Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.

Methodenartikel

Identifizierung von Biomarkern für die Geschlechtsspezifität der Alzheimer-Krankheit auf der Grundlage der glialen Transkriptomprofile

2K Aufrufe

⸱

DOI:

10.3791/66552

⸱

20. Mai 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

In diesem Artikel

Zusammenfassung

In dieser Studie wurden Einzelkern-Transkriptome von dreiunddreißig Personen mit Alzheimer-Krankheit (AD) analysiert und geschlechtsspezifische DEGs in Gliazellen aufgedeckt. Die Analyse der funktionellen Anreicherung hob synaptische, neuronale und hormonbezogene Signalwege hervor. Schlüsselgene, nämlich NLGN4Y und seine Regulatoren, wurden identifiziert und potenzielle therapeutische Kandidaten für geschlechtsspezifische AD vorgeschlagen.

Zusammenfassung

Viele geschlechtsspezifische Biomarker wurden kürzlich bei der Alzheimer-Krankheit (AD) entdeckt; Über zerebrale Gliazellen wurde jedoch selten berichtet. Diese Studie analysierte 220.095 Einzelkern-Transkriptome aus dem frontalen Kortex von dreiunddreißig AD-Personen in der GEO-Datenbank. Geschlechtsspezifische differentiell exprimierte Gene (DEGs) wurden in Gliazellen identifiziert, darunter 243 in Astrozyten, 1.154 in Mikroglia und 572 in Oligodendrozyten. Funktionelle Annotationsanalysen der Gene Ontology (GO) und Analysen der Anreicherung des Signalwegs in der Kyoto Encyclopedia of Genes and Genomes (KEGG) zeigten die funktionelle Konzentration in synaptischen, neuralen und hormonbezogenen Signalwegen. Das Protein-Protein-Interaktionsnetzwerk (PPI) identifizierte MT3, CALM2, DLG2, KCND2, PAKACB, CAMK2D und NLGN4Y in Astrozyten, TREM2, FOS, APOE, APP und NLGN4Y in Mikroglia und GRIN2A, ITPR2, GNAS und NLGN4Y in Oligodendrozyten als Schlüsselgene. NLGN4Y war das einzige Gen, das von den drei Gliazellen gemeinsam genutzt wurde, und wurde als Biomarker für die Geschlechtsspezifität von Alzheimer identifiziert. Das Gen-Transkriptionsfaktor (TF)-miRNA-koregulatorische Netzwerk identifizierte Schlüsselregulatoren für NLGN4Y und seine Ziel-TCMs. Ecklonia kurome Okam (Kunbu) und Herba Ephedrae (Mahuang) wurden identifiziert und die Auswirkungen der Wirkstoffe auf AD wurden gezeigt. Schließlich deutete die Anreicherungsanalyse von Kunbu und Mahuang darauf hin, dass sie als therapeutische Kandidaten für die Geschlechtsspezifität von AD fungieren könnten.

Einleitung

Die Alzheimer-Krankheit (AD) ist eine globale Krankheit mit hoher Inzidenz, die 60 % bis 80 % der Demenzerkrankungen ausmacht1. Trotz der hohen Inzidenz ist die mechanistische Pathogenese der Alzheimer-Krankheit nicht klar abgegrenzt, und es gibt bisher keine wirksamen Therapeutika2. Die Hauptpathologien bei AD wurden als neuronale Atrophie und die Anhäufung von pathologischen Trümmern, hauptsächlich Mikrotubuli-assoziiertem Protein Tau, und β-Amyloid (Aβ)3,4 identifiziert. Die Pathogenese der Alzheimer-Krankheit ist mit abnormaler Autophagie, oxidativem Stress, mitochondrialer Dysfunktion, Entzündung und Störung des Energiestoffwechsels verbunden5. Prävalenzerhebungen zeigten, dass zwei Drittel der Alzheimer-Patienten Frauen waren6. Geschlechtsspezifische Unterschiede bei AD bestehen in der Ätiologie, den klinischen Manifestationen, der Prävention und der Behandlung. Daher kann die Aufdeckung des biologischen Mechanismus, der geschlechtsspezifische Unterschiede bei AD verursacht, und die Ausrichtung auf die traditionelle chinesische Medizin (TCM) möglicherweise einen umfassenderen theoretischen Rahmen bieten, um die Pathogenese der AD zu verstehen und eine genaue Behandlungsstrategie zu leiten.

Neurogliazellen, insbesondere Mikroglia, Astrozyten und Oligodendrozyten, tragen möglicherweise zur Pathogenese der Alzheimer-Krankheit bei. Bei der Alzheimer-Krankheit werden Mikroglia aktiviert und genetisch verändert, was zur Entzündungsreaktion, Phagozytose und Aβ-Clearance beiträgt 7,8; Astrozyten sind genetisch verändert, was sich auf die synaptische Aktivität, die Ionenhomöostase sowie den Energie- und Fettstoffwechsel auswirkt9; Oligodendrozyten sind genetisch mit Geschlechtsspezifität verändert, was zu neuronalem Verlust, neurofibrillären Verwicklungen und Läsionen der weißen Substanz beiträgt10,11.

In dieser Studie haben wir die Einzelkern-RNA-Sequenzierung (snRNA-seq) als überlegene Technik eingesetzt. Im Vergleich zur Einzelzell-RNA-Sequenzierung (scRNA-seq) bietet snRNA-seq Vorteile in Bezug auf die Probenvielfalt, die Integrität des Zelltyps und die Zuverlässigkeit der Daten12,13. SnRNA-seq wurde ausgiebig in Studien eingesetzt, die sich auf Alzheimer konzentrierten und die Rolle von Gliazellen untersuchten 14,15,16. Seine breite Akzeptanz in diesen Forschungsbereichen unterstreicht seine Wirksamkeit bei der Bereitstellung wertvoller Einblicke in die transkriptionellen Eigenschaften von Gliazellen bei AD. Durch die Nutzung der Vorteile von snRNA-seq konnten Forscher wichtige Informationen über die Beteiligung von Gliazellen an der Alzheimer-Pathologie aufdecken und potenzielle therapeutische Ziele identifizieren. Um geschlechtsspezifische neurogliale Transkriptionsmerkmale bei AD und potenzielle TCMs für die Geschlechtsspezifität von AD zu untersuchen, analysierte diese Studie snRNA-seq-Daten aus dem frontalen Kortex von AD-Patienten aus der öffentlichen NCBI GEO-Datenbank. Geschlechtsspezifische differentiell exprimierte Gene (DEGs), Genontologie (GO), Kyoto Encyclopedia of Genes and Genomes (KEGG), Protein-Protein-Interaktionsnetzwerk (PPI) und Gen-TF-miRNA-Netzwerk werden weiter analysiert, um wichtige Biomarker und potenzielle Pathogenese aufzudecken. Schließlich wurden potenzielle TCMs vorgeschlagen und ihre Wirkstoffe durch Durchsuchen der Datenbanken Coremine Medical, TCMIP und TCMSP mit Tabellen dargestellt.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

Die Schritte 2 bis 9 der Analyse wurden mit der Software R implementiert (siehe Ergänzende Abbildung 1 und Ergänzende Datei 1), während die restlichen Schritte auf den Online-Plattformen ausgeführt wurden. Die Einzelheiten zu den Datenbanken, die in diesem Protokoll verwendet werden (zusammen mit den Weblinks), sind in der Materialtabelle enthalten.

1. Datenerfassung

  1. Greifen Sie auf die öffentlich zugängliche Datenbank Gene Expression Omnibus (GEO) des National Center of Biotechnology Information zu.
  2. Suchen Sie im Suchfeld nach den GEO-Daten mit dem Namen Alzheimer-Krankheit .
  3. Wählen Sie auf der rechten Seite die Top-Organismen als Homo sapiens aus.
    HINWEIS: Bei den Suchergebnissen handelte es sich um Daten zur Alzheimer-Krankheit beim Homo sapiens.
  4. Nachdem Sie die gesuchten Informationen gefiltert haben, laden Sie die GSE167490 - und GSE183068 Datendateien herunter, die features.tsv, barcode.tsv und matrix.mtx für jede einzelne Kernprobe umfassen. Die Datensätze umfassten 34 Proben von Alzheimer, die aus dem frontalen Kortex stammten, mit einer gleichen Verteilung von 17 männlichen und 17 weiblichen Proben (Ergänzende Tabelle 1).

2. Zusammenführung von Proben

  1. Konfigurieren Sie die Datenpfade und Beispielnamen auf dem Computer entsprechend. Importieren Sie die 34 heruntergeladenen Beispiele und weisen Sie den Beispielen mithilfe der Funktionsnamen geschlechtsspezifische Namen zu.
  2. Generieren Sie Seurat-Objekte für alle Proben in einer Batch-Verarbeitungsweise mit der Funktionsliste und Read10X, wobei Sie die Parameter als min.cells = 3 und min.features = 200 angeben.
  3. Verwenden Sie die Funktion "Zellen umbenennen", um den Zellen-Barcodes Proben-IDs als Präfixe hinzuzufügen und so die Zellen-Barcodes während des Zusammenführungsprozesses beizubehalten. Dadurch wurde sichergestellt, dass jede Zelle ihre einzigartige Identität behielt und nach der Verschmelzung zu ihrer ursprünglichen Probenquelle zurückverfolgt werden konnte.

3. Qualitätskontrolle (QC)

  1. Verwenden Sie die PercentageFeatureSet-Funktion , um die mitochondrialen Genverhältnisse, die Erythrozyten-Genverhältnisse und die Ribosomen-Genverhältnisse für jede Zelle zu berechnen.
  2. Speichern Sie diese berechneten Verhältnisse in den Metadaten, indem Sie den Operator [[ ]] verwenden, um diese Informationen direkt an die Metadaten der einzelnen Zellen anzuhängen.
  3. Verwenden Sie die Teilmengenfunktion , um die Zellfiltration durchzuführen, und geben Sie die Parameter als nFeature_RNA > 200, nFeature_RNA < 10000, nCount_RNA < 60000, percent.mt < 10, percent.rb < 5 und percent an. HB < 75.
  4. Schließen Sie GSM5106107 aus der Analyse aus.

4. Prüfung der Batch-Wirkung

  1. Führen Sie die Datenverarbeitung durch.
    1. Normalisieren Sie die Daten mit der NormalizeData-Funktion .
    2. Identifizieren Sie die 2000 wichtigsten variablen Features im Dataset mit der Funktion FindVariableFeatures .
    3. Führen Sie eine Hauptkomponentenanalyse (PCA)17 für die Daten mit RunPCA durch, wobei 50 Hauptkomponenten beibehalten werden.
    4. Generieren Sie ein Bogendiagramm mit der Funktion EllbogenPlot, um die optimale Anzahl von Dimensionen für die nachfolgende Analyse zu bestimmen. Betrachten Sie die ersten 50 Dimensionen.
    5. Skalieren Sie die Daten mit ScaleData, um sicherzustellen, dass sich alle Features in einem vergleichbaren Maßstab befinden.
    6. Identifizieren Sie die nächsten Nachbarn mit FindNeighbors basierend auf 30 Dimensionen.
    7. Wenden Sie den UMAP-Algorithmus mithilfe von RunUMAP an, um die Dimensionalität der Daten auf 30 Dimensionen zu reduzieren.
  2. Visualisieren Sie die verarbeiteten Daten mit der DimPlot-Funktion , wobei der Reduktionsparameter auf umap und der Parameter group.by auf orig.ident eingestellt ist.
    HINWEIS: In diesem Schritt kann ein Diagramm generiert werden, in dem die Daten im reduzierten UMAP-Raum visualisiert werden, gruppiert nach den ursprünglichen Zellidentitäten. Bei der Untersuchung der UMAP-Diagramme wurde deutlich, dass ein Batch-Effekt vorhanden war. Die unterschiedliche Clusterbildung oder Trennung von Zellen basierend auf ihrer Charge oder experimentellen Herkunft deutet darauf hin, dass die experimentellen Chargen die Genexpressionsprofile beeinflusst haben.

5. Datenintegration

  1. Normalisieren und standardisieren Sie die Daten mit der Funktion SCTransform .
  2. Wenden Sie den Harmoniealgorithmus18 an, um die verbleibenden 33 Einzelkerndaten zu integrieren. Verwenden Sie den SCT-Assay für die Integration und legen Sie die maximale Anzahl von Harmonie-Iterationen auf 20 fest.
  3. Verwenden Sie die Funktion FindClusters mit einem Auflösungsparameter , der auf 0,07 festgelegt ist, um unterschiedliche Cluster innerhalb der Daten zu identifizieren.
  4. Verwenden Sie die RunUMAP-Funktion mit einer angegebenen Anzahl von Dimensionen (Dims = 30), um die Dimensionalität der Daten weiter zu reduzieren und die Cluster in einem niedrigdimensionalen Raum zu visualisieren.

6. Anmerkung zum Zelltyp

  1. Sammeln Sie die Markergene (Ergänzende Tabelle 2) von Zellen durch eine umfassende Überprüfung der vorhandenen Literatur.
  2. Nach der Identifizierung der zellulären Clusterheterogenität ist der Typ jeder Clusterzelle nach den spezifisch exprimierten Markergenen zu klassifizieren.
  3. Präsentieren Sie verschiedene Zelltypen mit UMAP-Visualisierung unter Verwendung des ggplot2-Pakets, wobei Oligodendrozyten mit dem Farbcode #DB7093, exzitatorisches Neuron mit #FF69B4, Astrozyten mit #1874CD, Mikroglia mit #63B8FF, Oligodendrozyten-Vorläuferzelle mit #DB7093, inhibitorisches Neuron mit #FFC0CB und Endothelzelle mit #FF69B4 hervorgehoben wurden.
  4. Berechnen Sie die Anteile der einzelnen Zelltypen, geschichtet nach Geschlecht.

7. Extraktion von Gliazellendaten

  1. Extrahieren Sie Astrozytendaten aus den integrierten Massendaten mit der Teilmengenfunktion.
  2. Extrahieren Sie Mikroglia-Daten aus den integrierten Massendaten mit der Subset-Funktion.
  3. Extrahieren Sie Oligodendrozytendaten aus den integrierten Massendaten mit der Teilmengenfunktion.

8. Gliageschlechtsspezifische differentiell exprimierte Gene (DEGs), die die Gene erfassen

  1. Identifizieren Sie geschlechtsspezifische DEGs von Astrozyten mit der FindMarkers-Funktion (Ident.1 = männlich, Ident.2 = weiblich, group.by = group.sum, Assay = RNA) mit Schwellenwerten: p-Wert < 0,05 und |avg_log2FC| 30. >. Kennzeichnen Sie die hochregulierten DEGs als "Up", die herunterregulierten DEGs als "Down" und den Rest als "Stable".
    1. Visualisieren Sie die DEGs mit der ggplot-Funktion , wobei die x-Achse die prozentuale Differenz zwischen zwei Bedingungen (pct.1 - pct.2) darstellt und die y-Achse die avg_log2FC darstellt. Die hochregulierten Gene wurden mit der Farbe PaleVioletRed, die herunterregulierten Gene mit Pink und die stabilen Gene mit DodgerBlue3 hervorgehoben.
  2. Identifizieren Sie geschlechtsspezifische DEGs von Mikroglia mit der FindMarkers-Funktion (Ident.1 = männlich, Ident.2 = weiblich, group.by = group.sum, Assay = RNA) mit Schwellenwerten: p-Wert < 0,05 und |avg_log2FC| > 1. Kennzeichnen Sie die hochregulierten DEGs als "Up", die herunterregulierten DEGs als "Down" und den Rest als "Stable".
    1. Visualisieren Sie die DEGs mit der ggplot-Funktion , wobei die x-Achse die prozentuale Differenz zwischen zwei Bedingungen (pct.1 - pct.2) darstellt und die y-Achse die avg_log2FC darstellt. Die hochregulierten Gene wurden mit der Farbe OrangeRed, die herunterregulierten Gene mit LightSalmon und die stabilen Gene mit SteelBlue1 hervorgehoben.
  3. Identifizierung geschlechtsspezifischer DEGs von Oligodendrozyten mit der FindMarkers-Funktion (Ident.1 = männlich, Ident.2 = weiblich, group.by = group.sum, Assay = RNA) mit Schwellenwerten: p-Wert < 0,05 und |avg_log2FC| > 10. Kennzeichnen Sie die hochregulierten DEGs als "Up", die herunterregulierten DEGs als "Down" und den Rest als "Stable".
    1. Visualisieren Sie die DEGs mit der ggplot-Funktion , wobei die x-Achse die prozentuale Differenz zwischen zwei Bedingungen (pct.1 - pct.2) darstellt und die y-Achse die avg_log2FC darstellt. Die hochregulierten Gene wurden mit der Farbe DeepPink, die herunterregulierten Gene mit HotPink und die stabilen Gene mit DeepSkyBlue3 hervorgehoben.

9. Funktionelle Anreicherungsanalysen geschlechtsspezifischer DEGs

  1. Führen Sie eine Gen-Ontologie-Anreicherungsanalyse (GO) für geschlechtsspezifische DEGs für jeden Gliazelltyp mit der enrichGO-Funktion durch. Legen Sie die folgenden Parameter fest: OrgDb = org. Hs.eg.db, keyType = SYMBOL, ont = ALL, pAdjustMethod = BH, pvalueCutoff = 0,01 und qvalueCutoff = 0,05.
  2. Wandeln Sie die Gensymbole mit der Funktion bitr in entsprechende Gen-IDs um. Durchführung einer Anreicherungsanalyse der Kyoto Encyclopedia of Genes and Genomes (KEGG) an geschlechtsspezifischen DEGs für jeden Gliazelltyp unter Verwendung der enrichKEGG-Funktion . Passen Sie die Einstellungen wie folgt an: organism = has, keyType = kegg, pAdjustMethod = BH, pvalueCutoff = 0.01 und qvalueCutoff = 0.05.

10. Häufigkeitsstatistiken von glialen DEGs in go- und kegg-Signalwegen, Venn-Diagramme der einzelnen glialen geschlechtsspezifischen DEGs und PPI-Netzwerkkonstruktion

  1. Berechnen Sie die Häufigkeit von glialen geschlechtsspezifischen DEGs in GO- und KEGG-Signalwegen mit Hilfe eines Häufigkeitshistogramms.
  2. Greifen Sie auf die STRING-Datenbank zu, um die PPI-Netzwerke zu erstellen.
  3. Wählen Sie die Mehrere Proteine. Suchen Sie im Suchfeld nach der Liste der Namen . Setze "Organismen" auf Homo sapiens.
  4. Überprüfen Sie die Liste der Proteine, die Sie bei der Suche erhalten haben. Klicken Sie auf Weiter , um fortzufahren.
  5. Exportieren Sie die PPI-Netzwerke, indem Sie die Download-Option auswählen, vorzugsweise im PNG-Format mit höherer Auflösung.
  6. Visualisieren Sie die Verteilung der Co-Expression für die wichtigsten geschlechtsspezifischen Gene mithilfe der Venn-Diagramme.
  7. Identifizieren Sie das/die gemeinsame(n) Gen(e) als Schlüsselgen(e) in der Studie auf der Grundlage der Venn-Diagramm-Analyse.

11. Aufbau eines multifaktoriellen Regulierungsnetzes

  1. Greifen Sie auf NetworkAnalyst zu.
  2. Klicken Sie auf Gene List Input und geben Sie als Organismus H. sapiens (Mensch) an. Legen Sie den ID-Typ als offizielles Gensymbol fest. Geben Sie den Gennamen in das Suchfeld ein und klicken Sie dann auf Hochladen und fortfahren.
  3. Wählen Sie Gen-miRNA-Wechselwirkungen und dann miRTarBase v8.0 aus. Bestätigen Sie die Auswahl mit einem Klick auf OK.
  4. Fahren Sie mit TF-Gen-Interaktionen fort und wählen Sie die ENCODE-Datenbank aus. Klicken Sie auf OK , um die Auswahl zu bestätigen.
  5. Navigieren Sie als Nächstes zu TF-miRNA Coregulatory Network und klicken Sie auf OK , um fortzufahren.
  6. Wählen Sie abschließend Proceed (Weiter ) aus, um das multifaktorielle regulatorische Netzwerk zu generieren, das Gen-miRNA-Interaktionen und TF-Gen-Interaktionen umfasst.

12. Gen- und Ziel-TCM-Analyse

  1. Greifen Sie auf die Online-Datenbank von Coremine Medical zu.
  2. Geben Sie den spezifischen Gennamen ein und wählen Sie das entsprechende Gen mit dem Suffix Gen/Protein, human in das Suchfeld unter dem Abschnitt Explore aus.
  3. Navigieren Sie zum Abschnitt Drogen und identifizieren Sie die TCMs, die mit den gesuchten Medikamenten verbunden sind.
    HINWEIS: Statistisch signifikante Arzneimittel wurden blau markiert.
  4. Bestimmen Sie die fünf besten TCMs auf der Grundlage ihres "Signifikanz"-Wertes als therapeutische TCM.

13. Zusammenfassung der Forschung über TCM-Inhaltsstoffe bei der Ausrichtung auf Schlüsselgene

  1. Greifen Sie auf die Integrative Pharmacology-based Research Platform of Traditional Chinese Medicine (TCMIP) und die Traditional Chinese Medicine Systems Pharmacology Database and Analysis Platform (TCMSP) zu. Geben Sie die Namen der Kräuter in die Suchleiste ein, um die entsprechenden Zutaten abzurufen.
  2. Rufen Sie die Inhaltsstoffe in der PubMed-Datenbank mit einer Frist bis zum 10. April 2023 ab. Die verwendeten Suchbegriffe umfassten den Molecule Name in TCMSP und Chemical Components in TCMIP als Suchbegriffe und beschränkten sich auf englischsprachige Artikel.
  3. Fassen Sie die Kräuter und ihre entsprechenden Inhaltsstoffe, die auf AD wirken, zusammen und analysieren Sie sie.

14. Bestätigung der Ausrichtung der Behandlungsfunktion von TCMs auf die Geschlechtsspezifität der AD

  1. Importieren Sie Kräuter in das TCMIP und navigieren Sie zur entsprechenden Beschreibungsseite.
  2. Verwenden Sie die Funktion Daten exportieren und wählen Sie das CSV-Format aus, um die Anreicherungsbedingungen von GO - Biologischer Prozess, GO - Zelluläre Komponente, GO - Molekulare Funktion und Reaktomweg herunterzuladen.
  3. Visualisieren Sie die heruntergeladenen Anreicherungsbegriffe für jedes Kraut mithilfe von Balkendiagrammen.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

SnRNA-seq-Analyse von frontalen glialen Transkriptomprofilen und die Annotation von Zelltypen
Insgesamt wurden 220.095 Kerne und 32.077 Gene im frontalen Kortex von 17 männlichen und 17 weiblichen AD gewonnen (Abbildung 1A). Das UMAP-Diagramm visualisierte die Gesamtzahl der frontalen Einzelkerntranskriptome, die nach der Dimensionsreduktionsanalyse unterschiedliche Kerntypen zeigten (Abbildung 1B). Es wurde eine Gesamtanzahl der annotierten ...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

Geschlechtsspezifität wurde in der Epidemiologie, Pathologie und klinischen Manifestation vonAD 19 identifiziert. Hier konnten wir den möglichen pathologischen Mechanismus der "Hormon-Synapse-Neuron-Achse" aus geschlechtsspezifischen Glia-Genen und verwandten Signalwegen bei Alzheimer-Patienten bestätigen. NLGN4Y war das einzige gemeinsame Gen in den drei Gliazellen und wurde als Biomarker für die Geschlechtsspezifität von Alzheimer ausgewählt. TF und miRNAs, die NLGN4Y regulieren, waren stark mit...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

Es gibt keinen Interessenkonflikt an diesem Manuskript, und alle Autoren haben die Einreichung zur Veröffentlichung genehmigt.

Danksagungen

Die Autoren danken Jessica S. Sadick, Michael R. O'Dea, Philip Hasel usw. für die Bereitstellung des GSE167490 Datensatzes. Die Autoren schätzen es, dass Faten A Sayed, Lay Kodama, Li Fan usw. den GSE183068 Datensatz anbieten. Die Autoren danken Shuqing Liu für die Hilfe bei der Datenanalyse und Wen Yang für die Bereitstellung der Datenanalyseplattform. Diese Studie wurde unterstützt von der National Natural Science Foundation of China (82174511), den Apricot Grove Scholars der Chengdu University of Traditional Chinese Medicine, dem Discipline Talent Research Enhancement Program (QJJJ2022001), dem LiaoNing Revitalization Talents Program (XLYC 1807083), dem Sichuan Administration Bureau Fund of Chinese Medicine and Herbs (2023MS578), dem National Undergraduate Innovation and Entrepreneurship Training Project (202310633003X) und Innovative Themen der wissenschaftlichen Forschungspraxis für College-Studenten an der Chengdu University of Traditional Chinese Medicine (ky-2023100). Hanjie Liu und Hui Yang trugen zur Gestaltung der Studie, zur Sammlung, Interpretation der Daten sowie zur Erstellung und Überarbeitung des Manuskripts bei. Shuqing Liu und Siyu Li beteiligten sich an der Konzeption der Studie, der Datensammlung und der Erstellung des Manuskripts. Wen Yang und Anwar Ayesha waren für die Sammlung und Interpretation der Daten verantwortlich. Xin Tan erstellte Abbildungen und/oder Tabellen. Cen Jiang, Yi Liu und Lushuang Xie konzipierten die Studie und überprüften/bearbeiteten das Manuskript. Alle Autoren haben zu dem Artikel beigetragen und die eingereichte Version genehmigt.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
Database
Coremine Medical DatenbankGemeinsam entwickelt von Norwegen, der Chinesischen Akademie der Wissenschaften, der Chinesischen Akademie der Medizinischen Wissenschaften, der National Medical Library der Vereinigten Staaten und anderen InstitutionenWenn Sie Konzepte in CoreMine Medical untersuchen, greifen Sie auf eine Datenbank zu, die so strukturiert ist, dass sie wichtige Konzepte in Beziehung setzt, geordnet nach statistischer Relevanz, zu Ihrem Thema. Wenn Sie z. B. "Alzheimer-Krankheit" eingeben, können Sie nicht nur Dokumente und Ressourcen abrufen, in denen die Krankheit behandelt wird, sondern auch Netzwerke und Listen anzeigen, die zeigen, wie Ihr Abfragekonzept mit anderen biomedizinischen Konzepten zusammenhängt. Dies bietet einen Überblick über Konzepte, die sich auf Ihre Suche beziehen, und ist eine Schnittstelle für die Navigation durch Informationen zu diesen Konzepten.
Weblink: https://coremine.com/medical/
Gene Expression Omnibus (GEO)National Center for Biotechnology Information in the United States (NCBI)GEO ist ein öffentliches funktionales Genomik-Datenrepository, das MIAME-konforme Dateneinreichungen unterstützt. Array- und sequenzbasierte Daten werden akzeptiert. Es werden Tools bereitgestellt, mit denen Benutzer Experimente und kuratierte Genexpressionsprofile abfragen und herunterladen können.
Weblink: https://www.ncbi.nlm.nih.gov/geo/
Integrative Pharmacology-based Research Platform of Traditional Chinese Medicine (TCMIP, Version: 2.0)KeineEinführung in das Integrated Pharmacology Based Network Computational Research Platform for Traditional Chinese Medicine [TCMIP v2.0], http://www.tcmip.cn/ ) Es handelt sich um ein intelligentes Data Mining Plattform, die auf der Online-Datenbank der Enzyklopädie der Traditionellen Chinesischen Medizin (ETCM) basiert und medizinisches Big-Data-Management und pharmakologische Computing-Dienste integriert. Ziel ist es, die wissenschaftliche Konnotation der Theorie der traditionellen chinesischen Medizin und den wissenschaftlichen Wert des originellen Denkens in der traditionellen chinesischen Medizin aufzuzeigen, die Erfahrungen berühmter Ärzte zusammenzufassen und weiterzugeben, die Qualität der traditionellen chinesischen Medizin zu kontrollieren, die Prinzipien der Wirkung der traditionellen chinesischen Medizin zu erklären, Forschung und Entwicklung der neuen chinesischen Medizin, insbesondere die Entdeckung und Optimierung moderner Arzneimittelkombinationen, Stellen Sie eine starke Datengrundlage und Analysetools bereit. Basierend auf TCMIP v1.0 wird ein umfassendes Upgrade implementiert, das fünf große Datenbanken und sieben Funktionsmodule umfasst. Durch die Systemintegration und Modulintegration kann schnell eine umfassende Analyse des mehrstufigen Zusammenhangs des Interaktionsnetzwerks "Krankheitssyndrom Verschreibung" erreicht werden. Als intelligente Data-Mining-Plattform bietet TCMIP v2.0 eine starke Datengrundlage und Analyseplattform, um die wissenschaftliche Konnotation der Theorie der traditionellen chinesischen Medizin und den wissenschaftlichen Wert des ursprünglichen Denkens in der traditionellen chinesischen Medizin aufzudecken, die Erfahrungen berühmter Ärzte zusammenzufassen und zu übernehmen, die Qualitätskontrolle der traditionellen chinesischen Medizin, die Erläuterung der Prinzipien der Wirkung der traditionellen chinesischen Medizin, Forschung und Entwicklung neuer Arzneimittel der traditionellen chinesischen Medizin, insbesondere der modernen Entdeckung und Optimierung von Wirkstoffkombinationen.
Weblink: http://www.tcmip.cn/TCMIP 
NetworkAnalystNoneNetworkanalyze ist eine Online-Visualisierungsanalyseplattform für die Genexpressionsanalyse und Metaanalyse. Es kann vergleichende, quantitative, differentielle und Anreicherungsanalysen der Genexpression, Protein-Protein-Interaktionsanalysen, Integrationsanalysen mehrerer Datensätze durchführen und auch hochwertige Bilder wie PCA, Protein-Protein-Interaktionsnetzwerkdiagramm, Heatmap, Vulkandiagramm, Wayne-Diagramm usw. zeichnen.
Weblink:
https://www.networkanalyst.ca/NetworkAnalyst/ PubMed-DatenbankNationales Zentrum für Biotechnologie-Information in den Vereinigten Staaten (NCBI)Die Pubmed-Datenbank ist eine biomedizinische Literaturdatenbank, die von der National Library of Medicine (NLM) in den Vereinigten Staaten gepflegt wird und darauf abzielt, Wissenschaftlern, Ärzten, Forschern und Studenten weltweit die neuesten medizinischen Forschungsergebnisse zur Verfügung zu stellen. Diese Datenbank sammelt biomedizinische Literatur aus der ganzen Welt, einschließlich Zeitschriftenartikeln, Aufsätzen, Büchern usw. Bis jetzt hat die Pubmed-Datenbank über 30 Millionen Artikel gesammelt und wird jede Woche kontinuierlich aktualisiert.
Weblink: https://pubmed.ncbi.nlm.nih.gov/
R-SoftwareRoss Ihaka and Robert GentlemanR ist eine Sprache und Umgebung für statistische Berechnungen und Grafiken. Es handelt sich um ein GNU-Projekt, das der Sprache und Umgebung S ähnelt, die in den Bell Laboratories (ehemals AT& T, jetzt Lucent Technologies) von John Chambers und Kollegen. R kann als eine andere Implementierung von S betrachtet werden. Es gibt
einige wichtige Unterschiede, aber viel Code, der für S geschrieben wurde, läuft unverändert unter R.
Weblink: https://www.r-project.org/
Traditional Chinese Medicine Systems Pharmacology Database and Analysis Platform (TCMSP)Zhejiang Jiuwei Health Co., LtdTCMSP ist nicht nur ein Datenrepositorium, sondern auch eine Analyseplattform für Benutzer, um Traditionelle Chinesische Medizin (TCM) umfassend zu studieren: einschließlich der Identifizierung von Wirkstoffen, des Screenings von Wirkstoffzielen und der Generierung von Wirkstoff-Zielmolekülen-Krankheits-Netzwerken sowie der detaillierten pharmakokinetischen Informationen über die Arzneimittelähnlichkeit (DL), die orale Bioverfügbarkeit (OB), die Blut-Hirn-Schranke (BHS), die intestinale Epithelpermeabilität (Caco-2), ALogP, die fraktionierte negative Oberfläche (FASA-) und die Anzahl der   H-Bindung  Spender/Akzeptor   (Hdon/Hacc). Bisher hat TCMSP breite Aufmerksamkeit erregt und mehrere Gruppen haben innerhalb von etwa einem Jahr mehr als 10 Arbeiten unter Verwendung unserer TCMSP-Datenbank veröffentlicht.
Weblink: https://tcmsp-e.com

Referenzen

  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).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Weitere Artikel entdecken

geschlechtsspezifische BiomarkerEinzelkern-Transkriptomedifferenziell exprimierte GeneAstrozyten-BiomarkerMikroglia-BiomarkerOligodendrozyten-BiomarkerUMAP-Visualisierungbioinformatische Analyse
Identifizierung von Biomarkern für die Geschlechtsspezifität der Alzheimer-Krankheit auf der Grundlage der glialen Transkriptomprofile
Kontaktieren Sie uns
Der Bibliothek empfehlen

Datenschutz

Nutzungsbedingungen

Richtlinien

Urheberrecht © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.