L’analyse transcriptomique révèle des sous-groupes d’origine mitochondriale dans les lésions de dermatite atopique

Summary

La dermatite atopique (MA) est une maladie inflammatoire chronique de la peau présentant une hétérogénéité moléculaire significative. Cette étude identifie deux sous-groupes transcriptomiquement distincts de la MA, entraînés par l’expression différentielle des gènes mitochondriaux et l’infiltration immunitaire, et révèle quatre gènes hub comme biomarqueurs potentiels pour la stratification des patients.

Abstract

La dermatite atopique (MA) est une maladie inflammatoire chronique de la peau courante et présentant une prévalence mondiale. Son hétérogénéité clinique et ses mécanismes moléculaires complexes posent des défis importants au développement de thérapies efficaces. Explorer l’hétérogénéité moléculaire de la MA à l’aide de données transcriptomiques cutanées lésionnelles, caractériser leurs profils biologiques et immunitaires, et identifier les gènes clés sous-jacents à la différenciation. Des gènes exprimés différemment ont été identifiés à l’aide de DESeq2, suivis d’analyses de voie et de co-expression via GSEA et WGCNA, respectivement. Des gènes liés aux mitochondriaux ont été extraits en croisant les DEG et modules WGCNA avec la base de données MitoCarta3.0, et leur pertinence fonctionnelle a été évaluée grâce à l’enrichissement GO et KEGG. Les gènes hubs ont été identifiés par analyse de réseaux d’interactions protéine-protéine, qui ont ensuite été utilisés pour construire un modèle de classification. Les régulateurs transcriptionnels ont été prédits à l’aide d’une cible hTF, tandis que l’infiltration des cellules immunitaires a été quantifiée à l’aide de CIBERSORT. Deux sous-groupes moléculaires ont été identifiés. Le cluster 1 était enrichi en voies de signalisation cellulaire et d’adhésion, tandis que le cluster 2 présentait une régulation à la hausse de la phosphorylation oxydative et des processus liés aux protéasomes. Un total de 85 gènes associés aux mitochondries, principalement impliqués dans le métabolisme énergétique, ont été exprimés différemment entre les grappes. L’analyse du réseau IPP a identifié quatre gènes hub (BAD, BOLA1, CHCHD5 et ISOC2), qui étaient significativement surélevés dans le Cluster 1. Un classificateur basé sur les gènes hub a démontré un fort pouvoir discriminatoire (aire sous la courbe > 0,7). Les principaux régulateurs transcriptionnels prédits incluaient ATF3, BRD2, BRD4 et CEBPA. Le profilage immunitaire a révélé une infiltration plus élevée des lymphocytes T régulateurs dans le groupe 1 et une augmentation des lymphocytes T auxiliaires folliculaires dans le groupe 2. Cette étude révèle deux sous-types de la maladie d’Alzheimer moléculairement et immunologiquement distincts, caractérisés par une fonction mitochondriale différentielle et des signatures de microenvironnement immunitaire.

Introduction

La dermatite atopique (MA) est une maladie inflammatoire chronique de la peau courante et chronique touchant jusqu’à 20 % des enfants et 10 % des^adultes. Elle se caractérise par une démangeaison intense et des lésions eczématouses^{récurrentes 2}. Cliniquement, la DA provient d’une interaction dynamique entre la susceptibilité polygénique (par exemple, mutations de perte de fonction de la FLG), la dysrégulation immunitaire et les expositions environnementales telles que la faible humidité et la dysbiose^{microbienne 3}. Bien que la DA partage certaines caractéristiques physiopathologiques avec le psoriasis, leurs présentations cliniques sont mutuellement exclusives, avec des effets génétiques différents dans des voies communes et des altérations immunitaires^{distinctes 4}.

La DA est une maladie hétérogène, caractérisée par la diversité des profils transcriptomiques selon différents groupes de patients et des symptômes^{pathologiques 5}. Des analyses intégrées des tissus cutanés et des cellules mononucléaires du sang périphérique ont montré que des caractéristiques cliniques telles que l’érythème et la papulation sont associées à des signatures immunologiques distinctes, reflétant l’interaction entre la peau locale et les réponses immunitaires^{systémiques 6}. Des études transcriptomiques à grande échelle mettent en lumière également le rôle des voies de l’IL-13 dans la pathogenèse de la MA, tandis que la MA présente une hétérogénéité moléculaire plus grande que le psoriasis, avec des variations dans les schémas d’expression génique liées à la gravité de la maladie, à l’âge d’apparition et au fond génétique ^5,7. Ces différences soulignent la complexité de la pathogenèse de la DA et la nécessité d’approches personnalisées en recherche et en thérapie.

Les protéines mitochondriales jouent un rôle important dans la pathogenèse de la DA en raison d’un stress oxydatif déréglé et des voies métaboliques. Des études révèlent une augmentation de l’activité des complexes mitochondriaux I et II chez les kératinocytes de la maladie d’Alzheimer non lésionnaires, entraînant une oxydation excessive des acides gras à longue chaîne et une production accrue de ROS, ce qui augmente la dysfonction de la barrière^{épidermique 8,9}. Parallèlement, des analyses protéomiques identifient une réduction des protéines de la voie antioxydante NRF2 et des composants mitochondriaux dans la peau de la MA, réduisant ainsi la résolution du stress^{oxydatif 10}. Les dommages à l’ADN mitochondrial contribuent également aux réponses inflammatoires, tandis que des interventions comme l’utilisation d’antioxydants ciblant les mitochondriaux démontrent une efficacité pour restaurer l’homéostasie épidermique en atténuant^{ROS 11,12}. Ces résultats soulignent les protéines mitochondriales comme à la fois moteurs de la pathologie de la DA et cibles thérapeutiques potentielles.

Des analyses récentes du transcriptome de la MA ont considérablement fait progresser la compréhension de son architecture génétique et de son hétérogénéité moléculaire. Le premier profilage par séquençage ARN de la MA avait révélé une expression accrue dans la voie TREM-1 et la cytokine^{IL-36 13}. L’analyse pondérée du réseau de co-expression génique basée sur le profil d’expression génique a également révélé des modules moléculaires distincts et des gènes centraux, tels que HSPA4, LCE3E et LCE3D, qui orchestrent les réponses inflammatoires et la kératinisation, mettant en lumière des cibles thérapeutiques^{potentielles 14}. Ces études soulignent l’importance de la transcriptomique multitissulaire et de la modélisation polygénique du risque pour affiner la prédiction des maladies et découvrir les fondements complexes de la MA. Cependant, les études existantes se sont principalement concentrées sur la transcriptomique globale de la DA sans avoir spécifiquement résolu le rôle des gènes mitochondriaux dans la définition des sous-groupes moléculaires. La présente étude va au-delà des analyses transcriptomiques antérieures en intégrant plusieurs ensembles de données GEO pour identifier les sous-groupes d’AD basés sur le regroupement consensuel et en intersectant systématiquement des gènes exprimés différemment, les modules WGCNA, ainsi qu’un catalogue de gènes mitochondriaux sélectionnés afin de localiser les gènes mitochondriaux centraux qui définissent l’identité des sous-groupes et peuvent servir de nouveaux biomarqueurs.

Avec l’hypothèse que la peau lésionnelle de la DA abrite des sous-groupes transcriptomiques moléculairement distincts caractérisés par une expression différentielle des gènes mitochondriaux, ce qui pourrait sous-tendre l’hétérogénéité clinique de la MA. Pour tester cela, cette étude a intégré des données de séquençage ARN issues d’études publiées et a collecté des données d’expression génique d’échantillons cutanés de lésions auprès de 266 patients atteints de la MA. Des sous-groupes moléculaires ont été identifiés sur la base d’un regroupement consensuel de l’expression génique, et l’expression génique a été comparée entre les deux sous-groupes moléculaires. Les gènes à l’origine de cette différence montrent un enrichissement fonctionnel dans la signalisation cellulaire et la phosphorylation oxydative. De plus, des gènes mitochondriaux différenciant les deux groupes moléculaires ont été examinés, et les principaux gènes centraux ont été identifiés au sein d’un réseau d’interaction protéine-protéine. Ces résultats mettent en lumière l’hétérogénéité génétique de la maladie de la DA et élargissent les connaissances sur les rôles des protéines mitochondriales dans la pathologie de la DA.

Protocol

Cette étude a utilisé des ensembles de données d’expression génique publiques issus de la base de données Gene Expression Omnibus (GEO). Aucune donnée identifiable par les patients n’a été consultée, et aucun nouvel échantillon n’a été collecté. Par conséquent, aucune approbation du comité d’examen institutionnel (IRB) ni consentement des patients n’était nécessaire pour cette analyse secondaire des données publiques. Le logiciel et les bases de données utilisées sont listés dans le tableau des matériaux.

1 Données et ressources

Les données transcriptomiques des patients atteints de dermatite atopique (MA) ont été obtenues à partir de la base de données GEO, incluant quatre études : GSE121212 (N = 55)⁵, GSE157194 (N = 57)¹⁵, GSE193309 (N = 111)¹⁶ et GSE277961 (N = 43)¹⁷. Tous les ensembles de données contenaient des données brutes ou pré-normalisées issues de biopsies cutanées lésionnelles. Les matrices de comptage brut ont été téléchargées et intégrées entre les études. Les effets des lots croisés ont été corrigés à l’aide de la méthode ComBat-seq (package sva R, v3.44.0) afin d’harmoniser les profils d’expression entre les quatre ensembles de données GEO avant l’analyse en aval. Les quatre ensembles de données sont basés sur l’RNA-seq réalisé sur des échantillons de biopsie cutanée humaine et ont été alignés sur le génome de référence humain GRCh38 à l’aide de pipelines spécifiques à l’étude. La quantification de l’expression au niveau des gènes a été réalisée à l’aide de l’annotation génique Ensembl (v105).

2 Regroupement consensuel

Un regroupement consensuel non supervisé a été réalisé à l’aide du package Consensus ClusterPlus R (v1.64.0)¹⁸ pour stratifier 266 échantillons de peau lésionnaire provenant de patients atteints de DA sur la base de profils transcriptomiques. Avant le regroupement, les données brutes de comptage de toutes les études étaient fusionnées, et les effets de lot de l’étude croisée étaient corrigés à l’aide de la fonction removeBatchEffect du package limma. Les données d’expression génique ont ensuite été transformées par stabilisation de la variance (VST) à l’aide de DESeq2 et filtrées pour conserver les 5 000 gènes les plus variables du premier plan. Le regroupement a été réalisé en utilisant un regroupement hiérarchique avec corrélation de Pearson et liaison moyenne sur 1 000 itérations, sous-échantillonnage de 80 % des échantillons par itération. Le meilleur nombre de clusters (k varie de 2 à 10) a été déterminé en évaluant la fonction de distribution cumulative consensuelle (CDF), les graphiques de l’aire delta et les scores consensus par cluster. Les clusters résultants ont été validés à l’aide de cartes de chaleur consensuelles et de PCA, puis utilisés dans des analyses biologiques et cliniques en aval.

3 Analyse différentielle de l’expression génique

Les niveaux d’expression génique ont été comparés entre sous-groupes moléculaires à l’aide du package DESeq2 R (v1.46.0)¹⁹. Des données brutes de comptage ont été saisies pour estimer la dispersion génique et ajuster un modèle binomial négatif. Les gènes différenciellement exprimés (DEG) ont été identifiés à l’aide du test de Wald, et les résultats ont été filtrés en utilisant un seuil de signification de valeur p ajustée < 0,01 et un changement absolu de log2 multiplié > 1.

4 Analyse d’enrichissement d’ensembles géniques

L’analyse d’enrichissement de l’ensemble de gènes (GSEA) a été réalisée à l’aide du package clusterProfiler R (v4.12.6)²⁰. Tous les gènes ont été classés selon leur variation log2 multipliée par l’analyse d’expression différentielle, et la fonction GSEA a été appliquée avec les paramètres eps = 0, minGSSize = 10 et maxGSSize = 500, tandis que les autres paramètres étaient maintenus par défaut. L’enrichissement a été réalisé avec les ensembles de gènes MSigDB Hallmark. Pour chaque groupe moléculaire (cluster 1 et cluster 2), les trois voies enrichies les plus hautes ont été sélectionnées sur la base de la valeur p nominale et du score d’enrichissement normalisé (NES). Les résultats ont été visualisés à l’aide du package GseaVis R (v0.1.0)²¹.

5 Analyse pondérée du réseau de co-expression génique

Le WGCNA a été réalisé sur le profil d’expression génique des patients atteints de MA afin d’identifier les modules de co-expression génique associés à l’identité du sous-type transcriptomique à l’aide du package R WGCNA (v1.73)²². Les gènes ont été filtrés pour conserver les 75 % supérieurs avec la plus grande variance sur tous les échantillons. Un réseau de co-expressions signées a été construit en utilisant une puissance de seuil doux sélectionnée de 1 à 30 pour approximer une topologie sans échelle. Les modules génétiques ont été identifiés par regroupement hiérarchique et découpe dynamique d’arbres. Les associations module-trait ont été étudiées en corrélant les gènes propres des modules co-exprimés avec les étiquettes moléculaires de sous-types, et des modules présentant une corrélation significative (p < 0,05) avec le sous-type moléculaire ont été sélectionnés pour une analyse en aval.

6 Protéines mitochondriales dans les sous-groupes moléculaires de l’AD

Pour identifier les gènes associés aux mitochondriaux dans les modules DEG et WGCNA, ces ensembles de gènes ont été recoupés avec la liste sélectionnée des protéines mitochondriales de MitoCarta3.0-23. Les gènes intersectants étaient considérés comme des protéines mitochondriales présumées pertinentes pour le contexte de la maladie de la MA.

7 Ontologie des gènes et analyse d’enrichissement KEGG

Identifier les principales fonctions cellulaires et les processus biologiques qui différencient les sous-groupes moléculaires. Des analyses d’enrichissement GO et KEGG ont été réalisées pour les gènes associés aux mitochondriaux à l’aide de clusterProfiler. L’enrichissement GO a été réalisé séparément pour les catégories Processus biologique (BP), Composante cellulaire (CC) et Fonction moléculaire (MF) en utilisant la fonction enrichGO avec OrgDb = "org. Hs.eg.db », ont = « TOUS », et les paramètres par défaut. L’enrichissement des voies KEGG a été réalisé en utilisant la fonction enrichissement KEGG avec l’organisme réglé sur « a ». Les termes enrichis avec une valeur p ajustée < 0,05 étaient considérés comme significatifs.

8 Réseaux d’interactions protéine-protéine

Les 85 DEG et les gènes mitochondriaux associés au module associé à la maladie d’alzheimer ont été interrogés dans la base de données STRING (https://string-db.org)²⁴ pour récupérer les IPP connus et prédits. L’analyse topologique du réseau a été réalisée à l’aide de sept mesures (Degré, Proximité, Intermédiaire, Vecteur propre, PageRank, Hub et Autorités) pour classer l’importance des nœuds de chaque protéine. Les 30 gènes les mieux classés de chaque mesure ont été sélectionnés, et les intersections des sept approches ont été visualisées à l’aide d’un graphique UpSet. Les 4 gènes qui s’intersectent des mesures ont été utilisés pour construire un modèle de classification basé sur leurs niveaux d’expression génique. La précision, la sensibilité, la spécificité et la surface du modèle sous la courbe ROC (AUC) ont été calculées pour évaluer la performance de classification.

9 Analyse de la régulation transcriptionnelle

La base de données hTFtarget (http://bioinfo.life.hust.edu.cn/hTFtarget)²⁵ a été interrogée pour récupérer les interactions TF-cible supportées expérimentalement pour quatre gènes centrals qui s’entrecroisent. Le réseau de régulation du gène TF résultant a été construit et visualisé à l’aide des paquets R igraph²⁶ et ggraph²⁷ .

10 Analyse de l’infiltration des cellules immunitaires à l’ARN-seq en vrac

L’algorithme CIBERSORT²⁸ (https://cibersort.stanford.edu/) a été utilisé pour estimer les proportions relatives de 22 types de cellules immunitaires dans les données transcriptomiques cutanées lésionnelles. Des données d’expression génique normalisées ont été saisies dans le CIBERSORT (v0.1.0) ainsi que dans la matrice de signature LM22. L’analyse a été réalisée avec 1 000 permutations et la normalisation des quantiles désactivée. Des échantillons avec des valeurs p de sortie CIBERSORT < 0,05 ont été envisagés pour une analyse en aval. Les fractions estimées des cellules immunitaires ont été comparées entre sous-groupes moléculaires à l’aide du test de somme de rangs de Wilcoxon avec correction FDR pour des comparaisons multiples entre les 22 types de cellules immunitaires (p.adjust.method = « FDR »), et les résultats ont été visualisés avec des boîtes graphiques utilisant le paquet ggplot2²⁹ R.

Results

Sous-groupes transcriptionnels dans la dermatite atopique

Les données RNA-seq provenant de 266 échantillons de patients atteints de la maladie d’Alzheimer ont été analysées afin d’étudier l’hétérogénéité transcriptionnelle au sein de la maladie. Après contrôle qualité et correction des effets de lot à travers plusieurs études, un regroupement consensuel non supervisé a révélé deux sous-groupes moléculaires distincts (Figure 1A). La stabilité du cluster et le nombre optimal de cluster ont été évalués à l’aide du graphique de la fonction de distribution cumulative (CDF) (Figure 1B), du graphique de l’aire delta (Figure 1C) et de la carte thermique de la matrice de consensus (Figure 1D). Ensemble, ces résultats soutiennent l’existence de deux sous-types transcriptionnels robustes dans la MA, reflétant une hétérogénéité génétique sous-jacente.

Gènes exprimés différemment entre les sous-groupes de la MA

Le graphique t-SNE basé sur la matrice d’expression génique normalisée a également validé les sous-groupes transcriptionnels identifiés par regroupement consensuel. Le graphique t-SNE a révélé deux groupes bien séparés, chacun correspondant à l’un des sous-groupes précédemment définis (Figure 2A), soutenant la présence de profils moléculaires distincts chez les patients atteints de MA. L’expression différentielle entre les deux sous-groupes a ensuite été analysée à l’aide de DESeq2, avec un seuil ajusté de p < 0,01 et |log₂ de variation de folds| > 1. Le graphique volcanique résultant (Figure 2B) a montré des gènes différenciellement exprimés (DEG), indiquant une forte divergence transcriptionnelle. Les 10 gènes les plus hauts régulés sont ABHD2, ADAR, ADCY3, ADCY9, ADD1, ADIPOR2, AFF1, AGFG1, AGRN et AHNAK dans le cluster 1 et C2orf68, CTTN, GPR108, HERPUD1, LRPAP1, MAP1LC3B2, NKIRAS2, NR1H2, PDE5D et PMPCA dans le cluster 2 (Figure 2C).

Ensemble génétique associé au sous-groupe de la DA

L’analyse d’enrichissement des ensembles géniques (GSEA) a révélé des profils d’enrichissement fonctionnel distincts entre les deux groupes transcriptomiques (Figure 3A). Le cluster 1 a montré un enrichissement significatif des voies impliquées dans la signalisation et l’adhésion cellulaires, y compris l’adhésion focale (Figure 3B) et la voie de signalisation MAPK (Figure 3C), suggérant un état actif caractérisé par une augmentation des interactions cellulaire-cellule-matrice extracellulaire et une prolifération. En revanche, le Cluster 2 a montré un fort enrichissement pour la phosphorylation oxydative (Figure 3D) et la fonction du protéasome (Figure 3E), suggérant un phénotype métabolique actif oxydatif et protéolytique.

Gènes co-exprimés dans les groupes moléculaires de la DA

Pour identifier les modules de co-expression associés aux sous-types transcriptomiques, le WGCNA a été réalisé après prétraitement des données. Les échantillons aberrants ont d’abord été identifiés et retirés sur la base d’un regroupement hiérarchique des distances d’échantillon afin d’assurer la robustesse de la construction des réseaux en aval (Figure 4A). Une puissance de seuil doux a ensuite été sélectionnée en utilisant le critère de topologie sans échelle, avec une puissance de 6 choisie pour obtenir un R² > 0,85 sans échelle (Figure 4B). Les modules géniques ont été identifiés par regroupement hiérarchique et découpe dynamique d’arbres, suivis par un regroupement d’eigengènes pour fusionner des modules étroitement liés (Figure 4C et Figure 4D). Le réseau génique résultant a été visualisé à l’aide d’une carte thermique de chevauchement topologique, confirmant la présence de schémas distincts de co-expression génique (Figure 4E). L’analyse de la relation module-trait a révélé une corrélation forte et significative entre le module MEyellow (_gène N = 743) et le sous-groupe moléculaire (Figure 4F).

L’enrichissement fonctionnel du sous-groupe de la MA associé aux gènes mitochondriaux

Une analyse d’enrichissement GO et KEGG a ensuite été réalisée sur les gènes intersectés (N = 85) parmi les DEG, les gènes du module MEyellow, et une liste de protéines mitochondriales de MitoCarta3.0 (Figure 5A) afin d’étudier les rôles fonctionnels des gènes associés aux mitochondriaux à l’origine des différences transcriptionnelles entre grappes. L’analyse des voies KEGG a identifié un enrichissement dans la phosphorylation oxydative et les voies métaboliques (Figure 5B). L’analyse d’enrichissement GO a révélé une surreprésentation significative de termes associés à la fonction mitochondriale, notamment la synthèse mitochondriale d’ATP entraînée par la force motrice des protons, le complexe de la chaîne respiratoire et l’activité NADH déshydrogénase (Figure 5C), suggérant que ces gènes sont principalement associés au métabolisme et à la régulation de l’énergie mitochondriale.

Gènes mitochondriaux hub dans la différenciation moléculaire de la DA

Pour identifier les gènes clés des 85 gènes associés au sous-groupe du transcriptome mitochondrial, un réseau IPP a été construit (Figure 6A). Sur la base du classement dans chacune des sept mesures topologiques (voir méthodes), les 30 gènes les plus importants ont été sélectionnés, et leurs intersections ont été analysées et visualisées dans un graphique UpSet (Figure 6B). Cette analyse a abouti à quatre gènes hub systématiquement identifiés comme des nœuds centraux selon tous les critères de classement (BAD, BOLA1, CHCHD5, ISOC2). Leurs profils d’expression ont été examinés sur les deux clusters transcriptomiques et ont constaté que les quatre gènes hub étaient significativement surélevés dans le Cluster 1 par rapport au Cluster 2 (Figure 6C). L’analyse de corrélation par paires de l’expression génique a montré des corrélations positives entre les quatre gènes, indiquant une régulation coordonnée, CHCHD5 et ISOC2 présentant la corrélation la plus forte (Figure 6D). De plus, un modèle de classification que nous avons construit en utilisant l’expression de ces quatre gènes a démontré un pouvoir discriminatoire robuste entre les deux groupes, la courbe ROC montrant une aire sous la courbe (AUC) > 0,7 (Figure 6E). De plus, une analyse du réseau régulateur des facteurs de transcription (TF) a été réalisée pour étudier les mécanismes régulateurs régissant l’expression des quatre gènes hubs identifiés. Tous les facteurs de transcription connus et prédits susceptibles de réguler ces gènes hubs ont été interrogés depuis hTFtarget, et les résultats ont été intégrés et visualisés sous forme de réseau régulateur transcriptionnel (Figure 7). Dans le réseau de régulation des gènes TF-hub, BAD comptait le plus grand nombre de TF, et ATF3, BRD2, BRD4 et CEBPA interagissaient chacun avec les quatre gènes centrals, suggérant un mécanisme régulateur commun.

Comparaison de l’infiltration des cellules immunitaires entre les sous-groupes de la DA

Pour étudier le paysage immunologique associé aux sous-groupes transcriptomiques, une analyse d’infiltration des cellules immunitaires à l’aide de CIBERSORT a été réalisée, qui estime les proportions relatives de 22 types de cellules immunitaires à partir des données de transcriptome en vrac (Figure 8). Parmi les sous-ensembles immunitaires, les lymphocytes T régulateurs (Tregs) se sont révélés significativement plus abondants dans le Cluster 1, suggérant un microenvironnement immunosuppresseur potentiellement associé à une activité mitochondriale et des voies de signalisation à la hausse dans ce groupe. En revanche, les lymphocytes T auxiliaires folliculaires étaient significativement enrichis dans le cluster 2, indiquant une réponse immunitaire adaptative potentiellement plus active dans ce sous-groupe.

DISPONIBILITÉ DES DONNÉES :

Les données transcriptomiques analysées dans cette étude sont publiquement disponibles dans le dépôt Gene Expression Omnibus (GEO) sous les numéros d’accès GSE121212, GSE157194, GSE193309 et GSE277961 (https://www.ncbi.nlm.nih.gov/geo/).

Figure 1 : Regroupement consensuel des échantillons de lésion de dermatite atopique basé sur des profils transcriptomiques. (A) Carte thermique et regroupement hiérarchique de la matrice de consensus entre les échantillons de dermatite atopique (MA). (B) Fonction de distribution cumulative consensuelle (CDF) graphique utilisé pour déterminer le nombre optimal de groupes (k = 2–10). (C) Graphique de l’aire delta montrant la variation relative de l’aire sous la courbe CDF pour chaque k. (D) Attribution consensuelle du groupe pour k = 2. Chaque colonne représente un échantillon individuel, et les couleurs indiquent l’appartenance au groupe (Groupe 1, rouge ; Cluster 2, sarcelle). Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 2 : Expression différentielle des gènes des sous-types moléculaires de la dermatite atopique. (A) graphique d’inclusion stochastique des voisins (t-SNE) distribué par t des échantillons AD. Chaque point représente un échantillon projeté en deux dimensions et est coloré selon l’affectation du cluster. (B) Graphique volcanique des gènes différenciellement exprimés (DEG) entre le Cluster 1 et le Cluster 2. Chaque point représente un gène, tracé par un changement de multiplication log2 (axe x) et une valeur p ajustée de −log10 (axe y). Les points rouges et bleus indiquent des gènes fortement surélevés dans le Cluster 1 et le Cluster 2, respectivement, tandis que les points gris indiquent des gènes non significatifs. (C) Carte thermique des 10 gènes les plus hautement exprimés dans les Clusters 1 et Cluster 2. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 3 : Analyse de l’enrichissement de l’ensemble génétique des sous-types moléculaires de la dermatite atopique. (A) Graphique en barres à deux faces montrant les résultats GSEA entre le Cluster 1 et le Cluster 2, avec les voies supérieures significativement enrichies. Les voies enrichies dans le Cluster 1 sont montrées à droite, et celles enrichies dans le Cluster 2 sont à gauche. (B–E) Des graphiques d’enrichissement représentatifs pour l’adhésion focale, la voie de signalisation MAPK, la phosphorylation oxydative et les voies de protéasome. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 4 : Analyse pondérée du réseau de co-expression génique d’échantillons de dermatite atopique. (A) Échantillonnage de dendrogramme de regroupement basé sur les profils d’expression génique. (B) Indice d’ajustement topologique sans échelle et connectivité moyenne à travers des puissances de seuil souple (1–30). (C) Regroupement et carte thermique des eigengènes des modules, avec des couleurs indiquant les corrélations par paires. (D) Dendrogramme de regroupement hiérarchique montrant les gènes regroupés en modules co-exprimés. (E) Carte thermique de la matrice de chevauchement topologique (TOM), représentant la similarité des co-expressions entre paires de gènes. (F) Carte thermique des relations module–trait, montrant les corrélations entre les gènes propres des modules et les traits cliniques. Les coefficients de corrélation sont affichés dans chaque cellule, et l’intensité de la couleur indique la force et la direction de la corrélation (rouge, positif ; bleu, négatif). Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 5 : Ontologie des gènes et enrichissement des gènes mitochondriaux associés au sous-type par voie KEGG. (A) Diagramme de Venn montrant le chevauchement entre les DEG, les gènes modules associés au sous-type et les gènes mitochondriaux. (B) Graphique en bulles des 20 principales voies KEGG enrichies des gènes intersectants. (C) Les 10 termes de l’ontologie génique enrichie (GO) pour le processus biologique (BP), la composante cellulaire (CC) et la fonction moléculaire (MF). Toutes les analyses d’enrichissement ont été réalisées en utilisant un seuil de signification ajusté < une valeur p ajustée de 0,05 (taux de fausse découverte). Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 6 : Analyse des interactions protéine-protéine et identification des gènes centrals. (A) Réseau d’interaction protéine-protéine (IPP) de 85 gènes qui s’entrecroisent. Les nœuds représentent des protéines, et les arêtes indiquent des interactions prédites ou validées expérimentalement à partir de la base de données STRING. (B) Graphique UpSet montrant les intersections entre les 30 gènes les mieux classés selon sept mesures de centralité réseau. (C) Diagrammes en boîte montrant les niveaux d’expression de quatre gènes hub dans le Cluster 1 et le Cluster 2. (D) Analyse de corrélation par paires entre les quatre gènes centrals. (E) Courbe de caractéristique de fonctionnement du récepteur (ROC) montrant la performance de classification, avec la sensibilité tracée par rapport à la spécificité. La surface sous la courbe (AUC) indique une précision globale. La signification statistique dans le panel (C) a été évaluée à l’aide du test Wilcoxon de somme des rangs (*p < 0,05). Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 7 : Réseau régulateur des gènes hub. Les cercles rouges représentent les gènes hub et les cercles bleus représentent les facteurs de transcription (TF) associés. Les contours indiquent des interactions réglementaires. La taille de chaque nœud du gène hub reflète le nombre de TF interagissants. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 8 : Comparaison de l’infiltration des cellules immunitaires entre les sous-groupes de la dermatite atopique. Diagrammes en boîte montrant les proportions estimées de 22 types de cellules immunitaires dans chaque groupe (Cluster 1, rouge ; Cluster 2, sarcelle). Les astérisques (*) indiquent des différences statistiquement significatives entre les clusters, évaluées à l’aide du test de Wilcoxon à somme de rangs avec correction du taux de fausses découvertes pour les comparaisons multiples. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Discussion

La dermatite atopique est un trouble inflammatoire cutané répandu et génétiquement hétérogène, posant des défis importants pour des stratégies de traitement personnalisées. Cette étude apporte des éclairages sur l’hétérogénéité moléculaire de la DA en identifiant deux sous-groupes transcriptionnels distincts dans 266 échantillons de peau lésionnelle de patients atteints de la MA. Ces sous-groupes présentent un enrichissement biologique et une infiltration cellulaire immunitaire différents, le Cluster 1 étant caractérisé par des voies actives de signalisation cellulaire et d’adhésion ainsi qu’un enrichissement des lymphocytes T régulateurs (Tregs), tandis que le Cluster 2 se définit par une phosphorylation oxydative accrue et une fonction protéasome, ainsi qu’une augmentation des lymphocytes T auxiliaires folliculaires. Il est important de noter que quatre gènes associés aux mitochondriaux (BAD, BOLA1, CHCHD5 et ISOC2) ont été identifiés et sont surrégulés dans le Cluster 1. Ce sont des gènes hubs dans le réseau PPI de 85 gènes qui définissent les deux sous-types transcriptomiques et peuvent être régulés simultanément par des facteurs de transcription, notamment ATF3, BRD2, BRD4 et CEBPA.

Les deux groupes distincts ont été identifiés sur la base du schéma d’expression génique, ce qui suggère que la DA présente une hétérogénéité significative de l’expression génique. Des études antérieures ont montré que cette hétérogénéité pourrait être alimentée par des mécanismes génétiques, épigénétiques et médiés par le système immunitaire qui définissent des endotypes moléculaires^{distincts 5,30,31}. Entre les deux groupes, une infiltration différente des cellules immunitaires a également été observée : le groupe 1 caractérisé par des lymphocytes T régulateurs et le groupe 2 enrichi par des lymphocytes T auxiliaires folliculaires (Tfh), ce qui implique une hétérogénéité immunologique sous-jacente et des mécanismes potentiellement différents de la maladie dans la cohorte de la maladie d’Alzheimer. Un groupe dominé par le Treg suggère un environnement immunitaire où les mécanismes régulateurs sont marquants, reflétant possiblement des tentatives de contrôle de l’inflammation ou une réponse compensatoire à l’activation immunitaire^{chronique 32,33}. Cependant, dans la maladie d’Alzheimer, la fonction du Trog peut être altérée malgré des chiffres accrus, ce qui ne supprime pas efficacement l’inflammation. En revanche, un groupe enrichi en TFH indique un renforcement de l’aide des cellules B, une activité germinale accrue et une production probablement élevée d’IgE, qui sont des caractéristiques de réponses allergiques et de formes plus sévères ou extrinsèques de l’AD^34,35. Les cellules TFH sont connues pour soutenir la différenciation des cellules B et le changement de classe d’anticorps, et leur expansion est corrélée à l’activité de la maladie et à la sensibilisation^{allergique 36}. La présence de ces groupes distincts peut refléter différents phénotypes cliniques, des sévérités de la maladie ou des réponses à la thérapie, et souligne l’importance des approches personnalisées dans la recherche et le traitement de la DA.

On sait que le dysfonctionnement mitochondrial joue un rôle important dans la pathogenèse de la MA, grâce à des mécanismes tels que le maintien de la barrière^{épidermique 37}, la production d’espèces réactives d’oxygène³⁸ et la régulation de la réponse des cellules^{immunitaires 39}. Quatre protéines mitochondriales ont été identifiées comme nœuds centraux des gènes associés à la différenciation transcriptomique, capables de prédire le sous-type moléculaire avec une grande précision (AUC>0,7). Bien qu’aucune étude antérieure n’ait démontré le lien direct de ces gènes avec la MA, ces résultats suggèrent qu’ils sont des biomarqueurs potentiels pour stratifier les patients atteints de DA et évaluer le dysfonctionnement mitochondrial chez les patients atteints de MA. BAD (agoniste associé à BCL2 de la mort cellulaire) est un membre pro-apoptotique de la famille BCL-2 impliqué dans la signalisation apoptotique mitochondriale ; sa régulation à la hausse dans le Cluster 1 pourrait refléter un amorçage apoptotique mitochondrial renforcé dans ce sous-type. BOLA1 est une protéine mitochondriale impliquée dans la biogenèse des amas fer-soufre et la régulation du stress oxydatif. CHCHD5 (domaine hélice-enroulé-hélice-enroulé-hélice contenant 5) est une protéine de la membrane interne mitochondriale associée à l’organisation des cristes et à l’efficacité de la chaîne de transport électronique. ISOC2 (domaine isochorismatase contenant 2) a été lié à des processus métaboliques et à une fonction mitochondriale. La régulation à la hausse coordonnée de ces quatre gènes dans le Cluster 1 suggère un état d’activité métabolique mitochondriale accrue et de signalisation apoptotique dans ce sous-groupe de la DA.

Cette étude présente plusieurs limites. Bien que cette étude ait identifié deux sous-groupes moléculaires avec une expression génique distincte dans les gènes mitochondriaux et une infiltration cellulaire immunitaire séparée, nous manquons de données phénotypiques cliniques détaillées qui nous permettraient de corréler la stratification avec la gravité de la maladie et les réponses au traitement longitudinal. Pour comprendre pleinement ce que signifie la haute expression de ces quatre gènes hub dans le Cluster 1, les études futures devraient intégrer des métadonnées cliniques complètes et idéalement effectuer une validation fonctionnelle dans des modèles kératinocytes ou murins. De plus, cette étude s’appuie sur des données de RNA-seq en vrac disponibles publiquement ; Bien qu’il soit puissant en analyse à grande échelle, il manque de résolution dans certains types cellulaires. Cette limitation rend difficile de déterminer si l’expression différentielle observée des gènes mitochondriaux provient des kératinocytes, des cellules immunitaires infiltrantes ou d’autres populations cellulaires résidentes dans la peau. Avec l’utilisation étendue des approches transcriptomiques unicellulaires et spatiales, les recherches futures bénéficieraient beaucoup de la puissance de décomplexation des signaux d’expression et de fournir une vue d’ensemble plus précise du profil transcriptomique au niveau cellulaire. De plus, toutes les données ont été obtenues à partir d’échantillons de biopsie par punch, qui échantillonnent une peau d’épaisseur complète. De futures études intégrant l’ARN-seq à bande ruban pourraient offrir une approche complémentaire non invasive pour profiler le transcriptome épidermique superficiel et pourraient valider les signatures de sous-groupes identifiées dans un contexte minimalement invasif. L’intégration future de données d’ARN-seq unicellulaire et de transcriptomes spatiales améliorerait encore la résolution des signatures mitochondriales spécifiques au type cellulaire dans la peau de la MA.

En conclusion, cette étude a examiné l’hétérogénéité transcriptomique de la MA dans 266 échantillons, identifié des gènes mitochondriaux clés et une infiltration unique des cellules immunitaires, différenciant les sous-groupes. Ces résultats améliorent la compréhension de l’hétérogénéité moléculaire de la MA et mettent en lumière le potentiel de développer des approches de traitement de précision basées sur des profils moléculaires spécifiques.

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
CIBERSORT	Université Stanford	v0.1.0 ; la déconvolution des cellules immunitaires ; https://cibersortx.stanford.edu
clusterProfiler	Bioconducteur	v4.12.6 ; l’analyse d’enrichissement GSEA et GO/KEGG ; https://bioconductor.org/packages/clusterProfiler
ConsensusClusterPlus	Bioconducteur	v1.64.0 ; le regroupement consensuel non supervisé ; https://bioconductor.org/packages/ConsensusClusterPlus
DESeq2	Bioconducteur	v1.46.0 ; analyse différentielle de l’expression génique ; https://bioconductor.org/packages/DESeq2
Omnibus sur l’expression génique (GEO)	NCBI	Dépôt public de données transcriptomiques ; jeux de données GSE121212, GSE157194, GSE193309, GSE277961 ; https://www.ncbi.nlm.nih.gov/geo
ggplot2	CRAN	Visualisation des données ; https://ggplot2.tidyverse.org
ggraph	CRAN	Visualisation de graphes et de réseaux ; https://ggraph.data-imaginist.com
GseaVis	GitHub (junjunlab)	v0.1.0 ; la visualisation GSEA ; https://github.com/junjunlab/GseaVis
hTFtarget	Université des sciences et technologies de Huazhong	Base de données cible des facteurs de transcription humains ; http://bioinfo.life.hust.edu.cn/hTFtarget
igraphe	CRAN	construction et visualisation de réseaux ; https://igraph.org
limma	Bioconducteur	fonction removeBatchEffect ; https://bioconductor.org/packages/limma
MitoCarta3.0	Institut Broad	Base de données mitochondriale conservée ; https://www.broadinstitute.org/mitocarta
MSigDB (ensembles de gènes Hallmark)	Institut Broad	Base de données d’ensembles géniques pour GSEA ; https://www.gsea-msigdb.org/gsea/msigdb
org. Hs.eg.db	Bioconducteur	une base de données d’annotation du génome humain ; https://bioconductor.org/packages/org.Hs.eg.db
R	Équipe R Core	Environnement de calcul statistique ; https://www.r-project.org
STRING	EMBL	v12.0 ; une base de données d’interactions protéine-protéine ; https://string-db.org
sva (ComBat-seq)	Bioconducteur	v3.44.0 ; correction d’effet de lot ; https://bioconductor.org/packages/sva
WGCNA	CRAN	v1.73 ; analyse pondérée du réseau de co-expression génique ; https://cran.r-project.org/package=WGCNA