff0c;可以做到node版本随意切换&#xff0c;能快速的降低、升高node版本 这里写目录标题 使用nvm node管理工具管理node版本&#xff0c;可以做到node版本随意切换&#xff0c;能快速的降低、升高node版本安装和使用步骤&#xff1a; 一…

XC6206 低压线性稳压器 300mA低功耗LDO

XC6206系列是一款采用CMOS和激光修整技术制造的高精度、低能耗、3端子、正电压调压器。该系列提供了一个大的电流和一个明显的小的辍学电压。 XC6206由限流器电路、驱动器晶体管、精确参考电压和纠错电路组成。该系列兼容低ESR陶瓷电容。电流限制器的折叠电路作为短路保护以及输…

如何通过Gunicorn和Niginx部署Django

本文主要介绍如何配置Niginx加载Django的静态资源文件&#xff0c;也就是Static 1、首先需要将Django项目中的Settings.py 文件中的两个参数做以下设置&#xff1a; STATIC_URL /static/ STATIC_ROOT os.path.join(BASE_DIR, static) 然后在宝塔面板中执行python manage.…

86、Redis 的 value 所支持的数据类型(String、List、Set、Zset、Hash)---->String相关命令

本次讲解要点&#xff1a; String相关命令&#xff1a;String是指value中的数据类型 启动redis服务器&#xff1a; 打开小黑窗&#xff1a; C:\Users\JH>e: E:>cd E:\install\Redis6.0\Redis-x64-6.0.14\bin E:\install\Redis6.0\Redis-x64-6.0.14\bin>redis-server.…

10.12广州见 | 第十六届智慧城市大会报名通道全面开启

第十六届中国智慧城市大会 将于10月12日至13日 在广州举办 智慧城市是数字中国、智慧社会的核心载体&#xff0c;是数字时代城市发展的高级形态。由中国服务贸易协会、中国测绘学会、中国遥感委员会主办的第十六届中国智慧城市大会&#xff0c;将以“数实融合开放创新智引未…

【Java基础-JDK21新特性】它发任它发,我用java8

&#x1f49d;&#x1f49d;&#x1f49d;欢迎来到我的博客&#xff0c;很高兴能够在这里和您见面&#xff01;希望您在这里可以感受到一份轻松愉快的氛围&#xff0c;不仅可以获得有趣的内容和知识&#xff0c;也可以畅所欲言、分享您的想法和见解。 推荐:kuan 的首页,持续学…

STL set 和 map

文章目录 一、标准库中 set 和 multiset 的使用二、标准库中 map 和 multimap 的使用三、set 和 map 底层红黑树的模拟实现四、set 类 和 map 类的模拟实现 一、标准库中 set 和 multiset 的使用 set 是一颗 K 模型的红黑树&#xff0c;可以存储任意类型&#xff0c;multiset 和…