مقالة منهجية

تحديد العلامات الحيوية لخصوصية الجنس لمرض الزهايمر بناء على ملفات تعريف النسخ الدبقية

2K مشاهدة

⸱

DOI:

10.3791/66552

⸱

مايو 20, 2024

 ,  ,  ,  ,  ,  ,  ,  ,  , 
1Chengdu University of Traditional Chinese Medicine, 2Chengdu Shuangliu Hospital of Traditional Chinese Medicine, 3Department of Automation, Tsinghua University, 4Affiliated Reproductive & Women-Children Hospital, Chengdu University of Traditional Chinese Medicine, 5Department of Neurology, Dalian Municipal Central Hospital, Central Hospital of Dalian University of Technology

* These authors contributed equally

في هذه المقالة

ملخص

حللت هذه الدراسة نسخ أحادية النوى لثلاثة وثلاثين فردا مصابا بمرض الزهايمر (AD) ، وكشفت عن DEGs الخاصة بالجنس في الخلايا الدبقية. سلط تحليل الإثراء الوظيفي الضوء على المسارات المشبكية والعصبية والهرمونية. تم تحديد الجينات الرئيسية ، وهي NLGN4Y ومنظميها ، وتم اقتراح مرشحين علاجيين محتملين لمرض الزهايمر الخاص بالجنس.

الملخص

تم الكشف مؤخرا عن العديد من المؤشرات الحيوية الخاصة بالجنس في مرض الزهايمر (AD). ومع ذلك ، نادرا ما تم الإبلاغ عن الخلايا الدبقية الدماغية. حللت هذه الدراسة 220,095 نسخة أحادية النوى من القشرة الأمامية لثلاثة وثلاثين فردا من مرض الزهايمر في قاعدة بيانات GEO. تم تحديد الجينات المعبر عنها تفاضليا الخاصة بالجنس (DEGs) في الخلايا الدبقية ، بما في ذلك 243 في الخلايا النجمية ، و 1154 في الخلايا الدبقية الصغيرة ، و 572 في الخلايا قليلة التغصن. كشفت تحليلات التعليقات التوضيحية الوظيفية لأنطولوجيا الجينات (GO) وتحليلات إثراء مسار موسوعة كيوتو للجينات والجينوم (KEGG) عن التركيز الوظيفي في المسارات المشبكية والعصبية والمتعلقة بالهرمونات. حددت شبكة تفاعل البروتين والبروتين (PPI) MT3 و CALM2 و DLG2 و KCND2 و PAKACB و CAMK2D و NLGN4Y في الخلايا النجمية و TREM2 و FOS و APOE و APP و NLGN4Y في الخلايا الدبقية الصغيرة ، و GRIN2A و ITPR2 و GNAS و NLGN4Y في الخلايا قليلة التغصن كجينات رئيسية. كان NLGN4Y هو الجين الوحيد المشترك بين الخلايا الدبقية الثلاثة وتم تحديده على أنه العلامة الحيوية لخصوصية جنس مرض الزهايمر. حددت شبكة التنظيم المشترك لعامل النسخ الجيني (TF) و miRNA المنظمين الرئيسيين ل NLGN4Y و TCMs المستهدفة. تم تحديد Ecklonia kurome Okam (Kunbu) و Herba Ephedrae (Mahuang) ، وتم عرض تأثيرات المكونات النشطة على مرض الزهايمر. وأخيرا، أشار تحليل إثراء كونبو وماهوانغ إلى أنهما قد يعملان كمرشحين علاجيين للخصوصية الجنسانية لمرض الزهايمر.

المقدمة

مرض الزهايمر (AD) هو مرض عالمي مع ارتفاع معدل الإصابة ، ويمثل 60 ٪ -80 ٪ من الخرف1. على الرغم من ارتفاع معدل حدوثه ، إلا أن التسبب الميكانيكي لمرض الزهايمر غير محدد بوضوح ، ولم تكن هناك علاجات فعالة حتى الآن2. تم تحديد الأمراض الرئيسية في مرض الزهايمر على أنها ضمور الخلايا العصبية وتراكم الحطام المرضي ، وخاصة البروتين المرتبط بالأنابيب الدقيقة تاو ، و β-اميلويد (Aβ) 3,4. يرتبط التسبب في مرض الزهايمر بالالتهام الذاتي غير الطبيعي ، والإجهاد التأكسدي ، وضعف الميتوكوندريا ، والالتهاب ، واضطراب استقلاب الطاقة5. أثبتت مسوحات الانتشار أن ثلثي مرضى الزهايمر كانوا من النساء6. توجد اختلافات خاصة بالجنس في مرض الزهايمر في المسببات والمظاهر السريرية والوقاية والعلاج. وبالتالي ، فإن الكشف عن الآلية البيولوجية التي تسبب الاختلافات الخاصة بالجنس في مرض الزهايمر واستهداف الطب الصيني التقليدي (TCM) يمكن أن يوفر إطارا نظريا أكثر شمولا لفهم التسبب في مرض الزهايمر ، وتوجيه استراتيجية العلاج الدقيقة بشكل أكبر.

من المحتمل أن تساهم الخلايا العصبية الدبقية ، وخاصة الخلايا الدبقية الصغيرة ، والخلايا النجمية ، والخلايا قليلة التغصن ، في التسبب في مرض الزهايمر. في مرض الزهايمر ، يتم تنشيط الخلايا الدبقية الصغيرة وتغييرها وراثيا ، مما يساهم في الاستجابة الالتهابية ، البلعمة ، وإزالة Aβ 7,8 ؛ يتم تغيير الخلايا النجمية وراثيا ، مما يؤثر على النشاط المشبكي ، والتوازن الأيوني ، واستقلاب الطاقة والدهون9 ؛ يتم تغيير oligodendrocyte وراثيا مع خصوصية الجنس ، مما يساهم في فقدان الخلايا العصبية ، والتشابك العصبي الليفي ، وآفات المادة البيضاء10،11.

في هذه الدراسة ، استخدمنا تسلسل الحمض النووي الريبي أحادي النوى (snRNA-seq) كتقنية متفوقة. بالمقارنة مع تسلسل الحمض النووي الريبي أحادي الخلية (scRNA-seq) ، يوفر snRNA-seq مزايا من حيث ثراء العينة وسلامة نوع الخلية وموثوقية البيانات12,13. تم استخدام SnRNA-seq على نطاق واسع في الدراسات التي تركز على مرض الزهايمر واستكشاف دور الخلايا الدبقية14،15،16. إن اعتماده على نطاق واسع في هذه المجالات البحثية يسلط الضوء على فعاليته في توفير رؤى قيمة حول الخصائص النسخية للخلايا الدبقية في مرض الزهايمر. من خلال الاستفادة من مزايا snRNA-seq ، تمكن الباحثون من الكشف عن معلومات مهمة تتعلق بمشاركة الخلايا الدبقية في أمراض الزهايمر وتحديد الأهداف العلاجية المحتملة. من أجل استكشاف خصائص النسخ العصبية الدبقية الخاصة بالجنس في مرض الزهايمر و TCMs المحتملة للخصوصية الجنسية لمرض الزهايمر ، حللت هذه الدراسة بيانات snRNA-seq من القشرة الأمامية لمرضى الزهايمر من قاعدة البيانات العامة NCBI GEO. يتم تحليل الجينات المعبر عنها تفاضليا الخاصة بالجنس (DEGs) ، وأنطولوجيا الجينات (GO) ، وموسوعة كيوتو للجينات والجينوم (KEGG) ، وشبكة تفاعل البروتين والبروتين (PPI) ، وشبكة الجينات TF-miRNA للكشف عن المؤشرات الحيوية الرئيسية والتسبب في الأمراض المحتملة. أخيرا ، تم اقتراح TCMs المحتملة ، وتم عرض مكوناتها النشطة مع الجداول من خلال البحث في قواعد بيانات Coremine Medical و TCMIP و TCMSP.

البروتوكول

تم تنفيذ الخطوات من 2 إلى 9 من التحليل باستخدام برنامج R (انظر الشكل التكميلي 1 والملف التكميلي 1) ، بينما تم تنفيذ الخطوات المتبقية على المنصات عبر الإنترنت. يتم توفير تفاصيل قواعد البيانات المستخدمة في هذا البروتوكول (جنبا إلى جنب مع روابط الويب) في جدول المواد.

1. الحصول على البيانات

  1. الوصول إلى قاعدة بيانات التعبير الجيني الشامل (GEO) المتاحة للجمهور في المركز الوطني لمعلومات التكنولوجيا الحيوية.
  2. ابحث في بيانات GEO المسماة مرض الزهايمر في مربع البحث.
  3. حدد الكائنات الحية العليا مثل الإنسان العاقل على الجانب الأيمن.
    ملاحظة: كانت نتائج البحث بيانات عن مرض الزهايمر في الإنسان العاقل.
  4. بعد تصفية المعلومات التي تم البحث عنها ، قم بتنزيل ملفات البيانات GSE167490 و GSE183068 ، والتي تشمل features.tsv و barcode.tsv و matrix.mtx لكل عينة نوى مفردة. وتألفت مجموعات البيانات من 34 عينة من مرض الزهايمر من القشرة الأمامية، مع توزيع متساو ل 17 عينة من الذكور و 17 عينة من الإناث (الجدول التكميلي 1).

2. دمج العينة

  1. قم بتكوين مسارات البيانات وأسماء العينات وفقا لذلك على الكمبيوتر. قم باستيراد 34 عينة تم تنزيلها وقم بتعيين أسماء خاصة بالجنس للعينات باستخدام أسماء الوظائف.
  2. قم بإنشاء كائنات Seurat لجميع العينات بطريقة معالجة الدفعات باستخدام قائمة الوظائف و Read10X ، مع تحديد المعلمات على أنها min.cells = 3 و min.features = 200.
  3. استخدم الدالة RenameCells لإضافة معرفات نموذجية كبادئات إلى الرموز الشريطية للخلية للحفاظ على الرموز الشريطية للخلية أثناء عملية الدمج. وقد ضمن ذلك احتفاظ كل خلية بهويتها الفريدة ويمكن إرجاعها إلى مصدر العينة الأصلي بعد الدمج.

3. مراقبة الجودة (QC)

  1. استخدم الدالة PercentFeatureSet لحساب نسب جينات الميتوكوندريا ونسب جين كرات الدم الحمراء ونسب جين الريبوسوم لكل خلية.
  2. قم بتخزين هذه النسب المحسوبة في بيانات التعريف باستخدام عامل التشغيل [[ ]] لإرفاق هذه المعلومات مباشرة ببيانات تعريف كل خلية.
  3. استخدم دالة المجموعة الفرعية لإجراء ترشيح الخلية ، وتحديد المعلمات على النحو nFeature_RNA > 200 ، nFeature_RNA < 10000 ، nCount_RNA < 60000 ، percent.mt < 10 ، percent.rb < 5 ، والنسبة المئوية. HB < 75.
  4. استبعاد GSM5106107 من التحليل.

4. فحص تأثير الدفعة

  1. إجراء معالجة البيانات.
    1. تطبيع البيانات باستخدام الدالة NormalizeData .
    2. حدد أهم 2000 معلم متغير في مجموعة البيانات باستخدام الدالة FindVariableFeatures .
    3. إجراء تحليل المكونات الرئيسية (PCA)17 على البيانات باستخدام RunPCA، مع الاحتفاظ ب 50 مكونا رئيسيا.
    4. قم بإنشاء مخطط كوع باستخدام وظيفة ElbowPlot لتحديد العدد الأمثل للأبعاد للتحليل اللاحق. النظر في أول 50 بعدا.
    5. قم بتوسيع نطاق البيانات باستخدام ScaleData للتأكد من أن جميع الميزات على نطاق قابل للمقارنة.
    6. حدد أقرب الجيران باستخدام FindNeighbors استنادا إلى 30 بعدا.
    7. قم بتطبيق خوارزمية UMAP باستخدام RunUMAP لتقليل أبعاد البيانات إلى 30 بعدا.
  2. تصور البيانات المعالجة باستخدام الدالة DimPlot مع تعيين معلمة الاختزال على umap وتعيين معلمة group.by على orig.ident.
    ملاحظة: قد تؤدي هذه الخطوة إلى إنشاء مخطط تصور البيانات في مساحة UMAP المخفضة، مجمعة حسب هويات الخلايا الأصلية. عند فحص مؤامرات UMAP ، أصبح من الواضح أن هناك وجود تأثير دفعة. يشير التجميع المميز أو فصل الخلايا بناء على دفعتها أو أصلها التجريبي إلى أن الدفعات التجريبية قد أثرت على ملامح التعبير الجيني.

5. تكامل البيانات

  1. تطبيع البيانات وتوحيدها باستخدام وظيفة SCTransform .
  2. قم بتطبيق خوارزمية الانسجام18 لدمج البيانات ال 33 المتبقية أحادية النواة. استخدم مقايسة SCT للتكامل واضبط الحد الأقصى لعدد تكرارات الانسجام على 20.
  3. استخدم الدالة FindClusters مع تعيين معلمة دقة إلى 0.07 لتحديد مجموعات مميزة داخل البيانات.
  4. استخدم الدالة RunUMAP مع عدد محدد من الأبعاد (dims = 30) لتقليل أبعاد البيانات بشكل أكبر وتصور المجموعات في مساحة ذات أبعاد أقل.

6. التعليق التوضيحي لنوع الخلية

  1. جمع جينات الواسمات (الجدول التكميلي 2) للخلايا من خلال مراجعة شاملة للأدبيات الموجودة.
  2. بعد تحديد عدم تجانس الكتلة الخلوية ، صنف نوع كل خلية عنقودية حسب جينات العلامة المعبر عنها على وجه التحديد.
  3. تقديم أنواع خلوية مختلفة مع تصور UMAP باستخدام حزمة ggplot2 ، حيث تم تسليط الضوء على oligodendrocyte برمز اللون #DB7093 ، والخلايا العصبية المثيرة مع #FF69B4 ، والخلايا النجمية مع #1874CD ، والخلايا الدبقية الصغيرة مع #63B8FF ، وخلية سلائف oligodendrocyte مع #DB7093 ، والخلايا العصبية المثبطة مع #FFC0CB ، والخلية البطانية مع #FF69B4.
  4. احسب نسب كل نوع خلية طبقيا حسب الجنس.

7. استخراج بيانات الخلايا الدبقية

  1. استخراج بيانات الخلايا النجمية من البيانات المجمعة المتكاملة باستخدام وظيفة المجموعة الفرعية.
  2. استخراج بيانات الخلايا الدبقية الصغيرة من البيانات المجمعة المتكاملة باستخدام وظيفة المجموعة الفرعية.
  3. استخراج بيانات oligodendrocyte من البيانات المجمعة المتكاملة باستخدام وظيفة مجموعة فرعية.

8. التقاط الجينات المعبر عنها تفاضليا الخاصة بالجنس الدبقي (DEGs)

  1. حدد DEGs الخاصة بالجنس للخلايا النجمية باستخدام وظيفة FindMarkers (ident.1 = ذكر ، ident.2 = أنثى ، group.by = group.sum ، مقايسة = RNA) مع قيم العتبة: قيمة p < 0.05 و |avg_log2FC| > 30. قم بتسمية DEGs المنظمة لأعلى على أنها أعلى ، و DEGs المنظمة لأسفل على أنها لأسفل ، والباقي على أنها مستقرة.
    1. تصور DEGs باستخدام وظيفة ggplot ، حيث يمثل المحور x الفرق في النسبة المئوية بين شرطين (pct.1 - pct.2) ، والمحور y الذي يصور avg_log2FC. تم تسليط الضوء على الجينات المنظمة باستخدام اللون PaleVioletRed ، والجينات المنظمة مع Pink ، والجينات المستقرة مع DodgerBlue3.
  2. حدد DEGs الخاصة بالجنس للخلايا الدبقية الصغيرة باستخدام دالة FindMarkers (ident.1 = ذكر ، ident.2 = أنثى ، group.by = group.sum ، مقايسة = RNA) مع قيم العتبة: قيمة p < 0.05 و |avg_log2FC| > 1. قم بتسمية DEGs المنظمة لأعلى على أنها أعلى ، و DEGs المنظمة لأسفل على أنها لأسفل ، والباقي على أنها مستقرة.
    1. تصور DEGs باستخدام وظيفة ggplot ، حيث يمثل المحور x الفرق في النسبة المئوية بين شرطين (pct.1 - pct.2) ، والمحور y الذي يصور avg_log2FC. تم تسليط الضوء على الجينات المنظمة باستخدام اللون OrangeRed ، والجينات المنظمة مع LightSalmon ، والجينات المستقرة مع SteelBlue1.
  3. حدد DEGs الخاصة بالجنس من oligodendrocyte باستخدام دالة FindMarkers (ident.1 = ذكر ، ident.2 = أنثى ، group.by = group.sum ، مقايسة = RNA) مع قيم العتبة: قيمة p < 0.05 و |avg_log2FC| > 10. قم بتسمية DEGs المنظمة لأعلى على أنها أعلى ، و DEGs المنظمة لأسفل على أنها لأسفل ، والباقي على أنها مستقرة.
    1. تصور DEGs باستخدام دالة ggplot ، حيث يمثل المحور x الفرق في النسبة المئوية بين شرطين (pct.1 - pct.2) ، والمحور y الذي يصور avg_log2FC. تم تسليط الضوء على الجينات المنظمة باستخدام اللون DeepPink ، والجينات المنظمة مع HotPink ، والجينات المستقرة مع DeepSkyBlue3.

9. تحليلات الإثراء الوظيفي ل DEGs الخاصة بالجنس

  1. إجراء تحليل إثراء أنطولوجيا الجينات (GO) على DEGs الخاصة بالجنس لكل نوع من الخلايا الدبقية باستخدام وظيفة enrichGO . قم بتعيين المعلمات التالية: OrgDb = org. Hs.eg.db ، keyType = SYMBOL ، ont = ALLL ، pAdjustMethod = BH ، pvalueCutoff = 0.01 ، و qvalueCutoff = 0.05.
  2. تحويل رموز الجينات إلى معرفات الجينات المقابلة باستخدام دالة bitr. إجراء تحليل إثراء موسوعة كيوتو للجينات والجينوم (KEGG) على DEGs الخاصة بالجنس لكل نوع من أنواع الخلايا الدبقية باستخدام وظيفة enrichKEGG . اضبط الإعدادات على النحو التالي: الكائن الحي = لديه ، نوع المفتاح = kegg ، pAdjustMethod = BH ، pvalueCutoff = 0.01 ، و qvalueCutoff = 0.05.

10. إحصائيات التردد ل DEGs الدبقية في مسارات go و kegg ، ومخططات venn لكل DEGs الخاصة بالجنس الدبقي ، وبناء شبكة PPI

  1. احسب تواتر DEGs الخاصة بالجنس الدبقي في مسارات GO و KEGG باستخدام الرسم البياني للتردد.
  2. الوصول إلى قاعدة بيانات STRING لإنشاء شبكات PPI.
  3. اختر البروتينات المتعددة. ابحث عن قائمة الأسماء في مربع البحث. تعيين "الكائنات الحية" كما الإنسان العاقل.
  4. راجع قائمة البروتينات التي تم الحصول عليها من البحث. انقر فوق "متابعة " للمتابعة.
  5. قم بتصدير شبكات PPI عن طريق تحديد خيار التنزيل ، ويفضل أن يكون ذلك بتنسيق PNG بدقة أعلى.
  6. تصور توزيع التعبير المشترك للجينات الخاصة بالجنس باستخدام مخططات فن.
  7. حدد الجين (الجينات) المشتركة كجين (جينات) رئيسي في الدراسة بناء على تحليل مخطط فين.

11. بناء شبكة تنظيمية متعددة العوامل

  1. قم بالوصول إلى محلل الشبكة.
  2. انقر فوق إدخال قائمة الجينات وحدد الكائن الحي على أنه H. العاقل (الإنسان). قم بتعيين نوع المعرف كرمز جيني رسمي. أدخل اسم الجين في حقل البحث ، ثم انقر فوق تحميل ومتابعة.
  3. حدد تفاعلات Gene-miRNA واختر miRTarBase v8.0. قم بتأكيد التحديد بالنقر فوق موافق.
  4. انتقل إلى تفاعلات TF-gene وحدد قاعدة بيانات ENCODE . انقر فوق "موافق " لتأكيد التحديد.
  5. بعد ذلك ، انتقل إلى شبكة التنظيم المشترك TF-miRNA وانقر فوق "موافق " للمتابعة.
  6. أخيرا ، اختر متابعة لإنشاء شبكة تنظيمية متعددة العوامل تتضمن تفاعلات الجينات miRNA وتفاعلات TF-gene.

12. تحليل الجينات والطب الصيني التقليدي المستهدف

  1. الوصول إلى قاعدة بيانات Coremine Medical عبر الإنترنت.
  2. أدخل اسم الجين المحدد وحدد الجين المقابل مع الجين / البروتين اللاحق ، الإنسان في مربع البحث ضمن قسم الاستكشاف .
  3. انتقل إلى قسم الأدوية وحدد الطب الصيني التقليدي المرتبط بالأدوية التي تم البحث عنها.
    ملاحظة: تم تمييز الأدوية ذات الدلالة الإحصائية باللون الأزرق.
  4. حدد أعلى خمسة مقاييس للطب الصيني التقليدي بناء على قيمتها "الأهمية" كمقاييس علاجية للطب التقليدي.

13. ملخص بحثي لمكونات الطب الصيني التقليدي في استهداف الجينات الرئيسية

  1. الوصول إلى منصة الأبحاث التكاملية القائمة على علم الأدوية للطب الصيني التقليدي (TCMIP) وقاعدة بيانات علم الأدوية وأنظمة الطب الصيني التقليدي ومنصة التحليل (TCMSP). أدخل أسماء الأعشاب في شريط البحث لاسترداد المكونات المقابلة لها.
  2. استرجع المكونات الموجودة في قاعدة بيانات PubMed مع حد زمني حتى 10 أبريل 2023. تضمنت مصطلحات البحث المستخدمة اسم الجزيء في TCMSP والمكونات الكيميائية في TCMIP كمصطلحات بحث ، واقتصرت على المقالات المنشورة باللغة الإنجليزية.
  3. تلخيص وتحليل الأعشاب والمكونات المقابلة لها التي تعمل على AD.

14. تأكيد استهداف وظيفة علاج الطب الصيني التقليدي في خصوصية جنس مرض الزهايمر

  1. استيراد الأعشاب إلى TCMIP وانتقل إلى صفحة الوصف المقابلة.
  2. استخدم وظيفة تصدير البيانات وحدد تنسيق CSV لتنزيل شروط التخصيب الخاصة ب GO - العملية البيولوجية ، GO - المكون الخلوي ، GO - الوظيفة الجزيئية ، ومسار المفاعل.
  3. تصور شروط الإثراء التي تم تنزيلها لكل عشب باستخدام المخططات الشريطية.

النتائج

تحليل SnRNA-seq لملامح النسخ الدبقية الأمامية وشرح أنواع الخلايا
في المجموع ، تم الحصول على 220095 نواة و 32077 جينا في القشرة الأمامية ل 17 ذكرا بعد الميلاد و 17 أنثى ميلادية (الشكل 1 أ). تصور مخطط UMAP إجمالي النسخ الأمامية أحادية النوى التي تعرض أنواعا مميزة من النوى بعد تحليل تقليل الأبعاد (الشكل 1 ب). تم عرض العدد الإجمالي للنوى المشروحة التي تم التقاطها حسب الجنس ، مما جعل مجموع الخلايا النجمية المدرجة 58,902 ، و 14,265 الخلايا الدبقية الصغيرة ، و 77,466 oligodendrocytes ، و 3,520 البطانية ، و 25,252 الخلايا العصبية المثيرة ، و 31,268 الخلايا العصبية المثبطة و 9,422 الخلايا السلفية oligodendrocyte (الشكل 1C). تم إسقاط متوسط تعبيرات علامات نوع الخلية المعروفة لكل دبقية على مخططات UMAP لتحديد مجموعات الخلايا (الشكل 1D).

DEGs الخاصة بالجنس في الخلايا النجمية
تم تحليل 58,902 نواة نجمية (الشكل 2 أ) ، مع 27,504 من ذكور AD (46.69٪) و 31,398 من إناث AD (53.31٪). كشفت DEGs الخاصة بالجنس عن تنظيم 138 جينا ، بما في ذلك DST و CACNA2D3 و AC016831.7 ، وخفض تنظيم 105 جينات ، بما في ذلك CNTN5 و RORA و RASSF8 و CADM2 ، و 4995 جينا دون تغيير (الشكل 2 ب). علاوة على ذلك ، حددت تحليلات GO و KEGG أن تلك DEGs تتركز بشكل أساسي في مسارات الخلايا العصبية والمشابك العصبية والهرمونات ، مع المسارات العصبية بما في ذلك تنظيم تطوير مشروع الخلايا العصبية ، والعمود الفقري للخلايا العصبية ، وما إلى ذلك ، والمسارات المشبكية بما في ذلك التنظيم المشبكي والمشبك العصبي / الكوليني ، ومسارات الهرمونات بما في ذلك تخليق هرمون الغدة الدرقية وإفراز الأنسولين (الشكل 2C ، D). تم الحصول على ثلاثين جينا بتردد أعلى (الشكل 2E) ، مع تصنيف PLCB1 الأول. تم إنشاء شبكات PPI لاستكشاف العلاقة بين هذه الجينات (الشكل 2F) وتحديد DLG2 و CAMK2D و CALM2 و PRKACB كجينات أساسية. أظهرت مخططات UMAP اختلافات في DEGs المختارة: KCND2 و CAMK2D و MT3 و LINC00278 و XIST كانت أعلى في AD الإناث وأقل في AD الذكور ، بينما كانت NLGN4Y و DLG2 و PRKACB و CALM2 و UTY و TTTY14 معاكسة (الشكل 2G). تم تحديد MT3 و CALM2 و DLG2 و KCND2 و PRKACB و CAMK2D و NLGN4Y أخيرا على أنها DEGs خاصة بالجنس للخلايا النجمية كما هو موضح في الجدول 1.

DEGs الخاصة بالجنس في الخلايا الدبقية الصغيرة
تم تحليل 14,265 نواة دبقية صغيرة (الشكل 3A) ، مع 5,327 (37.34٪) من ذكر AD و 8,938 (62.66٪) من إناث AD. كشفت DEGs الخاصة بالجنس عن تنظيم 224 جينا ، بما في ذلك KCNIP4 و LRRTM4 ، وخفض تنظيم 930 جينا ، بما في ذلك APOE و MT-CO3 و FTL ، ولم يتغير 13111 جينا (الشكل 3B). علاوة على ذلك ، حددت تحليلات GO و KEGG أن تلك DEGs تتركز بشكل أساسي في مسارات الخلايا العصبية ، والبلعمة ، والهرمونات ، وغيرها ، مع المسارات العصبية بما في ذلك المشبك العصبي إلى الخلايا العصبية ، والمسارات البلعمية بما في ذلك البلعمة وتنظيم البلعمة ، ومسارات الهرمونات بما في ذلك مسار إشارات هرمون الاستروجين ، ومسار إشارات الأوكسيتوسين ، وما إلى ذلك ، وغيرها بما في ذلك تنظيم الاستجابة الالتهابية ، والتعلم أو الذاكرة ، وإزالة أميلويد بيتا ، إلخ (الشكل 3 ج ، د). تم الحصول على ثلاثين جينا بتردد أعلى ، مع تعادل TLR2 و TREM2 في المركز الثاني (الشكل 3E). تم إنشاء شبكات PPI لاستكشاف العلاقة بين هذه الجينات (الشكل 3F) وتحديد ACTB و APP و FYN كجينات أساسية. أظهرت مخططات UMAP اختلافات في DEGs المختارة: كانت APP و FOS و XIST و CTSD أعلى في الإناث AD وأقل في AD الذكور ، بينما كانت NLGN4Y و TREM2 و LINC0028 و APOE و UTY و TTTY14 معاكسة (الشكل 3G). تم تحديد TREM2 و FOS و APOE و APP و NLGN4Y أخيرا على أنها DEGs خاصة بالجنس من الخلايا الدبقية الصغيرة ، كما هو موضح في الجدول 2.

DEGs الخاصة بالجنس في oligodendrocyte
تم تحليل 77,466 نواة قليلة التغصن (الشكل 4 أ) ، مع 42,469 من ذكور AD (54.82٪) و 34,997 من إناث AD (45.18٪). كشفت DEGs الخاصة بالجنس عن تنظيم 384 جينا ، بما في ذلك PCDH9 و MT-CO1 و NEAT1 و NPAS3 ، وخفض تنظيم 188 جينا ، بما في ذلك FRMD4A و PLP1 و LSAMP ، والباقي 76,894 جينا دون تغيير (الشكل 4B). علاوة على ذلك ، حددت تحليلات GO و KEGG أن تلك DEGs تتركز بشكل أساسي في مسارات الخلايا العصبية والمشابك العصبية والهرمونات ، مع المسارات العصبية بما في ذلك العمود الفقري للخلايا العصبية ، والمسارات المشبكية بما في ذلك المشبك العصبي إلى الخلايا العصبية والمشبك العصبي / الدوبامين ، ومسارات الهرمونات بما في ذلك مسار إشارات التغذية العصبية ، وتوليف الألدوستيرون وإفرازه ، ومسار إشارات الكالسيوم ، وما إلى ذلك (الشكل 4C ، D). تم الحصول على ثلاثين جينا بتردد أعلى (الشكل 4E) ، مع تعادل GRIN2A و PSEN1 في المركز الثاني. تم إنشاء شبكات PPI لاستكشاف العلاقة بين هذه الجينات (الشكل 4F) وتحديد GRIN2A و GRIA2 كجينات أساسية. أظهرت مخططات UMAP اختلافات في DEGs المختارة: كانت GRIN2A و ITPR2 و GNAS و XIST أعلى في إناث AD وأقل في AD الذكور ، بينما كانت NLGN4Y و UTY و TTTY14 معاكسة (الشكل 4G). تم تحديد GRIN2A و ITPR2 و GNAS و NLGN4Y أخيرا على أنها DEGs خاصة بالجنس من oligodendrocytes ، كما هو موضح في الجدول 3.

التفاعل بين الجينات الرئيسية وأعلى 30 جينا للخلايا الدبقية ، و NLGN4Y باعتباره الجين المشترك المشترك
قدمت مخططات Venn وشبكات PPI نظرة عامة على التفاعل الوثيق بين الجينات الرئيسية (الشكل 5A ، B) وأعلى 30 جينا (الشكل 5C ، D) لكل خلية دبقية. أظهرت النتائج أن ACYB و APP و JUN و PRKACB و DLG2 كانت في صميم شبكة PPI ، وكان NLGN4Y جينا مشتركا شائعا ل DEGs الخاصة بالجنس في جميع الخلايا الدبقية.

بناء شبكة Gene-TF-miRNA
احتوت شبكة NLGN4Y-TF-miRNA على 13 عقدة و 12 حافة (الشكل 6 أ). تم تنظيم NLGN4Y بواسطة 1 TF ، وهي CTCF ، و 11 miRNAs ، بما في ذلك has-miR-185 و has-miR-137 و has-miR-9.

عرض الدواء المستهدف و TCMs من NLGN4Y مع الشبكة
تم استرداد ما مجموعه 1 عقار مستهدف NLGN4Y و 64 من الطب الصيني التقليدي المستهدف غير المباشر في Coremine Medical. تم تمييز TCMs ذات الأهمية الإحصائية في النتائج باللون الأزرق. تم تصور عقار Antithrombin III وخمسة TCMs مع الشبكة ، وهي Heikunbu و Wulingzhi و Xiazhicao و Shuizhi و Mahuang ، والتي اعتبرت ذات دلالة إحصائية (الشكل 6B).

آثار تدابير الطب الصيني التقليدي المستهدفة والمكونات النشطة المقابلة لها على مرض الزهايمر
وبالنسبة لكونبو، استرجعت 10 مكونات في بروتوكول TCMIP و48 مكونا في بروتوكول TCMSP. من خلال البحث في قاعدة بيانات PubMed ، تم استرداد 5 مكونات تتعلق بمرض الزهايمر: فوكوستيرول ، سارينغوستيرول ، ثيامين ، حمض ستيريدونيك ، و phlorofucofuroeckol-A ، والتي كان التوافر البيولوجي الفموي (OB) لأول اثنين ≥30٪ وعلى غرار الجنس المخدر (DL) كان ≥0.18. يتم عرض التفاصيل في الجدول 4. أما بالنسبة لماهوانغ ، فقد تم استرداد 28 مكونا في TCMIP و 363 مكونا في TCMSP. بنفس طريقة Kunbu ، تم استرداد 25 مكونا متعلقا بمرض الزهايمر. من بينها ، يتم سرد 6 مكونات تحتوي على OB ≥30٪ و DL ≥0.18: كيرسيتين ، إريوديكتيول ، نارينجينين ، تاكسيفولين ، ستيغماستيرول ، ولوتولين ، في الجزء العلوي من الجدول 5.

شبكة مرض الجينات الهيرب وتحليل التخصيب
شبكة مرض هورب الجيني موضحة في الشكل 6 ج. كان الجين المستهدف المشترك لكونبو وماهوانغ هو ACHE ، الذي كانت الأمراض المرتبطة به هي مرض الزهايمر والعجز المعرفي. كانت الجينات المستهدفة ل Kunbu وحدها هي ALKBH3 و ELOVL4 ، والأمراض المرتبطة بها هي الشيخوخة وضمور الدماغ ، على التوالي.

يتم عرض نتائج إثراء GO (BP و MF و CC) ل Kunbu (الشكل 7A ، الشكل 8A ، الشكل 9A) و Mahuang (الشكل 7B ، الشكل 8B ، الشكل 9B) مع المخططات الشريطية. كما يتم عرض مسارات المفاعلات لكونبو (الشكل 10 أ) وماهوانغ (الشكل 10 ب). كانت المصطلحات المخصبة المميزة بالأسهم مرتبطة بمحور "هرمونات - مشبك - خلية عصبية" ، مثل نشاط مستقبلات هرمون الستيرويد ، وإسقاط الخلايا العصبية ، ومسار الإشارات بوساطة هرمون الستيرويد في كونبو والانتقال المشبكي الكيميائي ، والتعبير الجيني المعتمد على الإستروجين وعملية الجهاز العصبي في ماهوانغ.

figure-results-1
الشكل 1: الحصول على بيانات التعبير الجيني، وتوصيف الحمض النووي الريبوزي أحادي النواة، وتوصيف نوع الخلية. (أ) العينات التي تم الحصول عليها من مجموعات بيانات توقعات البيئة العالمية لإعداد التحليل. (ب) مخطط UMAP ثنائي الأبعاد لمجموع النوى (N = 116,101 للذكور ؛ ن = 103,994 للإناث). ج: نسب تقسيم كل نوع من الخلايا حسب الجنس. (د) متوسط التعبير عن 5 علامات راسخة لنوع الخلية معروضة على مخطط UMAP. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-2
الشكل 2: الخلايا النجمية غير متجانسة ولها تغيرات نسخية خاصة بالجنس في مرض الزهايمر. (أ) مخطط UMAP للنوى النجمية (N = 59,010). (ب) التعيينات الخاصة بنوع الجنس. (ج، د) توضح مخططات الدائرة المصطلحات المهمة المخصبة وظيفيا ل DEGs النجمية التي تم الحصول عليها من قواعد بيانات GO و KEGG (GO: C ، KEGG: D). (ه) أكثر 30 DEGs شيوعا للجنس النجمي في مسارات GO و KEGG. (F) شبكة PPI لأفضل 30 DEGs الأكثر شيوعا في الجنس النجمي في مسارات GO و KEGG. (ز) التعبير المتوسط عن DEGs الخاصة بالجنس المتوقعة على مخططات UMAP. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-3
الشكل 3: الخلايا الدبقية الصغيرة غير متجانسة ولها تغيرات نسخية خاصة بالجنس في مرض الزهايمر. (أ) مخطط UMAP لنوى الخلايا الدبقية الصغيرة (N = 14,265). (ب) التعيينات الخاصة بنوع الجنس. (ج، د) توضح المخططات الدائرية المصطلحات المهمة المخصبة وظيفيا ل DEGs الدبقية الصغيرة التي تم الحصول عليها من قواعد بيانات GO و KEGG (GO: C ، KEGG: D). (ه) أكثر 30 DEGs من الجنس الدبقي الصغير شيوعا في GO و KEGGpathways. (و) شبكة PPI لأعلى 30 DEGs من الجنس الدبقي الصغير الأكثر شيوعا في مسارات GO و KEGG. (ز) التعبير المتوسط عن DEGs الخاصة بالجنس المتوقعة على مخططات UMAP. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-4
الشكل 4: الخلايا قليلة التغصن غير متجانسة ولها تغيرات نسخية خاصة بالجنس في مرض الزهايمر. (أ) مخطط UMAP لنوى قليلة التغصن (N = 77,466). (ب) التعيينات الخاصة بنوع الجنس. (ج، د) أوضحت مخططات الدائرة المصطلحات المهمة المخصبة وظيفيا ل DEGs قليلة التغصن التي تم الحصول عليها من قواعد بيانات GO و KEGG (GO: C ، KEGG: D). (E) أكثر 30 DEGs قليلة التغصن الجنسية شيوعا في مسارات GO و KEGG. (F) شبكة PPI لأفضل 30 DEGs قليلة التغصن الجنسية الأكثر شيوعا في مسارات GO و KEGG. (ز) التعبير المتوسط عن DEGs الخاصة بالجنس المتوقعة على مخططات UMAP. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-5
الشكل 5: تداخل DEGs وشبكات PPI ل DEGs عالية التردد. (أ ، ب) مخطط فين يوضح الجينات الرئيسية لكل دبقية وشبكة PPI المقابلة. (ج، د) رسم تخطيطي Venn يوضح أفضل 30 DEGs متكررة خاصة بالجنس لكل دبقية غنية في مسارات GO و KEGG وشبكة PPI المقابلة. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-6
الشكل 6: مخطط الشبكة مع NLGN4Y واستهداف TCMs كنواة. (أ) شبكة التنظيم المشترك للجينات-TF-miRNA. (ب) شبكة الجينات والأدوية والطب الصيني التقليدي ل NLGN4Y. (ج) شبكة أمراض الجينات والطب الصيني التقليدي في كونبو وماهوانغ. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-7
الشكل 7: تحليل التخصيب GO (BP) لكونبو وماهوانغ. (أ) أهم 20 عملية بيولوجية غنية في كونبو. (ب) أفضل 20 عملية بيولوجية غنية في ماهوانغ. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-8
الشكل 8: تحليل التخصيب GO (MF) لكونبو وماهوانغ. (أ) أهم 20 وظيفة جزيئية غنية لكونبو. (ب) أهم 20 وظيفة جزيئية غنية لماهوانغ. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-9
الشكل 9: تحليل التخصيب GO (CC) لكونبو وماهوانغ. (أ) أعلى 20 مكونا خلويا غنيا في كونبو. (ب) أعلى 20 مكونا خلويا غنيا في ماهوانغ. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-10
الشكل 10: مسارات المفاعلات لكونبو وماهوانغ. (أ) مسارات المفاعلات في كونبو. ب: مسارات مفاعلات ماهوانغ. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

الجدول 1: الجينات الرئيسية ل DEGs الخاصة بالجنس في الخلايا النجمية. الرجاء الضغط هنا لتنزيل هذا الجدول.

الجدول 2: الجينات الرئيسية ل DEGs الخاصة بالجنس في الخلايا الدبقية الصغيرة. الرجاء الضغط هنا لتنزيل هذا الجدول.

الجدول 3: الجينات الرئيسية ل DEGs الخاصة بالجنس في الخلايا قليلة التغصن. الرجاء الضغط هنا لتنزيل هذا الجدول.

الجدول 4: المكونات النشطة ل Kunbu على AD. الرجاء الضغط هنا لتنزيل هذا الجدول.

الجدول 5: المكونات النشطة لماهوانغ على مرض الزهايمر. الرجاء الضغط هنا لتنزيل هذا الجدول.

الشكل التكميلي 1: لقطة شاشة لاستخدام برنامج R. الرجاء الضغط هنا لتنزيل هذا الملف.

الجدول التكميلي 1: معلومات العينة. الرجاء الضغط هنا لتنزيل هذا الملف.

الجدول التكميلي 2: جينات العلامات. الرجاء الضغط هنا لتنزيل هذا الملف.

الملف التكميلي 1: رمز R. الرجاء الضغط هنا لتنزيل هذا الملف.

المناقشة

تم تحديد خصوصية الجنس في علم الأوبئة وعلم الأمراض والمظاهر السريرية لAD 19. هنا ، أكدنا الآلية المرضية المحتملة ل "محور الهرمونات - المشبك - الخلايا العصبية" من الجينات الدبقية الخاصة بالجنس والمسارات ذات الصلة في مرضى الزهايمر. كان NLGN4Y هو الجين المشترك الوحيد في الخلايا الدبقية الثلاثة وتم اختياره كعلامة حيوية لخصوصية جنس مرض الزهايمر. ارتبطت TF و miRNAs التي تنظم NLGN4Y ارتباطا وثيقا بالاختلافات بين الجنسين وتطور الجهاز العصبي. علاوة على ذلك ، تم اعتبار أن العلاجات التقليدية التقليدية المستهدفة Kunbu و Mahuang من المحتمل أن تؤثر على محور "الهرمونات - المشبك - الخلايا العصبية" وتم تحديدها للعمل كمرشحين علاجيين لمرض الزهايمر من خلال تنظيم خصوصية الجنس.

قدمت خوارزمية Harmony مزايا مميزة على خوارزميات التكامل الأخرى من خلال دمج البيانات في الخلايا النادرة ، وتحسين استخدام الذاكرة والسرعة الحسابية للعينات الكبيرة ، واستيعاب التصميمات التجريبية المعقدة مع مصادر خلوية متنوعة ومنصات تقنية18. كانت أقسام مراقبة الجودة وتكامل البيانات مكونات حاسمة في تعزيز دقة وموثوقية التحليل ، مما مكن الباحثين من استخلاص رؤى أكثر عمقا في بيولوجيا مرض الزهايمر والأمراض العصبية التنكسية الأخرى. يعد التنفيذ الدقيق لهذه الخطوات أمرا محوريا في تحقيق الجودة الشاملة وصحة النتائج المستمدة من تجارب تسلسل الحمض النووي الريبي أحادي النواة.

كان أحد التعديلات التي تم إجراؤها في هذا البروتوكول هو استخدام وظيفة SCTransform لتطبيع البياناتوتوحيدها 20. وقد كفلت هذه الخطوة أن تكون البيانات قابلة للمقارنة وموحدة لإجراء مزيد من التحليل. للتخفيف من تأثير الدفعة ، تم اتخاذ خطوة إضافية لتكامل البيانات ، مما ساعد على تصحيح تأثير الدفعة وتحسين دقة النتائج. تم إجراء استكشاف الأخطاء وإصلاحها عندما أظهرت إحدى العينات (GSM5106107) أداء غير عادي مقارنة بالعينات الأخرى ، وتم استبعادها من التحليل.

يتعلق أحد قيود هذه الدراسة بحجم العينة الصغير نسبيا المستخدم ، مما قد يحد من تمثيل النتائج للسكان الأوسع. وعلاوة على ذلك، أدى استخدام البيانات من مختبرات ومجموعات بحثية متعددة إلى عدم تجانس متأصل، مما قد يحد من إمكانية استنساخ النتائج وتعميمها. على الرغم من أن تحديد العوامل التنظيمية الرئيسية ل NLGN4Y قد تحقق من خلال شبكة تنظيمية مشتركة بين الجينات و TF-miRNA ، إلا أنه كان من الضروري إجراء مزيد من التحقق التجريبي للتأكد من الأدوار الوظيفية والآليات الأساسية المنسوبة إلى هذه العوامل التنظيمية. في حين أشار تحليل الإثراء إلى ماهوانغ وكونبو كمرشحين محتملين لعلاج مرض الزهايمر الخاص بالجنس ، فإن الاعتماد فقط على تنبؤات المعلوماتية الحيوية لم يكن كافيا لإثبات فعاليتهما وسلامتهما. كانت التجارب الإضافية والدراسات السريرية ضرورية للتحقق من الآثار العلاجية لهذه الأدوية الواعدة.

أظهر النهج المحدد في هذه الدراسة إمكانات كبيرة لمجالات بحثية متنوعة ، لا سيما في تمييز DEGs الخاصة بالجنس داخل الخلايا الدبقية في مرض الزهايمر. وتبشر هذه التحقيقات بتوضيح التفاوتات المسببة للأمراض الدقيقة بين الأفراد الذكور والإناث، وبالتالي تسهيل صياغة التدخلات العلاجية الخاصة بنوع الجنس. علاوة على ذلك ، امتدت قابلية تطبيق الطريقة إلى حالات تنكسية عصبية أخرى ، مما يوفر فرصا لتحديد DEGs الخاصة بالجنس وزيادة فهم الآليات الأساسية للأمراض.

في الختام ، قدمت الدراسة بروتوكولا شاملا وقويا لتحليل بيانات تسلسل الحمض النووي الريبي أحادي النوى من مرضى الزهايمر ، مما قد يمهد الطريق لتطوير تدخلات علاجية مخصصة. علاوة على ذلك ، يمكن توسيع المنهجية المستخدمة في هذه الدراسة لتشمل حالات تنكسية عصبية أخرى ، مما يوفر فرصا للكشف عن أنماط التعبير الجيني الخاصة بالجنس وتعميق فهم هذه الأمراض المعقدة.

الإفصاحات

لا يوجد تضارب في المصالح في هذه المخطوطة ، وقد وافق جميع المؤلفين على تقديمها للنشر.

شكر وتقدير

المؤلفون ممتنون لجيسيكا إس ساديك ، ومايكل آر أوديا ، وفيليب هاسل ، وما إلى ذلك ، لتوفير مجموعة بيانات GSE167490. يقدر المؤلفون أن فاتن سيد ، لاي كوداما ، لي فان ، إلخ ، يقدمون مجموعة البيانات GSE183068. يشكر المؤلفون Shuqing Liu للمساعدة في تحليل البيانات و Wen Yang لتوفير منصة تحليل البيانات. تم دعم هذه الدراسة من قبل المؤسسة الوطنية للعلوم الطبيعية في الصين (82174511) ، وعلماء أالمش جروف بجامعة تشنغدو للطب الصيني التقليدي ، وبرنامج تعزيز أبحاث المواهب الانضباطية (QJJJ2022001) ، وبرنامج مواهب تنشيط LiaoNing (XLYC 1807083) ، وصندوق مكتب إدارة سيتشوان للطب الصيني والأعشاب (2023MS578) ، والمشروع الوطني للتدريب على الابتكار وريادة الأعمال الجامعية (202310633003X) ، والموضوعات المبتكرة لممارسة البحث العلمي لطلاب الجامعات في جامعة تشنغدو للطب الصيني التقليدي (ky-2023100). ساهم هانجي ليو وهوي يانغ في تصميم الدراسة وجمع البيانات وتفسيرها وصياغة المخطوطة ومراجعتها. شارك شوتشينغ ليو وسيو لي في تصميم الدراسة وجمع البيانات وصياغة المخطوطة. كان ون يانغ وأنور عائشة مسؤولين عن جمع البيانات وتفسيرها. أعد شين تان الأشكال و / أو الجداول. تصور سين جيانغ ويي ليو ولوشوانغ شيه الدراسة وراجعوا / حرروا المخطوطة. ساهم جميع المؤلفين في المقالة ووافقوا على النسخة المقدمة.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
Database
Coremine Medicalتم تطويرها بشكل مشترك من قبل النرويج والأكاديمية الصينية للعلوم والأكاديمية الصينية للعلوم والمكتبة الطبية الوطنية للولايات المتحدة ومؤسساتعندما تستكشف المفاهيم في CoreMine Medical ، فإنك تصل إلى قاعدة بيانات منظمة لربط المفاهيم المهمة ، مرتبة حسب الأهمية الإحصائية ، إلى موضوعك. على سبيل المثال ، إذا كتبت "مرض الزهايمر" ، بالإضافة إلى استرداد المستندات والموارد التي تناقش المرض ، فستتمكن من عرض الشبكات والقوائم التي توضح كيفية ارتباط مفهوم الاستعلام الخاص بك بالمفاهيم الطبية الحيوية الأخرى. يوفر هذا نظرة عامة على المفاهيم التي تتعلق ببحثك بالإضافة إلى كونه واجهة للتنقل في المعلومات حول هذه المفاهيم.
Weblink: https://coremine.com/medical/
Gene Expression Omnibus (GEO)المركز الوطني لمعلومات التكنولوجيا الحيوية في الولايات المتحدة (NCBI)GEO هو مستودع بيانات الجينوم الوظيفي العام الذي يدعم عمليات إرسال البيانات المتوافقة مع MIAME. يتم قبول البيانات المستندة إلى المصفوفة والتسلسل. يتم توفير أدوات لمساعدة المستخدمين على الاستعلام عن التجارب وتنزيلها وملفات تعريف التعبير الجيني المنسقة.
رابط الويب: https://www.ncbi.nlm.nih.gov/geo/
منصة البحث القائمة على علم الأدوية التكاملي للطب الصيني التقليدي (TCMIP ، الإصدار: 2.0)لا شيءمقدمة لمنصة البحث الحسابي الشبكية المتكاملة القائمة على علم الأدوية للطب الصيني التقليدي [TCMIP v2.0] ، http://www.tcmip.cn/) إنه التنقيب الذكي عن البيانات منصة تعتمد على قاعدة البيانات عبر الإنترنت لموسوعة الطب الصيني التقليدي (ETCM) ، والتي تدمج إدارة البيانات الطبية الضخمة وخدمات الحوسبة الدوائية. يهدف إلى الكشف عن الدلالة العلمية لنظرية الطب الصيني التقليدي والقيمة العلمية للتفكير الأصلي في الطب الصيني التقليدي ، وتلخيص ونقل تجربة الأطباء المشهورين ، والتحكم في جودة الطب الصيني التقليدي ، وشرح مبادئ عمل الطب الصيني التقليدي ، والبحث والتطوير للطب الصيني الجديد ، وخاصة اكتشاف وتحسين تركيبات الأدوية الحديثة ، توفير أساس بيانات قوي وأدوات تحليلية. استنادا إلى TCMIP v1.0 ، يتم تنفيذ ترقية شاملة ، بما في ذلك خمس قواعد بيانات رئيسية وسبع وحدات وظيفية. من خلال تكامل النظام وتكامل الوحدة ، يمكن تحقيق تحليل شامل للارتباط متعدد المستويات لشبكة تفاعل "وصفة متلازمة المرض" بسرعة. كمنصة ذكية للتنقيب عن البيانات ، سيوفر TCMIP v2.0 أساسا قويا للبيانات ومنصة تحليل للكشف عن الدلالة العلمية لنظرية الطب الصيني التقليدي والقيمة العلمية للتفكير الأصلي في الطب الصيني التقليدي ، وتلخيص ووراثة تجربة الأطباء المشهورين ، ومراقبة جودة الطب الصيني التقليدي ، وتوضيح مبادئ عمل الطب الصيني التقليدي ، البحث والتطوير لأدوية الطب الصيني التقليدي الجديدة ، وخاصة اكتشاف تركيبة الأدوية الحديثة وتحسينها.
Weblink: http://www.tcmip.cn/TCMIP 
NetworkAnalystNoneNetworkanalyze هي منصة لتحليل التصور عبر الإنترنت لتحليل التعبير الجيني والتحليل التلوي. يمكنه إجراء تحليل مقارن وكمي وتفاضلي وإثرائي للتعبير الجيني ، وتحليل تفاعل البروتين والبروتين ، وتحليل تكامل مجموعات البيانات المتعددة ، ويمكنه أيضا رسم صور عالية القيمة مثل PCA ، ومخطط شبكة تفاعل البروتين والبروتين ، وخريطة الحرارة ، ومخطط البركان ، ومخطط واين ، وما إلى ذلك.
Weblink: https://www.networkanalyst.ca/NetworkAnalyst/
بيانات PubMedالمركز الوطني لمعلومات التكنولوجيا الحيوية في الولايات المتحدة (NCBI)قاعدة بيانات Pubmed هي قاعدة بيانات للأدبيات الطبية الحيوية تحتفظ بها المكتبة الوطنية للطب (NLM) في الولايات المتحدة ، وتهدف إلى توفير أحدث نتائج البحوث الطبية للعلماء والأطباء والباحثين والطلاب في جميع أنحاء العالم. تجمع قاعدة البيانات هذه الأدبيات الطبية الحيوية من جميع أنحاء العالم ، بما في ذلك المقالات المجلية والأوراق والكتب وما إلى ذلك. اعتبارا من الآن ، جمعت قاعدة بيانات Pubmed أكثر من 30 مليون مقالة ويتم تحديثها باستمرار كل أسبوع.
Weblink:
https://pubmed.ncbi.nlm.nih.gov/ R softwareRoss Ihaka and Robert GentlemanR هي لغة وبيئة للحوسبة الإحصائية والرسومات. إنه مشروع جنو مشابه للغة والبيئة S التي تم تطويرها في مختبرات بيل (المعروفة سابقا باسم AT& T ، الآن Lucent Technologies) بقلم جون تشامبرز وزملاؤه. يمكن اعتبار R تنفيذا مختلفا ل S. هناك بعض الاختلافات المهمة
، ولكن الكثير من التعليمات البرمجية المكتوبة ل S تعمل دون تغيير تحت R.
Weblink: https://www.r-project.org/
بيانات وتحليل أنظمة الطب الصيني التقليدي ومنصة التحليل (TCMSP)Zhejiang Jiuwei Health Co.، LtdTCMSP ليس فقط مستودعا للبيانات ، ولكنه أيضا منصة تحليل للمستخدمين لدراسة الأدوية الصينية التقليدية (TCM) بشكل شامل: بما في ذلك تحديد المكونات النشطة ، وفحص أهداف الأدوية وتوليد شبكات المركبات والأهداف والأمراض ، بالإضافة إلى المعلومات التفصيلية عن الحركية الدوائية للأدوية التي تتضمن تشابه الدواء (DL) ، والتوافر البيولوجي عن طريق الفم (OB) ، والحاجز الدموي الدماغي (BBB) ، والنفاذية الظهارية المعوية (Caco-2) ، و ALogP ، ومساحة السطح السلبية الجزئية (FASA-) وعدد   ؛ H-bond  المتبرع / المتقبل   (Hdon / Hacc). حتى الآن ، اجتذبت TCMSP اهتماما واسعا ونشرت العديد من المجموعات أكثر من 10 أوراق بحثية باستخدام قاعدة بيانات TCMSP الخاصة بنا في غضون عام تقريبا.
Weblink: https://tcmsp-e.com
أخرى قاعدة قاعدة

المراجع

  1. Alzheimers Dement. Alzheimer's disease facts and figures. Alzheimers Dement. 19 (4), 1598-1695 (2023).
  2. Xie, L., et al. Electroacupuncture improves M2 microglia polarization and glia anti-inflammation of hippocampus in Alzheimer's disease. Front Neurosci. 15, 689629(2021).
  3. Xie, L., et al. Inflammatory factors and amyloid beta-induced microglial polarization promote inflammatory crosstalk with astrocytes. Aging (Albany NY). 12 (22), 22538-22549 (2020).
  4. Hampel, H., et al. The amyloid-beta pathway in Alzheimer's disease. Mol Psychiatry. 26 (10), 5481-5503 (2021).
  5. Baik, S. H., et al. A breakdown in metabolic reprogramming causes microglia dysfunction in Alzheimer's disease. Cell Metab. 30 (3), 493-507 (2019).
  6. Fisher, D. W., Bennett, D. A., Dong, H. Sexual dimorphism in predisposition to Alzheimer's disease. Neurobiol Aging. 70, 308-324 (2018).
  7. Pan, R. Y., et al. Positive feedback regulation of microglial glucose metabolism by histone h4 lysine 12 lactylation in Alzheimer's disease. Cell Metab. 34 (4), 634-648 (2022).
  8. Hansen, D. V., Hanson, J. E., Sheng, M. Microglia in Alzheimer's disease. J Cell Biol. 217 (2), 459-472 (2018).
  9. Brandebura, A. N., Paumier, A., Onur, T. S., Allen, N. J. Astrocyte contribution to dysfunction, risk and progression in neurodegenerative disorders. Nat Rev Neurosci. 24 (1), 23-39 (2023).
  10. Peng, L., Bestard-Lorigados, I., Song, W. The synapse as a treatment avenue for Alzheimer's disease. Mol Psychiatry. 27 (7), 2940-2949 (2022).
  11. Tubi, M. A., et al. White matter hyperintensities and their relationship to cognition: Effects of segmentation algorithm. Neuroimage. 206, 116327(2020).
  12. Wu, H., Kirita, Y., Donnelly, E. L., Humphreys, B. D. Advantages of single-nucleus over single-cell RNA sequencing of adult kidney: Rare cell types and novel cell states revealed in fibrosis. J Am Soc Nephrol. 30 (1), 23-32 (2019).
  13. Soreq, L., Bird, H., Mohamed, W., Hardy, J. Single-cell RNA sequencing analysis of human Alzheimer's disease brain samples reveals neuronal and glial specific cells differential expression. PLoS One. 18 (2), e0277630(2023).
  14. Sadick, J. S., et al. Astrocytes and oligodendrocytes undergo subtype-specific transcriptional changes in Alzheimer's disease. Neuron. 110 (11), 1788-1805 (2022).
  15. Chen, Y., Colonna, M. Microglia in Alzheimer's disease at single-cell level. Are there common patterns in humans and mice. J Exp Med. 218 (9), e20202717(2021).
  16. Brase, L., et al. Single-nucleus RNA-sequencing of autosomal dominant Alzheimer disease and risk variant carriers. Nat Commun. 14 (1), 2314(2023).
  17. Ringner, M. What is principal component analysis. Nat Biotechnol. 26 (3), 303-304 (2008).
  18. Korsunsky, I., et al. sensitive and accurate integration of single-cell data with harmony. Nat Methods. 16 (12), 1289-1296 (2019).
  19. Vegeto, E., et al. The role of sex and sex hormones in neurodegenerative diseases. Endocr Rev. 41 (2), 273-319 (2020).
  20. Hafemeister, C., Satija, R. Normalization and variance stabilization of single-cell RNA-seq data using regularized negative binomial regression. Genome Biol. 20 (1), 296(2019).

إعادة الطباعة والأذونات

الوسوم

المؤشرات الحيوية المحددة للجنسترانسكريبتومات النوى المفردةالجينات ذات التعبير المتباينالمؤشرات الحيوية للخلايا النجميةالمؤشرات الحيوية للخلايا الدبقية الصغيرةالمؤشرات الحيوية للخلايا الدبقية قليلة التغصنالتصوير المرئي باستخدام UMAPتحليل المعلوماتية الحيوية
تحديد العلامات الحيوية لخصوصية الجنس لمرض الزهايمر بناء على ملفات تعريف النسخ الدبقية
تواصل معنا
أوصِ به للمكتبة

الخصوصية

شروط الاستخدام

السياسات

حقوق الطبع والنشر © 2026 MyJoVE Corporation. جميع الحقوق محفوظة.