يتطلب اشتراك JoVE لعرض هذا المحتوى. تسجيل الدخول أو ابدأ نسخة تجريبية مجانية

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.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

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.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

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 ...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

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 المستهد...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

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.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

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).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

استكشف المزيد من المقالات

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.