הרשמה ל-JoVE נדרשת לצפייה בתוכן זה. התחברו או התחילו בגרסת ניסיון בחינם.

מאמר שיטה

זיהוי סמן ביולוגי לספציפיות מגדרית של מחלת אלצהיימר בהתבסס על פרופילי שעתוק גליה

2K צפיות

⸱

DOI:

10.3791/66552

⸱

20 במאי 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

במאמר זה

סיכום

מחקר זה ניתח תעתיקי גרעינים בודדים של שלושים ושלושה אנשים עם מחלת אלצהיימר (AD), וחשף DEGs ספציפיים למין בתאי גלייה. ניתוח העשרה תפקודית הדגיש מסלולים סינפטיים, עצביים והורמונליים. זוהו גנים מרכזיים, כלומר NLGN4Y והרגולטורים שלו, והוצעו מועמדים טיפוליים פוטנציאליים לאלצהיימר ספציפי למגדר.

תקציר

סמנים ביולוגיים רבים ספציפיים למין התגלו לאחרונה במחלת אלצהיימר (AD); עם זאת, תאי גליה מוחיים דווחו רק לעתים רחוקות. מחקר זה ניתח 220,095 תעתיקי גרעינים בודדים מקליפת המוח הקדמית של שלושים ושלושה אנשים באלצהיימר במסד הנתונים GEO. גנים ספציפיים למין בעלי ביטוי דיפרנציאלי (DEGs) זוהו בתאי גלייה, כולל 243 באסטרוציטים, 1,154 במיקרוגליה ו-572 באוליגודנדרוציטים. ניתוחי ביאור פונקציונלי של Gene Ontology (GO) וניתוחי העשרת מסלולים של Kyoto Encyclopedia of Genes and Genomes (KEGG) חשפו ריכוז תפקודי במסלולים סינפטיים, עצביים והורמונליים. רשת אינטראקציה חלבון-חלבון (PPI) זיהתה MT3, CALM2, DLG2, KCND2, PAKACB, CAMK2D ו-NLGN4Y באסטרוציטים, TREM2, FOS, APOE, APP ו-NLGN4Y במיקרוגליה, ו-GRIN2A, ITPR2, GNAS ו-NLGN4Y באוליגודנדרוציטים כגנים מרכזיים. NLGN4Y היה הגן היחיד המשותף לשלושת תאי הגליה וזוהה כסמן ביולוגי לייחודיות המגדרית של אלצהיימר. רשת קו-רגולציה של גורם שעתוק גנים (TF)-miRNA זיהתה רגולטורים מרכזיים עבור NLGN4Y ו-TCMs היעד שלה. זוהו Ecklonia kurome Okam (Kunbu) ו-Herba Ephedrae (Mahuang), והוצגו ההשפעות של החומרים הפעילים על אלצהיימר. לבסוף, ניתוח העשרה של קונבו ומאהואנג הציע שהם עשויים לשמש כמועמדים טיפוליים לספציפיות מגדרית של אלצהיימר.

מבוא

מחלת אלצהיימר (AD) היא מחלה עולמית עם שכיחות גבוהה, והיא מהווה 60%-80% מהדמנציה1. למרות שכיחותה הגבוהה, הפתוגנזה המכניסטית של אלצהיימר אינה מוגדרת בבירור, ועד כה לא היו טיפולים יעילים2. הפתולוגיות העיקריות באלצהיימר זוהו כאטרופיה עצבית והצטברות של פסולת פתולוגית, בעיקר חלבון טאו הקשור למיקרוטובול, ו-β-עמילואיד (Aβ)3,4. הפתוגנזה של אלצהיימר קשורה לאוטופגיה חריגה, עקה חמצונית, תפקוד לקוי של המיטוכונדריה, דלקת והפרעת מטבוליזם של אנרגיה5. סקרי שכיחות הוכיחו כי שני שלישים מחולי אלצהיימר היו נשים6. הבדלים ספציפיים למין באלצהיימר קיימים באטיולוגיה, בביטויים קליניים, במניעה ובטיפול. לפיכך, חשיפת המנגנון הביולוגי הגורם להבדלים ספציפיים למין באלצהיימר והתמקדות ברפואה הסינית המסורתית (TCM) יכולה לספק מסגרת תיאורטית מקיפה יותר להבנת הפתוגנזה של אלצהיימר, ולהנחות עוד יותר את אסטרטגיית הטיפול המדויקת.

תאי נוירוגליה, במיוחד מיקרוגליה, אסטרוציטים ואוליגודנדרוציטים, עשויים לתרום לפתוגנזה של אלצהיימר. באלצהיימר, תאי מיקרוגליה מופעלים ומשנים גנטית, אשר תורמים לתגובה דלקתית, פגוציטוזה וסילוק Aβ 7,8; אסטרוציטים משתנים גנטית, מה שמשפיע על פעילות סינפטית, הומאוסטזיס יונים ומטבוליזם של אנרגיה ושומנים9; אוליגודנדרוציטים משתנים גנטית עם ספציפיות מין, מה שתורם לאובדן עצבי, סבכים נוירופיברילריים ונגעי חומר לבן10,11.

במחקר זה השתמשנו בריצוף RNA של גרעינים בודדים (snRNA-seq) כטכניקה מעולה. בהשוואה לריצוף RNA חד-תאי (scRNA-seq), snRNA-seq מציע יתרונות במונחים של עושר דגימה, שלמות סוג התא ואמינות נתונים12,13. SnRNA-seq נמצא בשימוש נרחב במחקרים המתמקדים באלצהיימר וחוקרים את תפקידם של תאי גלייה 14,15,16. אימוצו הרחב בתחומי מחקר אלה מדגיש את יעילותו במתן תובנות חשובות לגבי מאפייני השעתוק של תאי גלייה באלצהיימר. על ידי מינוף היתרונות של snRNA-seq, חוקרים הצליחו לחשוף מידע חיוני לגבי מעורבותם של תאי גלייה בפתולוגיה של אלצהיימר ולזהות מטרות טיפוליות פוטנציאליות. על מנת לחקור מאפייני שעתוק נוירוגליאלי ספציפיים למין באלצהיימר וTCMs פוטנציאליים לספציפיות המין של אלצהיימר, מחקר זה ניתח נתוני snRNA-seq מקליפת המוח הקדמית של חולי אלצהיימר ממסד הנתונים הציבורי NCBI GEO. גנים ספציפיים למין המבוטאים באופן דיפרנציאלי (DEGs), אונטולוגיה גנטית (GO), אנציקלופדיה קיוטו לגנים וגנומים (KEGG), רשת אינטראקציה חלבון-חלבון (PPI) ורשת גנים-TF-miRNA מנותחים עוד יותר כדי לחשוף סמנים ביולוגיים מרכזיים ופתוגנזה פוטנציאלית. לבסוף, הוצעו TCMs פוטנציאליים, והמרכיבים הפעילים שלהם הוצגו עם טבלאות על ידי חיפוש במסדי הנתונים Coremine Medical, TCMIP ו- TCMSP.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

שלבים 2 עד 9 של הניתוח יושמו באמצעות תוכנת R (ראה איור משלים 1 וקובץ משלים 1), ואילו שאר השלבים בוצעו בפלטפורמות המקוונות. פרטי מסדי הנתונים המשמשים בפרוטוקול זה (יחד עם קישורי האינטרנט) מסופקים בטבלת החומרים.

1. רכישת נתונים

  1. גש למסד הנתונים הזמין לציבור של ביטוי גנים אומניבוס (GEO) במרכז הלאומי למידע ביוטכנולוגי.
  2. חפש את נתוני GEO בשם מחלת אלצהיימר בתיבת החיפוש.
  3. בחר את האורגניזמים העליונים כהומו ספיינס בצד ימין.
    הערה: תוצאות החיפוש היו נתונים על מחלת אלצהיימר בהומו ספיינס.
  4. לאחר סינון המידע שחיפשת, הורד את קבצי הנתונים GSE167490 ו- GSE183068 , הכוללים את features.tsv, barcode.tsv ו- matrix.mtx עבור כל דגימת גרעינים בודדת. מערכי הנתונים כללו 34 דגימות של אלצהיימר שמקורן בקליפת המוח המצחית, עם התפלגות שווה של 17 דגימות זכרים ו-17 דגימות נשים (טבלה משלימה 1).

2. מיזוג דוגמאות

  1. הגדר את נתיבי הנתונים ואת שמות הדוגמאות בהתאם במחשב. ייבא את 34 הדגימות שהורדו והקצה שמות ספציפיים למין לדגימות באמצעות שמות הפונקציות.
  2. צור אובייקטי Seurat לכל הדגימות באופן עיבוד אצווה באמצעות רשימת הפונקציות ו - Read10X, תוך ציון הפרמטרים כ - min.cells = 3 ו - min.features = 200.
  3. השתמש בפונקציה RenameCells כדי להוסיף מזהים לדוגמה כקידומות לברקודי התא כדי לשמר ברקודים של תאים במהלך תהליך המיזוג. זה הבטיח שכל תא ישמור על זהותו הייחודית וניתן יהיה לעקוב אחריו בחזרה למקור הדגימה המקורי שלו לאחר המיזוג.

3. בקרת איכות (QC)

  1. השתמש בפונקציה PercentageFeatureSet כדי לחשב את יחסי הגנים המיטוכונדריאליים, יחסי גן אריתרוציטים ויחסי גנים ריבוזום עבור כל תא.
  2. אחסן יחסים מחושבים אלה במטה-נתונים באמצעות האופרטור [[ ]] כדי לצרף מידע זה ישירות למטה-נתונים של כל תא.
  3. השתמש בפונקציית קבוצת המשנה כדי לבצע סינון תאים, תוך ציון הפרמטרים כ- nFeature_RNA > 200, nFeature_RNA < 10000, nCount_RNA <- 60000, percent.mt <- 10, percent.rb <- 5 ו - percent. HB < 75.
  4. אל תכלול GSM5106107 מהניתוח.

4. בדיקת אפקט אצווה

  1. בצע עיבוד נתונים.
    1. נרמל את הנתונים באמצעות הפונקציה NormalizeData .
    2. זהה את 2000 תכונות המשתנים המובילות בערכת הנתונים באמצעות הפונקציה FindVariableFeatures .
    3. בצע ניתוח רכיבים עיקריים (PCA)17 על הנתונים באמצעות RunPCA, תוך שמירה על 50 רכיבים עיקריים.
    4. צור תרשים מרפק באמצעות הפונקציה ElbowPlot כדי לקבוע את מספר הממדים האופטימלי לניתוח הבא. שקול את 50 הממדים הראשונים.
    5. שנה את קנה המידה של הנתונים באמצעות ScaleData כדי להבטיח שכל התכונות הן בקנה מידה דומה.
    6. זהה את השכנים הקרובים ביותר באמצעות FindNeighbors בהתבסס על 30 ממדים.
    7. החל את אלגוריתם UMAP באמצעות RunUMAP כדי להקטין את ממדיות הנתונים ל- 30 ממדים.
  2. הצג באופן חזותי את הנתונים המעובדים באמצעות הפונקציה DimPlot כאשר פרמטר ההפחתה מוגדר ל- umap ופרמטר group.by מוגדר ל - orig.ident.
    הערה: שלב זה יכול ליצור התוויה הממחישה את הנתונים במרחב UMAP המצומצם, המקובץ לפי זהויות התאים המקוריות. לאחר בחינת חלקות UMAP, התברר כי קיים אפקט אצווה. ההתקבצות או ההפרדה הברורה של תאים בהתבסס על מקור האצווה או הניסוי שלהם הצביעו על כך שאצוות הניסוי השפיעו על פרופילי ביטוי הגנים.

5. שילוב נתונים

  1. נרמל ותקנן את הנתונים באמצעות הפונקציה SCTransform .
  2. החל את אלגוריתם הרמוניה18 כדי לשלב את 33 הנתונים הנותרים של גרעינים בודדים. השתמש בבדיקת SCT לשילוב והגדר את המספר המרבי של חזרות הרמוניה ל- 20.
  3. השתמש בפונקציה FindClusters עם פרמטר רזולוציה המוגדר ל- 0.07 כדי לזהות אשכולות נפרדים בתוך הנתונים.
  4. השתמש בפונקציה RunUMAP עם מספר ממדים מוגדר (dims = 30) כדי להפחית עוד יותר את ממדיות הנתונים ולהציג באופן חזותי את האשכולות במרחב ממדי נמוך יותר.

6. ביאור סוג תא

  1. לאסוף את גני הסמן (טבלה משלימה 2) של תאים באמצעות סקירה מקיפה של הספרות הקיימת.
  2. לאחר זיהוי הטרוגניות הצביר התאי, יש לסווג את סוג כל תא אשכול לפי גני הסמן המבוטאים באופן ספציפי.
  3. הצג סוגים תאיים שונים עם הדמיה UMAP באמצעות חבילת ggplot2, שבה oligodendrocyte היה מודגש עם קוד צבע #DB7093, נוירון מעורר עם #FF69B4, אסטרוציטים עם #1874CD, מיקרוגליה עם #63B8FF, תא מבשר oligodendrocyte עם #DB7093, נוירון מעכב עם #FFC0CB, תא אנדותל עם #FF69B4.
  4. חשב את הפרופורציות של כל סוג תא מרובד לפי מין.

7. חילוץ נתוני תאי גליה

  1. חלץ נתוני אסטרוציטים מהנתונים המשולבים בכמות גדולה באמצעות פונקציית תת-קבוצה.
  2. חלץ נתוני מיקרוגליה מהנתונים המשולבים בכמות גדולה באמצעות פונקציית תת-ערכה.
  3. חלץ נתוני אוליגודנדרוציטים מהנתונים המשולבים בכמות גדולה באמצעות פונקציית תת-קבוצה.

8. לכידת גנים בעלי ביטוי דיפרנציאלי ספציפי למין גליה (DEGs)

  1. זהה DEGs ספציפיים למין של אסטרוציטים באמצעות הפונקציה FindMarkers (dent.1 = זכר, ident.2 = נקבה, group.by = group.sum, assay = RNA) עם ערכי סף: p-value < 0.05 ו- |avg_log2FC| > 30. תייגו את ה-DEGs המווסתים כלפי מעלה כ-Up, את ה-DEGs המווסתים כלפי מטה כ-Down ואת השאר כ-Stable.
    1. דמיינו את ה-DEGs באמצעות הפונקציה ggplot , כאשר ציר ה-x מייצג את ההפרש באחוזים בין שני תנאים (pct.1 - pct.2), וציר y המתאר את avg_log2FC. הגנים המווסתים כלפי מעלה הודגשו על ידי שימוש בצבע PaleVioletRed, הגנים המווסתים כלפי מטה עם ורוד, והגנים היציבים עם DodgerBlue3.
  2. זהה DEGs ספציפיים למין של מיקרוגליה באמצעות הפונקציה FindMarkers (dent.1 = זכר, ident.2 = נקבה, group.by = group.sum, assay = RNA) עם ערכי סף: p-value < 0.05 ו- |avg_log2FC| > 1. תייגו את ה-DEGs המווסתים כלפי מעלה כ-Up, את ה-DEGs המווסתים כלפי מטה כ-Down ואת השאר כ-Stable.
    1. דמיינו את ה-DEGs באמצעות הפונקציה ggplot , כאשר ציר ה-x מייצג את ההפרש באחוזים בין שני תנאים (pct.1 - pct.2), וציר y המתאר את avg_log2FC. הגנים המווסתים כלפי מעלה הודגשו על ידי שימוש בצבע OrangeRed, הגנים המווסתים כלפי מטה עם LightSalmon, והגנים היציבים עם SteelBlue1.
  3. זהה DEGs ספציפיים למין של אוליגודנדרוציטים באמצעות הפונקציה FindMarkers (dent.1 = זכר, ident.2 = נקבה, group.by = group.sum, assay = RNA) עם ערכי סף: p-value < 0.05 ו- |avg_log2FC| > 10. תייגו את ה-DEGs המווסתים כלפי מעלה כ-Up, את ה-DEGs המווסתים כלפי מטה כ-Down ואת השאר כ-Stable.
    1. דמיינו את ה-DEGs באמצעות הפונקציה ggplot , כאשר ציר ה-x מייצג את ההבדל באחוזים בין שני תנאים (pct.1 - pct.2), וציר y המתאר את avg_log2FC. הגנים המווסתים כלפי מעלה הודגשו על ידי שימוש בצבע DeepPink, הגנים המווסתים כלפי מטה עם HotPink, והגנים היציבים עם DeepSkyBlue3.

9. ניתוחי העשרה פונקציונליים של DEGs ספציפיים למין

  1. בצע ניתוח העשרה של אונטולוגיה גנטית (GO) על DEGs ספציפיים למין עבור כל סוג תא גלייה באמצעות הפונקציה enrichGO . הגדר את הפרמטרים הבאים: OrgDb = org. Hs.eg.db, keyType = SYMBOL, ont = ALL, pAdjustMethod = BH, pvalueCutoff = 0.01 ו- qvalueCutoff = 0.05.
  2. המר את סמלי הגן למזהי גנים מתאימים באמצעות פונקציית bitr. ביצוע ניתוח העשרה של אנציקלופדיה לגנים וגנומים (KEGG) על DEGs ספציפיים למין עבור כל סוג תא גלייה באמצעות הפונקציה enrichEGG . התאם את ההגדרות באופן הבא: אורגניזם = יש, keyType = kegg, pAdjustMethod = BH, pvalueCutoff = 0.01 ו- qvalueCutoff = 0.05.

10. סטטיסטיקות תדירות של דגי גליה במסלולי גו וקג, דיאגרמות Venn של כל דג גליה ספציפי למין גלייה, ובניית רשת PPI

  1. חשב את התדירות של DEGs ספציפיים למין גלייה במסלולי GO ו- KEGG באמצעות היסטוגרמה של תדר.
  2. גש למסד הנתונים STRING כדי לבנות את רשתות PPI.
  3. בחר את חלבונים מרובים. חפש את רשימת השמות בתיבת החיפוש. הגדר "אורגניזמים" כהומו ספיינס.
  4. סקור את רשימת החלבונים המתקבלים מהחיפוש. לחץ על המשך כדי להמשיך.
  5. ייצא את רשתות PPI על ידי בחירת אפשרות ההורדה , רצוי בפורמט PNG עם רזולוציה גבוהה יותר.
  6. הצג באופן חזותי את התפלגות הביטוי המשותף עבור הגנים הספציפיים למין העליון באמצעות דיאגרמות Venn.
  7. זהה את הגנים המשותפים כגנים מרכזיים במחקר בהתבסס על ניתוח דיאגרמת Venn.

11. בניית רשת רגולטורית רב-גורמית

  1. גש ל- NetworkAnalyst.
  2. לחץ על קלט רשימת גנים וציין אורגניזם כמו H. sapiens (אדם). הגדר את סוג המזהה כסמל גן רשמי. הזן את שם הגן בשדה החיפוש ולאחר מכן לחץ על העלה והמשך.
  3. בחר אינטראקציות Gene-miRNA ובחר miRTarBase v8.0. אשר את הבחירה על ידי לחיצה על אישור.
  4. המשך לאינטראקציות TF-gene ובחר את מסד הנתונים ENCODE . לחץ על אישור כדי לאשר את הבחירה.
  5. לאחר מכן, נווט אל TF-miRNA Coregulatory Network ולחץ על אישור כדי להמשיך.
  6. לבסוף, בחר המשך כדי ליצור את רשת הבקרה הרב-גורמית המשלבת אינטראקציות גן-miRNA ואינטראקציות TF-gene.

12. ניתוח TCM גנטי ומטרה

  1. גש למסד הנתונים המקוון Coremine Medical.
  2. הזן את שם הגן הספציפי ובחר את הגן המתאים עם הסיומת גן/חלבון, אנושי בתיבת החיפוש תחת המקטע חקור .
  3. נווט במקטע סמים וזהה את ה-TCMs המשויכים לסמים שחיפשו בהם.
    הערה: תרופות מובהקות סטטיסטית סומנו בכחול.
  4. קבע את חמשת ה- TCMs המובילים בהתבסס על ערך "המשמעות" שלהם כ- TCMs טיפוליים.

13. סיכום מחקר של מרכיבי TCM במיקוד גן מפתח

  1. גש לפלטפורמת המחקר מבוססת הפרמקולוגיה האינטגרטיבית של הרפואה הסינית המסורתית (TCMIP) ולמסד הנתונים ופלטפורמת הניתוח של מערכות הרפואה הסינית המסורתית (TCMSP). הזן את שמות עשבי התיבול בסרגל החיפוש כדי לאחזר את המרכיבים המתאימים להם.
  2. אחזר את המרכיבים במסד הנתונים של PubMed עם מגבלת זמן עד 10 באפריל 2023. מונחי החיפוש כללו את שם המולקולה ב-TCMSP ואת הרכיבים הכימיים ב-TCMIP כמונחי חיפוש, והוגבלו למאמרים שפורסמו באנגלית.
  3. סכם ונתח את עשבי התיבול ואת המרכיבים המתאימים שלהם הפועלים על אלצהיימר.

14. אישור מיקוד תפקוד הטיפול של TCMs בספציפיות המין של אלצהיימר

  1. ייבא עשבי תיבול ל- TCMIP ונווט לדף התיאור המתאים.
  2. השתמש בפונקציה ייצוא נתונים ובחר בפורמט CSV כדי להוריד את מונחי ההעשרה של GO - תהליך ביולוגי, GO - רכיב תאי, GO - פונקציה מולקולרית ומסלול ריאקטום.
  3. הצג באופן חזותי את תנאי ההעשרה שהורדו עבור כל צמח באמצעות תרשימי עמודות.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

ניתוח SnRNA-seq של פרופילי שעתוק גליה קדמית וביאור סוגי תאים
בסך הכול התקבלו 220,095 גרעינים ו-32,077 גנים בקליפת המוח הקדמית של 17 זכרים ואלצהיימר ו-17 נקבות (איור 1A). תרשים UMAP המחיש את סך כל התעתיקים הקדמיים של גרעינים בודדים המציגים סוגים שונים של גרעינים לאחר ניתוח הפחתת ממד (איור 1B). המספרים הכוללים של גרעינים מבוארים שנלכדו לפי מגדר הוצגו, מה שהפך את הסכום הכולל 58,902 אסטרוציטים, 14,265 מיקרוגליה, 77,466 אוליגודנדרוציטים, 3,520 אנד...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

ייחודיות מגדרית זוהתה באפידמיולוגיה, פתולוגיה וביטוי קליני של שנת19 לספירה. כאן, אישרנו את המנגנון הפתולוגי הפוטנציאלי של "ציר הורמון-סינפסה-נוירון" מגנים גליה ספציפיים למין ומסלולים קשורים בחולי אלצהיימר. NLGN4Y היה הגן המשותף היחיד בשלושת תאי הגליה, והוא נבחר כסמן ביולוגי לייחודיות המגדרית של אלצהיימר. TF ו-miRNA המווסתים את NLGN4Y היו קשורים קשר הדוק להבדלים בין המינים ולהתפתחות מערכת העצבים. יתר על כן, ה- TCMs קונבו ומאהואנג נחשבו כבעלי פוטנציאל להשפיע על ציר "הורמון-סינפסה-נוירון" וזוהו כמועמ...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

אין ניגוד עניינים בכתב יד זה, וכל המחברים אישרו את הגשתו לפרסום.

תודות

המחברים אסירי תודה לג'סיקה סדיק, מייקל ר' אודאה, פיליפ הייזל וכו', על שסיפקו את מערך הנתונים GSE167490. המחברים מעריכים כי Faten A Sayed, Lay Kodama, Li Fan וכו ', מציעים את מערך הנתונים GSE183068. המחברים מודים ל-Shuqing Liu על העזרה בניתוח נתונים ול-Wen Yang על אספקת פלטפורמת ניתוח הנתונים. מחקר זה נתמך על ידי הקרן הלאומית למדעי הטבע של סין (82174511), אוניברסיטת צ'נגדו לרפואה סינית מסורתית מלגות חורשת משמש, תוכנית שיפור מחקר כישרונות משמעת (QJJJ2022001), תוכנית הכישרונות להתחדשות LiaoNing (XLYC 1807083), קרן לשכת מינהל סצ'ואן לרפואה סינית וצמחי מרפא (2023MS578), פרויקט לאומי להכשרת חדשנות ויזמות לתואר ראשון (202310633003X), ונושאים חדשניים של פרקטיקת מחקר מדעי לסטודנטים באוניברסיטת צ'נגדו לרפואה סינית מסורתית (KY-2023100). האנג'יה ליו והוי יאנג תרמו לעיצוב המחקר, לאיסוף, לפרשנות הנתונים, לניסוח ולתיקון כתב היד. שוצ'ינג ליו וסיו לי השתתפו בעיצוב המחקר, איסוף הנתונים וניסוח כתב היד. וון יאנג ואנואר עיישה היו אחראים על איסוף הנתונים ופענוחם. שין טאן הכין דמויות ו/או שולחנות. צ'ן ג'יאנג, יי ליו ולושואנג שיה הגו את המחקר וסקרו/ערכו את כתב היד. כל המחברים תרמו למאמר ואישרו את הגרסה שהוגשה.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
Database
Coremine Medicalשפותח במשותף על ידי נורבגיה, האקדמיה הסינית למדעים, האקדמיה הסינית למדעי הרפואה, הספרייה הרפואית הלאומית של ארצות הברית ומוסדותכאשר אתה חוקר מושגים ב-CoreMine Medical אתה ניגש למסד נתונים המובנה לקשר מושגים חשובים, מדורגים לפי רלוונטיות סטטיסטית, לנושא שלך. לדוגמה, אם תקליד "מחלת אלצהיימר", בנוסף לאחזור מסמכים ומשאבים הדנים במחלה, תוכל להציג רשתות ורשימות המראות כיצד מושג השאילתה שלך קשור למושגים ביו-רפואיים אחרים. זה מספק סקירה כללית של מושגים הקשורים לחיפוש שלך, כמו גם היותו ממשק לניווט במידע על מושגים אלה.
Weblink: https://coremine.com/medical/
Gene Expression Omnibus (GEO)National Center for Biotechnology Information in the United States (NCBI)GEO הוא מאגר נתונים גנומי פונקציונלי ציבורי התומך בהגשות נתונים תואמות MIAME. נתונים מבוססי מערך ורצף מתקבלים. כלים מסופקים כדי לעזור למשתמשים לבצע שאילתות ולהוריד ניסויים ופרופילי ביטוי גנים שנאספו.
קישור אינטרנט: https://www.ncbi.nlm.nih.gov/geo/
פלטפורמת מחקר מבוססת פרמקולוגיה אינטגרטיבית של רפואה סינית מסורתית (TCMIP, גרסה: 2.0)ללאמבוא לפלטפורמת המחקר החישובית המשולבת מבוססת פרמקולוגיה לרפואה סינית מסורתית [TCMIP v2.0], http://www.tcmip.cn/) זוהי כריית נתונים חכמה המבוססת על מאגר הנתונים המקוון של האנציקלופדיה לרפואה סינית מסורתית (ETCM), המשלבת שירותי ניהול ביג דאטה רפואי ומחשוב פרמקולוגי. מטרתו לחשוף את הקונוטציה המדעית של תורת הרפואה הסינית המסורתית ואת הערך המדעי של חשיבה מקורית ברפואה הסינית המסורתית, לסכם ולהעביר הלאה את ניסיונם של רופאים מפורסמים, לשלוט באיכות הרפואה הסינית המסורתית, להסביר את עקרונות הפעולה של הרפואה הסינית המסורתית, מחקר ופיתוח של רפואה סינית חדשה, במיוחד גילוי ואופטימיזציה של שילובי תרופות מודרניים, ספק בסיס נתונים חזק וכלים אנליטיים. בהתבסס על TCMIP v1.0, מיושם שדרוג מקיף, הכולל חמישה מסדי נתונים עיקריים ושבעה מודולים פונקציונליים. באמצעות שילוב מערכות ושילוב מודולים, ניתן להשיג במהירות ניתוח מקיף של המתאם הרב-שכבתי של רשת האינטראקציה "מרשם לתסמונת מחלה". כפלטפורמת כריית נתונים חכמה, TCMIP v2.0 תספק בסיס נתונים חזק ופלטפורמת ניתוח לחשיפת הקונוטציה המדעית של תיאוריית הרפואה הסינית המסורתית והערך המדעי של חשיבה מקורית ברפואה הסינית המסורתית, סיכום וירושה של ניסיונם של רופאים מפורסמים, בקרת איכות של הרפואה הסינית המסורתית, הבהרת עקרונות הפעולה של הרפואה הסינית המסורתית, מחקר ופיתוח של תרופות חדשות לרפואה סינית מסורתית, במיוחד גילוי ואופטימיזציה של שילובי תרופות מודרניות.
Weblink: http://www.tcmip.cn/TCMIP 
NetworkAnalystNoneNetworkanalysis היא פלטפורמת ניתוח ויזואליזציה מקוונת לניתוח ביטוי גנים ומטא-אנליזה. זה יכול לבצע ניתוח השוואתי, כמותני, דיפרנציאלי והעשרה של ביטוי גנים, ניתוח אינטראקציה בין חלבון לחלבון, ניתוח אינטגרציה של מערכי נתונים מרובים, ויכול גם לצייר תמונות בעלות ערך גבוה כגון PCA, דיאגרמת רשת אינטראקציה בין חלבון לחלבון, מפת חום, דיאגרמת הר געש, דיאגרמת וויין וכו'.
קישור אינטרנט: https://www.networkanalyst.ca/NetworkAnalyst/
מסד הנתונים של PubMedהמרכז הלאומי למידע ביוטכנולוגי בארצות הברית (NCBI)מאגר הנתונים של Pubmed הוא מאגר ספרות ביו-רפואית המנוהל על ידי הספרייה הלאומית לרפואה (NLM) בארצות הברית, שמטרתו לספק את תוצאות המחקר הרפואי העדכניות ביותר למדענים, רופאים, חוקרים וסטודנטים ברחבי העולם. מאגר זה אוסף ספרות ביו-רפואית מרחבי העולם, כולל מאמרים בכתבי עת, מאמרים, ספרים וכו'. נכון לעכשיו, מסד הנתונים של Pubmed אסף למעלה מ-30 מיליון מאמרים ומתעדכן באופן רציף מדי שבוע.
Weblink:
תוכנת https://pubmed.ncbi.nlm.nih.gov/ Rרוס איהקה ורוברט ג'נטלמןR היא שפה וסביבה למחשוב סטטיסטי וגרפיקה. זהו פרויקט של גנו הדומה לשפת ה-S ולסביבה שפותחה במעבדות בל (לשעבר AT& T, כיום Lucent Technologies) על ידי ג'ון צ'יימברס ועמיתיו. R יכול להיחשב כיישום שונה של S. ישנם
כמה הבדלים חשובים, אבל הרבה קוד שנכתב עבור S פועל ללא שינוי תחת R.
Weblink: https://www.r-project.org/
Traditional Chinese Chinese Systems Pharmacology Database and Analysis Platform (TCMSP)Zhejiang Jiuwei Health Co., LtdTCMSP הוא לא רק מאגר נתונים, אלא גם פלטפורמת ניתוח למשתמשים ללימוד מקיף של תרופות סיניות מסורתיות (TCM): כולל זיהוי רכיבים פעילים, סינון מטרות תרופות ויצירת רשתות תרכובות-מטרות-מחלות, כמו גם מידע פרמקוקינטי מפורט של תרופות הכולל דמיון לתרופה (DL), זמינות ביולוגית אוראלית (OB), מחסום דם-מוח (BBB), חדירות אפיתל מעי (Caco-2), ALogP, שטח פנים שלילי חלקי (FASA-) ומספר   אג"ח H  תורם/מקבל   (Hdon/Hacc). עד כה, TCMSP משך תשומת לב רחבה ומספר קבוצות פרסמו יותר מ-10 מאמרים באמצעות מסד הנתונים של TCMSP שלנו תוך כשנה.
קישור אינטרנט: https://tcmsp-e.com
אחרים

מקורות

  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).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

גלה מאמרים נוספים

סמנים ביולוגיים תלויי-מגדרטרנסקריפטומים של גרעינים בודדיםגנים המבטאים ביטוי דיפרנציאליסמנים ביולוגיים של אסטרוציטיםסמנים ביולוגיים של מיקרוגליהסמנים ביולוגיים של אוליגודנדרוציטיםויזואליזציית UMAPניתוח ביואינפורמטיקה
זיהוי סמן ביולוגי לספציפיות מגדרית של מחלת אלצהיימר בהתבסס על פרופילי שעתוק גליה
צרו קשר
המליצו לספרייה

פרטיות

תנאי שימוש

מדיניות

זכויות יוצרים © 2026 MyJoVE Corporation. כל הזכויות שמורות.