Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.

Artículo de método

Identificación de biomarcadores para la especificidad de género de la enfermedad de Alzheimer basada en los perfiles del transcriptoma glial

2K visualizaciones

⸱

DOI:

10.3791/66552

⸱

20 de mayo de 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

En este artículo

Resumen

Este estudio analizó transcriptomas de un solo núcleo de treinta y tres individuos con enfermedad de Alzheimer (EA), revelando DEG específicos del sexo en las células gliales. El análisis de enriquecimiento funcional destacó las vías sinápticas, neuronales y relacionadas con las hormonas. Se identificaron genes clave, a saber, NLGN4Y y sus reguladores, y se propusieron posibles candidatos terapéuticos para la EA específica del género.

Resumen

Recientemente se han revelado muchos biomarcadores específicos del sexo en la enfermedad de Alzheimer (EA); sin embargo, rara vez se informaron células gliales cerebrales. Este estudio analizó 220.095 transcriptomas de un solo núcleo de la corteza frontal de treinta y tres individuos con EA en la base de datos GEO. Se identificaron genes expresados diferencialmente (DEG) específicos del sexo en las células gliales, incluidos 243 en astrocitos, 1.154 en microglía y 572 en oligodendrocitos. Los análisis de anotación funcional de Gene Ontology (GO) y los análisis de enriquecimiento de vías de la Enciclopedia de Genes y Genomas de Kioto (KEGG) revelaron concentraciones funcionales en vías sinápticas, neuronales y relacionadas con hormonas. La red de interacción proteína-proteína (PPI) identificó a MT3, CALM2, DLG2, KCND2, PAKACB, CAMK2D y NLGN4Y en astrocitos, TREM2, FOS, APOE, APP y NLGN4Y en microglía, y GRIN2A, ITPR2, GNAS y NLGN4Y en oligodendrocitos como genes clave. NLGN4Y fue el único gen compartido por las tres glías y se identificó como el biomarcador de la especificidad de género de la EA. La red correguladora de factor de transcripción génica (TF)-miRNA identificó reguladores clave para NLGN4Y y sus TCM objetivo. Se identificaron Ecklonia kurome Okam (Kunbu) y Herba Ephedrae (Mahuang), y se mostraron los efectos de los ingredientes activos sobre la EA. Finalmente, el análisis de enriquecimiento de Kunbu y Mahuang sugirió que podrían actuar como candidatos terapéuticos para la especificidad de género de la EA.

Introducción

La enfermedad de Alzheimer (EA) es una enfermedad mundial con alta incidencia, y representa el 60%-80% de la demencia1. A pesar de su alta incidencia, la patogenia mecanicista de la EA no está claramente delimitada, yhasta ahora no ha habido terapias efectivas 2. Las principales patologías en la EA fueron identificadas como la atrofia neuronal y la acumulación de residuos patológicos, principalmente la proteína Tau asociada a microtúbulos y β-amiloide (Aβ)3,4. La patogenia de la EA se asocia con autofagia anormal, estrés oxidativo, disfunción mitocondrial, inflamación y trastorno del metabolismo energético5. Las encuestas de prevalencia demostraron que dos tercios de los pacientes con EA eran mujeres6. Existen diferencias específicas por sexo en la EA en la etiología, las manifestaciones clínicas, la prevención y el tratamiento. Por lo tanto, revelar el mecanismo biológico que causa las diferencias específicas de sexo en la EA y dirigirse a la medicina tradicional china (MTC) puede proporcionar un marco teórico más completo para comprender la patogénesis de la EA y guiar aún más la estrategia de tratamiento precisa.

Las células neurogliales, especialmente la microglía, los astrocitos y los oligodendrocitos, pueden contribuir a la patogénesis de la EA. En la EA, la microglía se activa y se altera genéticamente, lo que contribuye a la respuesta inflamatoria, la fagocitosis y el aclaramiento de Aβ 7,8; El astrocito está alterado genéticamente, lo que afecta a la actividad sináptica, la homeostasis iónica y el metabolismo energético y lipídico9; Los oligodendrocitos están genéticamente alterados con la especificidad del sexo, lo que contribuye a la pérdida neuronal, ovillos neurofibrilares y lesiones de la sustancia blanca10,11.

En este estudio, empleamos la secuenciación de ARN de un solo núcleo (snRNA-seq) como una técnica superior. En comparación con la secuenciación de ARN de una sola célula (scRNA-seq), el snRNA-seq ofrece ventajas en términos de riqueza de muestras, integridad del tipo de célula y fiabilidad de los datos12,13. El SnRNA-seq se ha utilizado ampliamente en estudios centrados en la EA y explorando el papel de las células gliales 14,15,16. Su amplia adopción en estas áreas de investigación pone de manifiesto su eficacia a la hora de proporcionar información valiosa sobre las características transcripcionales de las células gliales en la EA. Al aprovechar las ventajas de snRNA-seq, los investigadores han podido descubrir información crucial sobre la participación de las células gliales en la patología de la EA e identificar posibles objetivos terapéuticos. Con el fin de explorar las características transcripcionales neurogliales específicas del sexo en la EA y las posibles MTC para la especificidad sexual de la EA, este estudio analizó los datos de snRNA-seq de la corteza frontal de pacientes con EA de la base de datos pública NCBI GEO. Los genes expresados diferencialmente (DEG) específicos del sexo, la ontología génica (GO), la Enciclopedia de Genes y Genomas de Kioto (KEGG), la red de interacción proteína-proteína (PPI) y la red gen-TF-miRNA se analizan más a fondo para revelar biomarcadores clave y una posible patogénesis. Por último, se sugirieron posibles MTC y se mostraron sus ingredientes activos en tablas mediante la búsqueda en las bases de datos Coremine Medical, TCMIP y TCMSP.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

Los pasos 2 a 9 del análisis se implementaron utilizando el software R (ver Figura complementaria 1 y Archivo complementario 1), mientras que los pasos restantes se ejecutaron en las plataformas en línea. Los detalles de las bases de datos utilizadas en este protocolo (junto con los enlaces web) se proporcionan en la Tabla de Materiales.

1. Adquisición de datos

  1. Acceda a la base de datos Ómnibus de Expresión Génica (GEO) disponible públicamente en el Centro Nacional de Información Biotecnológica.
  2. Busque los datos GEO denominados Enfermedad de Alzheimer en el cuadro de búsqueda.
  3. Seleccione los Organismos superiores como Homo sapiens en el lado derecho.
    NOTA: Los resultados de la búsqueda fueron datos sobre la enfermedad de Alzheimer en Homo sapiens.
  4. Después de filtrar la información buscada, descargue los archivos de datos GSE167490 y GSE183068 , que abarcan features.tsv, barcode.tsv y matrix.mtx para cada muestra individual de núcleos individuales. Los conjuntos de datos comprendieron 34 muestras de EA originadas en la corteza frontal, con una distribución equitativa de 17 muestras de hombres y 17 muestras de mujeres (Tabla complementaria 1).

2. Fusión de muestras

  1. Configure las rutas de datos y los nombres de muestra en consecuencia en el equipo. Importe las 34 muestras descargadas y asigne nombres específicos de género a las muestras utilizando los nombres de función.
  2. Genere objetos Seurat para todas las muestras en un proceso por lotes utilizando la lista de funciones y Read10X, especificando los parámetros como min.cells = 3 y min.features = 200.
  3. Utilice la función RenameCells para agregar identificadores de muestra como prefijos a los códigos de barras de celda para conservar los códigos de barras de celda durante el proceso de combinación. Esto garantizó que cada célula conservara su identidad única y pudiera rastrearse hasta su fuente de muestra original después de la fusión.

3. Control de calidad (QC)

  1. Emplee la función PercentageFeatureSet para calcular las proporciones de genes mitocondriales, las proporciones de genes de eritrocitos y las proporciones de genes de ribosomas para cada célula.
  2. Almacene estas proporciones calculadas en los metadatos utilizando el operador [[ ]] para adjuntar esta información directamente a los metadatos de cada celda.
  3. Utilice la función de subconjunto para realizar la filtración de celdas, especificando los parámetros como nFeature_RNA > 200, nFeature_RNA < 10000, nCount_RNA < 60000, percent.mt < 10, percent.rb < 5 y percent. HB < 75.
  4. Excluir GSM5106107 del análisis.

4. Comprobación del efecto batch

  1. Realizar el procesamiento de datos.
    1. Normalice los datos mediante la función NormalizeData .
    2. Identifique las 2000 características de variables principales del conjunto de datos mediante la función FindVariableFeatures .
    3. Realice un análisis de componentes principales (PCA)17 sobre los datos utilizando RunPCA, conservando 50 componentes principales.
    4. Genere un diagrama de codo utilizando la función ElbowPlot para determinar el número óptimo de dimensiones para el análisis posterior. Considere las primeras 50 dimensiones.
    5. Escale los datos con ScaleData para asegurarse de que todas las características estén en una escala comparable.
    6. Identifique a los vecinos más cercanos mediante FindNeighbors en función de 30 dimensiones.
    7. Aplique el algoritmo UMAP mediante RunUMAP para reducir la dimensionalidad de los datos a 30 dimensiones.
  2. Visualice los datos procesados utilizando la función DimPlot con el parámetro de reducción establecido en umap y el parámetro group.by establecido en orig.ident.
    NOTA: Este paso podría generar un gráfico visualizando los datos en el espacio UMAP reducido, agrupados por las identidades de celda originales. Al examinar las parcelas UMAP, se hizo evidente que había una presencia de efecto lote. El agrupamiento o separación de células en función de su origen experimental o por lotes sugirió que los lotes experimentales habían influido en los perfiles de expresión génica.

5. Integración de datos

  1. Normalice y estandarice los datos mediante la función SCTransform .
  2. Aplique el algoritmo de armonía18 para integrar los 33 datos restantes de un solo núcleo. Utilice el ensayo SCT para la integración y establezca el número máximo de iteraciones de armonía en 20.
  3. Utilice la función FindClusters con un parámetro de resolución establecido en 0,07 para identificar clústeres distintos dentro de los datos.
  4. Emplee la función RunUMAP con un número especificado de dimensiones (dims = 30) para reducir aún más la dimensionalidad de los datos y visualizar los clústeres en un espacio de dimensiones inferiores.

6. Anotación del tipo de celda

  1. Recolectar los genes marcadores (Tabla suplementaria 2) de las células a través de una revisión extensa de la literatura existente.
  2. Tras la identificación de la heterogeneidad del grupo celular, clasifique el tipo de cada célula del grupo por los genes marcadores expresados específicamente.
  3. Presentamos varios tipos celulares con visualización UMAP utilizando el paquete ggplot2, donde se resaltó oligodendrocito con el código de color #DB7093, neurona excitadora con #FF69B4, astrocito con #1874CD, microglía con #63B8FF, célula precursora de oligodendrocitos con #DB7093, neurona inhibidora con #FFC0CB y célula endotelial con #FF69B4.
  4. Calcula las proporciones de cada tipo de celda estratificadas por género.

7. Extracción de datos de células gliales

  1. Extraiga los datos de astrocitos de los datos masivos integrados utilizando la función de subconjunto.
  2. Extraiga los datos de la microglía de los datos masivos integrados mediante la función de subconjunto.
  3. Extraiga los datos de oligodendrocitos de los datos masivos integrados mediante la función de subconjunto.

8. Captura de genes expresados diferencialmente (DEGs) específicos del sexo glial

  1. Identifique los DEG específicos del sexo de los astrocitos utilizando la función FindMarkers (ident.1 = masculino, ident.2 = femenino, group.by = group.sum, assay = RNA) con valores umbral: valor p < 0,05 y |avg_log2FC| > 30. Etiquete los DEG regulados al alza como Arriba, los DEG regulados a la baja como Abajo y el resto como Estable.
    1. Visualice los DEG utilizando la función ggplot , con el eje x representando la diferencia de porcentaje entre dos condiciones (pct.1 - pct.2), y el eje y representando el avg_log2FC. Los genes regulados al alza se resaltaron con el color PaleVioletRed, los genes regulados a la baja con Pink y los genes estables con DodgerBlue3.
  2. Identifique los DEG específicos del sexo de la microglía utilizando la función FindMarkers (ident.1 = masculino, ident.2 = femenino, group.by = group.sum, assay = RNA) con valores umbral: valor p < 0,05 y |avg_log2FC| > 1. Etiquete los DEG regulados al alza como Arriba, los DEG regulados a la baja como Abajo y el resto como Estable.
    1. Visualice los DEG utilizando la función ggplot , con el eje x representando la diferencia de porcentaje entre dos condiciones (pct.1 - pct.2), y el eje y representando el avg_log2FC. Los genes regulados al alza se resaltaron utilizando el color OrangeRed, los genes regulados a la baja con LightSalmon y los genes estables con SteelBlue1.
  3. Identifique los DEG específicos del sexo de los oligodendrocitos utilizando la función FindMarkers (ident.1 = macho, ident.2 = hembra, group.by = group.sum, assay = RNA) con valores umbral: p-valor < 0,05 y |avg_log2FC| > 10. Etiquete los DEG regulados al alza como Arriba, los DEG regulados a la baja como Abajo y el resto como Estable.
    1. Visualice los DEG utilizando la función ggplot , con el eje x representando la diferencia de porcentaje entre dos condiciones (pct.1 - pct.2), y el eje y representando la avg_log2FC. Los genes regulados al alza se resaltaron con el color DeepPink, los genes regulados a la baja con HotPink y los genes estables con DeepSkyBlue3.

9. Análisis de enriquecimiento funcional de DEGs específicos por sexo

  1. Realice análisis de enriquecimiento de ontología génica (GO) en DEG específicos del sexo para cada tipo de célula glial utilizando la función enrichGO . Establezca los siguientes parámetros: OrgDb = org. Hs.eg.db, keyType = SYMBOL, ont = ALL, pAdjustMethod = BH, pvalueCutoff = 0,01 y qvalueCutoff = 0,05.
  2. Convierta los símbolos de genes en identificadores de genes correspondientes utilizando function bitr. Llevar a cabo un análisis de enriquecimiento de la Enciclopedia de Genes y Genomas de Kioto (KEGG) sobre DEG específicos del sexo para cada tipo de célula glial mediante el uso de la función enrichKEGG . Ajuste la configuración de la siguiente manera: organism = has, keyType = kegg, pAdjustMethod = BH, pvalueCutoff = 0.01 y qvalueCutoff = 0.05.

10. Estadísticas de frecuencia de DEGs gliales en las vías go y kegg, diagramas de Venn de cada DEGs específico del sexo glial y construcción de redes PPI

  1. Calcule la frecuencia de DEGs específicas del sexo glial en las vías GO y KEGG utilizando un histograma de frecuencia.
  2. Acceda a la base de datos STRING para construir las redes PPI.
  3. Elija las proteínas múltiples. Busque la lista de nombres en el cuadro de búsqueda. Establecer "Organismos" como Homo sapiens.
  4. Revise la lista de proteínas obtenidas de la búsqueda. Haga clic en Continuar para continuar.
  5. Exporte las redes PPI seleccionando la opción de descarga , preferiblemente en formato PNG con mayor resolución.
  6. Visualice la distribución de la coexpresión de los principales genes específicos del sexo mediante el uso de los diagramas de Venn.
  7. Identifique los genes compartidos como genes clave en el estudio basándose en el análisis del diagrama de Venn.

11. Construcción de redes reguladoras multifactoriales

  1. Acceda a NetworkAnalyst.
  2. Haga clic en Entrada de lista de genes y especifique el organismo como H. sapiens (humano). Establezca el tipo de identificación como símbolo genético oficial. Ingrese el nombre del gen en el campo de búsqueda y luego haga clic en Cargar y continuar.
  3. Seleccione Interacciones gen-miRNA y elija miRTarBase v8.0. Confirme la selección haciendo clic en Aceptar.
  4. Vaya a Interacciones TF-gen y seleccione la base de datos ENCODE . Haga clic en Aceptar para confirmar la selección.
  5. A continuación, navegue hasta la red correguladora TF-miRNA y haga clic en Aceptar para continuar.
  6. Por último, elija Proceder para generar la red reguladora multifactorial incorporando interacciones gen-miRNA e interacciones TF-gen.

12. Análisis de genes y dianas de la MTC

  1. Acceda a la base de datos en línea de Coremine Medical.
  2. Ingrese el nombre del gen específico y seleccione el gen correspondiente con el sufijo gen/proteína, humano en el cuadro de búsqueda en la sección Explorar .
  3. Navegue por la sección Medicamentos e identifique las MTC asociadas con los medicamentos buscados.
    NOTA: Los fármacos estadísticamente significativos se marcaron en azul.
  4. Determine los cinco principales MTC en función de su valor de "importancia" como MTC terapéuticas.

13. Resumen de la investigación de los ingredientes de la MTC en la selección de genes clave

  1. Acceda a la Plataforma de Investigación Integral basada en Farmacología de Medicina Tradicional China (TCMIP) y a la Base de Datos y Plataforma de Análisis de Farmacología de Sistemas de Medicina Tradicional China (TCMSP). Ingrese los nombres de las hierbas en la barra de búsqueda para recuperar sus ingredientes correspondientes.
  2. Recupere los ingredientes en la base de datos de PubMed con un límite de tiempo hasta el 10 deabril de 2023. Los términos de búsqueda utilizados incluyeron el nombre de la molécula en TCMSP y los componentes químicos en TCMIP como términos de búsqueda, y se limitaron a artículos publicados en inglés.
  3. Resumir y analizar las hierbas y sus ingredientes correspondientes que actúan sobre la EA.

14. Confirmación de la función del tratamiento de las MTC dirigidas a la especificidad sexual de la EA

  1. Importe hierbas en el TCMIP y navegue hasta la página de descripción correspondiente.
  2. Utilice la función Exportar datos y seleccione el formato CSV para descargar los términos de enriquecimiento de GO - Proceso biológico, GO - Componente celular, GO - Función molecular y Vía del reactoma.
  3. Visualice los términos de enriquecimiento descargados para cada hierba utilizando gráficos de barras.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

Análisis de secuenciación de SNNnARN de los perfiles del transcriptoma glial frontal y la anotación de los tipos celulares
En total, se obtuvieron 220.095 núcleos y 32.077 genes en la corteza frontal de 17 hombres y 17 mujeres (Figura 1A). El diagrama UMAP visualizó el total de transcriptomas frontales de un solo núcleo que mostraban distintos tipos de núcleos después del análisis de reducción de dimensiones (Figura 1B). Se mostró el número t...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

Se ha identificado especificidad de género en epidemiología, patología y manifestación clínica de la EA19. Aquí, confirmamos el posible mecanismo patológico del "eje hormona-sinapsis-neurona" a partir de genes gliales específicos de género y vías relacionadas en pacientes con EA. NLGN4Y fue el único gen compartido en las tres glías y fue elegido como biomarcador para la especificidad de género de la EA. TF y miRNAs que regulan NLGN4Y estaban fuertemente relacionados con las diferencias de género y...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

No hay conflicto de intereses en este manuscrito y todos los autores han aprobado el envío para su publicación.

Agradecimientos

Los autores agradecen a Jessica S. Sadick, Michael R. O'Dea, Philip Hasel, etcetera., por proporcionar el GSE167490 conjunto de datos. Los autores aprecian que Faten A Sayed, Lay Kodama, Li Fan, etcetera., ofrezcan el conjunto de datos GSE183068. Los autores agradecen a Shuqing Liu por la ayuda con el análisis de datos y a Wen Yang por proporcionar la plataforma de análisis de datos. Este estudio contó con el apoyo de la Fundación Nacional de Ciencias Naturales de China (82174511), los becarios de la Universidad de Medicina Tradicional China de Chengdu, el Programa de Mejora de la Investigación del Talento Disciplinario (QJJJ2022001), el Programa de Talentos de Revitalización de LiaoNing (XLYC 1807083), el Fondo de Medicina y Hierbas Chinas de la Oficina de Administración de Sichuan (2023MS578), el Proyecto Nacional de Capacitación en Innovación y Emprendimiento de Pregrado (202310633003X) y Temas innovadores de la práctica de investigación científica para estudiantes universitarios en la Universidad de Medicina Tradicional China de Chengdu (ky-2023100). Hanjie Liu y Hui Yang contribuyeron al diseño del estudio, la recopilación, la interpretación de los datos, la redacción y la revisión del manuscrito. Shuqing Liu y Siyu Li participaron en el diseño del estudio, la recopilación de datos y la redacción del manuscrito. Wen Yang y Anwar Ayesha fueron responsables de la recopilación e interpretación de los datos. Xin Tan preparó figuras y/o tablas. Cen Jiang, Yi Liu y Lushuang Xie concibieron el estudio y revisaron/editaron el manuscrito. Todos los autores contribuyeron al artículo y aprobaron la versión presentada.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
Database
Coremine Medical databaseDesarrollado conjuntamente por Noruega, la Academia China de Ciencias, la Academia China de Ciencias Médicas, la Biblioteca Médica Nacional de los Estados Unidos y otras institucionesCuando explora conceptos en CoreMine Medical, accede a una base de datos que está estructurada para relacionar conceptos importantes, clasificados por relevancia estadística, a su tema. Por ejemplo, si escribe "enfermedad de Alzheimer", además de recuperar documentos y recursos que tratan sobre la enfermedad, podrá ver redes y listas que muestran cómo se relaciona su concepto de consulta con otros conceptos biomédicos. Esto proporciona una visión general de los conceptos que se relacionan con su búsqueda, además de ser una interfaz para navegar por la información sobre estos conceptos.
Enlace web: https://coremine.com/medical/
Gene Expression Omnibus (GEO)Centro Nacional de Información Biotecnológica en los Estados Unidos (NCBI)GEO es un repositorio público de datos genómicos funcionales que admite presentaciones de datos que cumplen con MIAME. Se aceptan datos basados en matrices y secuencias. Se proporcionan herramientas para ayudar a los usuarios a consultar y descargar experimentos y perfiles de expresión génica seleccionados.
Enlace web: https://www.ncbi.nlm.nih.gov/geo/
Plataforma de Investigación Integrada de Medicina Tradicional China basada en Farmacología (TCMIP, versión: 2.0)NingunoIntroducción a la Plataforma de Investigación Computacional en Red Integrada Basada en Farmacología para la Medicina Tradicional China [TCMIP v2.0], http://www.tcmip.cn/ ) Es una minería de datos inteligente plataforma basada en la base de datos en línea de la Enciclopedia de Medicina Tradicional China (ETCM), que integra la gestión de big data médico y los servicios de computación farmacológica. Su objetivo es revelar la connotación científica de la teoría de la medicina tradicional china y el valor científico del pensamiento original en la medicina tradicional china, resumir y transmitir la experiencia de médicos famosos, controlar la calidad de la medicina tradicional china, explicar los principios de la acción de la medicina tradicional china, la investigación y el desarrollo de la nueva medicina china, especialmente el descubrimiento y la optimización de combinaciones de medicamentos modernos, Proporcionar una base de datos sólida y herramientas analíticas. Sobre la base de TCMIP v1.0, se implementa una actualización integral, que incluye cinco bases de datos principales y siete módulos funcionales. A través de la integración de sistemas y la integración de módulos, se puede lograr rápidamente un análisis exhaustivo de la correlación multinivel de la red de interacción de "prescripción de síndrome de enfermedad". Como plataforma inteligente de minería de datos, TCMIP v2.0 proporcionará una sólida base de datos y una plataforma de análisis para revelar la connotación científica de la teoría de la medicina tradicional china y el valor científico del pensamiento original en la medicina tradicional china, resumiendo y heredando la experiencia de médicos famosos, control de calidad de la medicina tradicional china, dilucidando los principios de la acción de la medicina tradicional china, investigación y desarrollo de nuevos medicamentos de medicina tradicional china, especialmente el descubrimiento y la optimización de combinaciones de medicamentos modernos.
Enlace web: http://www.tcmip.cn/TCMIP 
NetworkAnalystNoneNetworkanalyze es una plataforma de análisis de visualización en línea para el análisis y metaanálisis de la expresión génica. Puede realizar análisis comparativos, cuantitativos, diferenciales y de enriquecimiento de la expresión génica, análisis de interacción proteína-proteína, análisis de integración de múltiples conjuntos de datos, y también puede dibujar imágenes de alto valor como PCA, diagrama de red de interacción proteína-proteína, mapa de calor, diagrama de volcanes, diagrama de Wayne, etc.
Weblink: Base
de datos https://www.networkanalyst.ca/NetworkAnalyst/ PubMedCentro Nacional de Información Biotecnológica en los Estados Unidos (NCBI)La base de datos Pubmed es una base de datos de literatura biomédica mantenida por la Biblioteca Nacional de Medicina (NLM) en los Estados Unidos, destinada a proporcionar los últimos resultados de investigación médica a científicos, médicos, investigadores y estudiantes de todo el mundo. Esta base de datos recopila literatura biomédica de todo el mundo, incluidos artículos de revistas, documentos, libros, etc. Hasta ahora, la base de datos Pubmed ha recopilado más de 30 millones de artículos y se actualiza continuamente cada semana.
Enlace web: https://pubmed.ncbi.nlm.nih.gov/
R softwareRoss Ihaka y Robert Gentleman Res un lenguaje y un entorno para la computación estadística y los gráficos. Es un proyecto GNU que es similar al lenguaje y entorno S que se desarrolló en los Laboratorios Bell (anteriormente AT& T, ahora Lucent Technologies) de John Chambers y colegas. R se puede considerar como una implementación diferente de S. Hay
algunas diferencias importantes, pero gran parte del código escrito para S se ejecuta sin alteraciones en R.
Weblink: https://www.r-project.org/
Plataforma de análisis y base de datos de farmacología de sistemas de medicina tradicional china (TCMSP)Zhejiang Jiuwei Health Co., LtdTCMSP no es solo un repositorio de datos, sino también una plataforma de análisis para que los usuarios estudien exhaustivamente las medicinas tradicionales chinas (MTC): incluida la identificación de los componentes activos, el cribado de las dianas farmacológicas y la generación de redes de compuestos-dianas-enfermedades, así como la información farmacocinética detallada sobre la similitud con los fármacos (DL), la biodisponibilidad oral (OB), la barrera hematoencefálica (BBB), la permeabilidad epitelial intestinal (Caco-2), ALogP, el área de superficie fraccional negativa (FASA-) y el número de   Enlace H  donante/aceptante   (Hdon/Hacc). Hasta ahora, TCMSP ha atraído una amplia atención y varios grupos han publicado más de 10 artículos utilizando nuestra base de datos TCMSP en aproximadamente un año.
Weblink: https://tcmsp-e.com

Referencias

  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).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Explorar más artículos

Biomarcadores específicos de génerotranscriptomas de núcleos únicosgenes expresados diferencialmentebiomarcadores de astrocitosbiomarcadores de microglíabiomarcadores de oligodendrocitosvisualización UMAPanálisis bioinformático
Identificación de biomarcadores para la especificidad de género de la enfermedad de Alzheimer basada en los perfiles del transcriptoma glial
Contáctenos
Recomendar a la biblioteca

Privacidad

Términos de uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos los derechos reservados.