מחקר זה נועד להשתמש בניתוח ביואינפורמטי אינטגרטיבי של מאגרי נתונים ציבוריים של GEO, בשילוב עם הקשר תא יחיד, כדי לזהות גנים משותפים מועמדים בין הפרעה דיכאונית מג'וריונית לדרמטומיוזיטיס ולאפיין את התפוצרותם בין תת-קבוצות תאי חיסון במאגר נתונים חד-תאי הקשור לדרמטומיוזיטיס.
מאמר מחקר
ניתוח מחדש של טרנסקריפטומים ציבוריים חושף חתימות חיסוניות משותפות בין הפרעה דיכאונית מג'ורית לדרמטומיוזיטיס בהקשר של תא יחיד
Fei Teng*1,2 , Sisi Zheng*1 , Xiatian Zhang3 , Zhongwen Lu2 , Pengrui Wang2 , Peng Wang4 , Dongqing Yin1
1Beijing Key Laboratory of Mental Disorders, National Clinical Research Center for Mental Disorders & National Center for Mental Disorders, Beijing Anding Hospital, Capital Medical University, 2Beijing University of Chinese Medicine Third Affiliated Hospital, 3Institute for Regeneration and Repair, University of Edinburgh, 4The Second Department of Healthcare, China-Japan Friendship Hospital
* These authors contributed equally
נפתח בלשונית חדשה
במאמר זה
סיכום
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
תקציר
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
מחקר זה נועד לזהות אותות טרנסקריפטומיים משותפים מועמדים בין הפרעה דיכאונית מג'וריונית לדרמטומיוזיטיס באמצעות ניתוח ביואינפורמטי אינטגרטיבי של מערכי נתונים ציבוריים של GEO עם הקשר תא יחיד. תהליך העבודה האנליטי כלל ניתוח רשת ביטוי משולב של גנים משוקללים (WGCNA) לזיהוי מודולים מרכזיים, ניתוחי העשרה של אונטולוגיית גנים (GO) ואנציקלופדיה קיוטו לגנים וגנומים (KEGG) לאפיון פונקציונלי, ניתוח רשת מבוסס פלטפורמת ויזואליזציה של GeneMANIA ולרשתות לעדיפות גנים מועמדים, והערכת 113 מודלים של למידת מכונה בשילוב עם SHapley Additive exPlanations (SHAP) לבחירת תכונות אבחון. לאחר מכן בוצעו ניתוח העשרת מערך גנים (GSEA), ניתוח חדירה חיסונית והקשר מבוסס RNA-seq של תא יחיד כדי לאפיין עוד יותר את ההקשר התאי הקשור למערכת החיסון של האותות שזוהו. אינטגרציה של מערכי נתונים GEO הקשורים לדרמטומיוזיטיס זיהתה 570 גנים מבוטאים באופן שונה, מהם התקבלו 33 גנים משותפים מועמדים דרך WGCNA. העשרה פונקציונלית וניתוחי רשת הדגישו הגנה חיסונית, ציטוטוקסיות ונתיבים כמו PPAR, IL-17 ועיבוד אנטיגן, כאשר ELANE, PPBP ו-CTSG הופיעו כצמתים מחוברים מאוד. עדיפות תכונות מבוססת למידת מכונה שמרה על 8 גנים מועמדים שנבחרו על ידי המודלים, כלומר KIF4A, OLR1, KIR2DL4, KRT23, KIR3DS1, AZU1, SCG5 ו-LRRC37E. ניתוח חדירת מערכת החיסון קישר בין גנים משותפים אלה לתאי T רגולטוריים (Tregs), תאי פיטום במנוחה, תאים דנדריטיים במנוחה, ומקרופאגים מופעלים קלאסית (M1) ומופעלים לסירוגין (M2). ההקשר של RNA-seq של תא יחיד הציעה עוד יותר כי תת-קבוצות תאי T של CD8⁺ עם מצבי ציון גנים מועמדים שונים הראו דפוסי תקשורת בין-תאיים מובחנים. מתוכן, ציר MIF–(CD74+CD44) והאותות מתאי T בזיכרון נאיבי/מרכזי היו תכונות בולטות שדרשו אימות נוסף. בסך הכול, מחקר זה זיהה אותות טרנסקריפטומיים משותפים בין הפרעה דיכאונית מג'ורית לדרמטומיוזיטיס והדגיש הקשרים תאיים הקשורים לחיסונית שדורשים אימות נוסף בקבוצות נלוות אמיתיות.
מבוא
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
דרמטומיוזיטיס היא מחלה אוטואימונית מערכתית כרונית המאופיינת במעורבות דלקתית של העור והשריר השלד, המתבטאת קלינית בחולשה סימטרית של השרירים הפרוקסימליים ובנגעים עוריים ייחודיים, ובמקרים חמורים גם בתפקוד לקוי של רב-איברים1. הצטברות ראיות קליניות מדגישות כי חולים עם דרמטומיוזיטיס חווים לעיתים קרובות מחלות נלוות פסיכיאטריות, ובמיוחד הפרעה דיכאונית מג'וריונית 2,3,4. הפתוגנזה של הפרעה דיכאונית מג'ורית הקשורה לדרמטומיוזיטיס היא רב-גורמית, ונובעת מאינטראקציה מורכבת בין מצוקה פסיכוסוציאלית, דיסרגולציה נוירואנדוקרינית ודלקת חיסונית מערכתית. כאב מתמשך, עייפות וחולשה שרירית מתקדמת עלולים לפגוע משמעותית בתפקוד הפיזי ובאיכות החיים. עומסים אלה עלולים להוביל להפרעה בתפקידים חברתיים, לחץ פסיכולוגי כרוני וירידה באוטונומיה5. בנוסף, חשיפה ממושכת לגלוקוקורטיקואידים עלולה להפריע לציר ההיפותלמי-היפופיזה-אדרנל (HPA) ולפגוע בפלסטיות ההיפוקמפוס, ובכך להגדיל את הפגיעות לתסמינים הקשורים לדיכאון6. יתרה מזאת, הפעלה חיסונית מתמשכת ודלקת מערכתית בדרמטומיוזיטיס מוכרות יותר ויותר כגורמים פוטנציאלייםלתסמינים הקשורים לדיכאון. מתווכים היקפיים אלו עשויים להשפיע על מערכת העצבים המרכזית על ידי ויסות מטבוליזם של נוירוטרנסמיטרים ופלסטיות נוירופלסטית, ובכך לקשר בין אוטואימונית מערכתית לתופעות נוירופסיכיאטריות 7,8,9,10.
חשוב לציין שההיגיון הזה אינו מרמז שאף אחת מהמחלות היא הומוגנית ביולוגית. דרמטומיוזיטיס מורכב מתת-קבוצות מובחנות קלינית וסרולוגית, כולל פנוטיפים הקשורים ל-MDA5 ואנטי-TIF1-γ עם פרופילים דלקתיים וקליניים שונים 11,12,13. הפרעת דיכאון מג'ורי מוכרת גם היא יותר ויותר כמצב הטרוגני, והראיות הנוכחיות תומכות בקיומו של תת-סוג דלקתי-חיסוני במקום חתימה דלקתית אוניברסלית אחת14,15. בהתאם לכך, המחקר הנוכחי לא נועד להניח תוכנית מולקולרית משותפת אחת שמתאימה לכולם, אלא לסנן אותות טרנסקריפטומיים חופפים הקשורים למערכת החיסון שניתן לזהות ברמת הקוהורט בין מערכי נתונים ציבוריים עצמאיים.
מעבר ללחץ פסיכו-סוציאלי וחשיפה לטיפול, קשר ביולוגי יותר שניתן לבדוק בין הפרעה דיכאונית מג'וריונית לדרמטומיוזיטיס הוא דיסרגולציה משותפת בין מערכת החיסון לדלקת. הפרעת דיכאון מג'ורי היא מצב הטרוגני ואין להניח שיש לה פרופיל טרנסקריפטומי אוניברסלי אחד. עם זאת, ראיות מתכנסות תומכות בתת-סוג הקשור לדלקת של הפרעת דיכאון מג'ורי, ומחקרים טרנסקריפטומיים היקפיים זיהו חוסר ויסות של מסלולי חיסון מולד, נויטרופילים, אינטרפרון ומשלים בקבוצות של נפגעים 14,16,17. במקביל, איתות לחץ הקשור ל-MAPK גם הוא מעורב בפנוטיפים דיכאוניים18. דרמטומיוזיטיס, לעומת זאת, היא מחלה אוטואימונית מוכרת המונעת על ידי אינטרפרון, ומחקרים טרנסקריפטומיים בדם וברקמות שנפגעו הראו בעקביות הפעלה של אינטרפרון מסוג I ותוכניות דלקתיות חיסונית רחבות יותר; ניתוחים מולטי-אומיים עדכניים הדגישו עוד יותר את פעילות המסלולים הקשורה ל-ERK ו-p38 MAPK בדרמטומיוזיטיס 19,20,21. ביחד, ממצאים אלו מספקים נימוק ביולוגי סביר לבחינת האם תת-קבוצה של אותות טרנסקריפטומיים הקשורים למערכת החיסון עשויה לחפוף בין הפרעה דיכאונית מג'וריונית לדרמטומיוזיטיס בין מאגרי נתונים ציבוריים עצמאיים.
למרות תצפיות אלו, הבסיס המולקולרי שמאחורי החפיפה בין הפרעה דיכאונית מג'ורית לדרמטומיוזיטיס עדיין אינו מובן מספיק. חשוב לציין כי מאגרי הנתונים הציבוריים הזמינים כיום אינם מספקים קבוצה אמיתית של מטופלים שאובחנו בו זמנית עם הפרעת דיכאון מג'ורי ודלקת דרמטומיוזיטיס. לכן, במקום לנתח ישירות דיכאון אצל חולים עם דרמטומיוזיטיס, המחקר הנוכחי נועד לזהות אותות טרנסקריפטומיים משותפים מועמדים במאגרי נתונים ציבוריים נפרדים של הפרעות דיכאון מג'ורי ודרמטומיוזיטיס באמצעות מסגרת ביו-אינפורמטית אינטגרטיבית22. באופן ספציפי, מערכי נתונים טרנסקריפטומיים זמינים לציבור נותחו באמצעות ניתוח ביטוי דיפרנציאלי, ניתוח רשת קו-ביטוי גנטי משוקלל (WGCNA), ניתוח העשרה פונקציונלית, ניתוח מבוסס רשת, ותעדוף תכונות מבוססי למידת מכונה לזיהוי גנים מועמדים למחלות ומסלולים23. בנוסף, נותח מאגר נתונים חד-תאי הקשור לדרמטומיוזיטיס כדי להקשר את הגנים המועמדים ברמת התאים החיסוניים. כפי שמודגם באיור 1, זרימת העבודה האנליטית הכוללת מסוכמת בתרשים זרימה שלבי. במקום לקבוע מנגנון מחלות נלוות סופי, מחקר זה נועד ליצור מסגרת מונחית השערות לזיהוי אותות מולקולריים משותפים מועמדים בין הפרעה דיכאונית מג'וריונית לדרמטומיוזיטיס.
בהתאם לכך, מחקר זה אימץ מסגרת עדיפות מדורגת. מודולי הביטוי המשותפים הקשורים למחלה זוהו לראשונה בנפרד במאגרי נתונים של הפרעות דיכאון מג'ורי ודרמטומיוזיטיס, והחפיפה ביניהם שימשה להגדרת אותות משותפים מועמדים בין מחלות. מועמדים אלו הוסדרו לאחר מכן בהקשר פונקציונלי באמצעות העשרה וניתוח רשת מבוסס GeneMANIA, הועברו לעדיפות במסגרת סיווג ממוקדת דרמטומיוזיטיס באמצעות שיטות למידת מכונה, ולבסוף נבדקו במאגר נתונים חד-תאי הקשור לדרמטומיוזיטיס כדי לספק הקשר תאי.
איור 1: תרשים זרימה של תהליך איסוף וניתוח הנתונים. אנא לחצו כאן לצפייה בגרסה רחבה יותר של איור זה.
מספר גישות חלופיות שימשו לחקירת חפיפה מולקולרית בין מחלות. חיתוך פשוט של רשימות גנים מבוטאות באופן דיפרנציאלי (DEG) הוא פשוט חישובית אך חסר את המידע ההקשרי ברמת המודול המספק בניתוח ביטוי משותף, והוא רגיש לספי שינוי קיפול או ערך P שרירותיים. מאגרי המטא-אנליזה המסורתיים מעריך את גדלי ההשפעה בין מחקרים על אותה מחלה, אך אינו מיועד לזהות אותות משותפים בשני מצבים מובחנים. זרימת העבודה הנוכחית משלבת שכבות אנליטיות משלימות—חפיפת מודולי הבעה משותפת, העשרה פונקציונלית, ניתוח רשתות, עדיפות תכונות מבוססת למידת מכונה, דה-קונבולוציה חיסונית והקשר תא יחיד—כל אחד מהם משרת מטרה ייחודית במסגרת עדיפות רציפה. עיצוב רב-שכבתי זה מסייע להפחית את מספר הגנים המועמדים שלב אחר שלב ומספק הקשר ביולוגי מאומת ברמות שונות. הפרוטוקול חל על כל זוג מחלות שבהן קיימים מערכי נתונים טרנסקריפטומיים נרחבים ואופציונליים של תא יחיד זמינים לציבור, במיוחד כאשר קבוצות מקבילות אמיתיות אינן זמינות. עם זאת, זרימת העבודה היא תצפיתית ואינה כוללת מסגרות פורמליות של הסקת סיבתיות; כל הממצאים צריכים להתפרש כיצירת השערות ודורשים אימות ניסויי עצמאי.
בסך הכול, תהליך העבודה האנליטי תוכנן כאסטרטגיית עדיפות רציפה ולא כמסגרת הסקה סיבתית ישירה. כל שלב שירת מטרה ייחודית: חפיפת מודולים מבוססי WGCNA לזיהוי אות משותף מועמדים, העשרה/ניתוח רשת להקשר ביולוגי, למידת מכונה לתעדוף תכונות בסיווג הקשור לדרמטומיוזיטיס, וניתוח תא יחיד להקשר ברמת סוג התא.
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
פרוטוקול
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
מחקר זה השתמש רק במאגרי נתונים ציבוריים שלא מזוהו מתוך מאגר Gene Expression Omnibus (GEO). מכיוון שהעבודה כללה ניתוח משני של נתונים ציבוריים קיימים ולא כללה מגע ישיר עם משתתפים, התערבות או גישה למידע אישי מזהה, לא נדרשו אישור נוסף של ועדת אתיקה והסכמה מדעת.
מקורות נתונים ועיבוד מוקדם
כל ביטוי הגנים ומאגר הנתונים של תא יחיד התקבלו ממאגר GEO24. להפרעת דיכאון מג'ורי, נעשה שימוש במערך הנתונים GSE98793, הכולל דגימות דם היקפיות מ-128 מטופלים ו-64 ביקורת בריאה. לדרמטומיוזיטיס נבחרו מערכי נתונים על בסיס קריטריונים מוגדרים מראש, כולל פרופיל ביטוי של הומו סאפיינס, קבוצות מחלות וביקורת מזוהות בבירור, זמינות בהערות פלטפורמה למיפוי גשן לגנים, והתאמה לגילוי או ניתוח אימות. כאשר סדרת GEO כללה מספר תתי-סוגים של מיופתיה דלקתית, נלקחו רק דגימות דרמטומיוזיטיס ודגימות ביקורת תקינות למחקר הנוכחי. GSE1551, GSE46239 ו-GSE128470 שימשו כמאגרי גילוי/אימון, בעוד ש-GSE5370, GSE39454 ו-GSE11971 שימשו כמאגרי אימות עצמאיים. מערכי הנתונים של דרמטומיוזיטיס שנבדקו במחקר זה נגזרו בעיקר מרקמות שריר או עור שנפגעו ולא מדם היקפי. נתוני תא יחיד לדרמטומיוזיטיס נאספו ממאגר נתונים GSE190510.
מטריצות ביטוי גולמיות הורדו ממסד הנתונים של GEO יחד עם קבצי ההערות המתאימים של הפלטפורמה. מזהי הגשוש מופו לסמלים גנים רשמיים בהתאם להערות ה-GPL שסופקה על ידי היצרן. גשושים שלא ניתן היה למפות באופן חד-משמעי לסמל גן רשמי אחד הוסרו. כאשר מספר גשושים מופו לאותו גן, הם קרסו ברמת הגן באמצעות ערך הביטוי הממוצע שמיושם על ידי פונקציית 'avereps' בחבילת הלימה, וכך נוצרה מטריצת ביטוי של גן אחר דגימה.
כדי להפחית הטיה תלויה בעוצמה ולייצב שונות, יושם טרנספורמציה log2 כאשר הדבר מתאים בהתאם להתפלגות ערכי הביטוי. לאחר מכן בוצעה נרמול בין מערך באמצעות פונקציית 'normalizeBetweenArrays' בחבילת הלימה. ערכים חסרים, כאשר קיימים, הועברו באמצעות האצאת השכן הקרוב ביותר ב-K. עבור מאגרי הנתונים המשולבים לדרמטומיוזיטיס בוצעה תיקון אצווה באמצעות פונקציית 'ComBat' בחבילת ה-sva, כאשר מקור מערך הנתונים/פלטפורמה טופל כמשתנה האצווה וקבוצת הדגימה (דרמטומיוזיטיס לעומת בקרה בריאה) נכללים במטריצת העיצוב כדי לשמר את השונות הביולוגית המעניינת במהלך התאמת האצווה.
כל הניתוחים בוצעו ב-R באמצעות סביבת פיתוח משולבת עבור R על מערכת הפעלה שולחנית. חבילת הלימה שימשה לסיכום ונירמול של הגלאי. חבילת ה-sva שימשה לתיקון אצווה של ComBat. ערכים חסרים הועברו באמצעות הטמעת השכן הקרוב ביותר ב-K = 10.
ניתוח רשתות ביטוי משולב של גנים משוקללים
ניתוח רשת קו-ביטוי של גנים משוקללים (WGCNA) בוצע בנפרד עבור מערכי הנתונים של הפרעת דיכאון חמורה ודרמטומיוזיטיס באמצעות חבילת WGCNA R25,26. הדגימות היו מקובצות היררכית באמצעות flashClust לזיהוי חריגים; דגימות עם גובה דנדרוגרם מעל 100 וגנים ב-25% התחתונים של השונות הוצאו. לכל רשת נבחר הספק סף רך (β) באמצעות pickSoftThreshold להשגת טופולוגיה משוערת ללא קנה מידה (R2 > 0.8). מטריצת השכנות הוסבה למטריצת חפיפה טופולוגית (TOM), ומודולים זוהו באמצעות חיתוך עץ דינמי עם גודל מודול מינימלי של 60 וגובה חיתוך מיזוג של 0.2527. חבילת WGCNA R שימשה יחד עם flashClust לאשכול היררכי. הזרע האקראי הוגדר ל-12345 לצורך שחזור. העצמיים של המודול היו מקושרים למצב המחלה באמצעות קורלציה של פירסון, כאשר ערכי P הותאמו בשיטת בנג'מיני–הוכברג. לכל מחלה, המודול שהראה את הקשר החזק והמשמעותי ביותר למצב המחלה נשמר כמודול המרכזי הקשור למחלה. החפיפה בין גני המודל המרכזיים ממאגר הנתונים של הפרעת דיכאון מג'ורית לאלו ממאגר הנתונים של דרמטומיוזיטיס הוגדרה כקבוצת הגנים המשותפת המועמדת לניתוחים במורד הזרם. ניתוח ביטוי שונה של קבוצת הדרמטומיוזיטיס המשולבת בוצע בנפרד כדי לאפיין שינויים בתעתוק הקשורים לדרמטומיוזיטיס.
ניתוח העשרה פונקציונלית
ניתוח העשרת אונטולוגיית גנים (GO) בוצע באמצעות R. סמלי גנים הומרו ל-Entrez ID באמצעות org. Hs.eg.db ומונחי GO מועשרים משמעותית (p < 0.05) זוהו באמצעות enrichGO ב-clusterProfiler. לצורך המחשה רב-ממדית של התוצאות, נוצרו גרפים עמודים וגרפים בועות באמצעות חבילת enrichplot, בעוד שנבנה גרף מעגלי עם חבילת circlize להצגת קטגוריות GO, ספירת גנים וגורמי העשרה. אגדות נוספו עם חבילת ComplexHeatmap. אנציקלופדיית קיוטו לגנים וגנומים (KEGG) נערך גם ניתוח העשרת מסלולים של גנים מבוטאים באופן שונה ב-R. סמלי גנים הומרו ל-Entrez IDs המבוססים על הארגון. מסד נתונים Hs.eg.db ונתיבים מועשרים משמעותית (FDR < 0.05) זוהו באמצעות פונקציית enrichKEGG מחבילת clusterProfiler 28,29,30,31. תוצאות ההעשרה הוצגו באמצעות גרפים של בר ובועה.
ניתוח רשת אסוציאציה פונקציונלית מבוסס GeneMANIA
בהתבסס על הגנים המשותפים שזוהו קודם, נבנתה רשת אסוציאציה פונקציונלית מבוססת GeneMANIA כדי לחקור את ההקשר האינטראקטיבי בין גנים אלה לשותפיהם הקרובים. רשימת הגנים הוגשה ל-GeneMANIA תוך שימוש בהומו ספיינס כמין ייחוס. GeneMANIA משלבת מספר סוגי ראיות, כולל ביטוי משותף, אינטראקציות פיזיות, מסלולים, קו-לוקליזציה, אינטראקציות גנטיות ותחומי חלבון משותפים. הרשת שהתקבלה יוצאה ויובאה לפלטפורמת ויזואליזציה של רשת לצורך ויזואליזציה וניתוח. ניתוח טופולוגי של הרשת בוצע לאחר מכן בפלטפורמת ויזואליזציה של רשת לצורך ויזואליזציה וניתוח לזיהוי צמתים מועמדים מחוברים מאוד 32,33,34.
בניית מודלים אבחנתיים מבוססת למידת מכונה
אלגוריתמים רבים של למידת מכונה שימשו לסיווג אבחון, כולל יער אקראי (RF), מכונת וקטור תמיכה (SVM), ניתוח ליניארי מבחין (LDA), בייז נאיבי, מכונת הגברת גרדיאנט (GBM), XGBoost, glmBoost, רשת אלסטית (Enet), רכס, אופרטור התכווצות ובחירה מוחלט מינימלי (LASSO), מודל ליניארי מוכלל שלב בשלב (Stepglm), ומודל ליניארי מוכלל רגרסיה חלקית של מינימום ריבועים (plsRglm)35. מסגרת מודלים דו-שלביתית יושמה ליצירת 113 שילובי מודלים מועמדים. בשלב הראשון, האלגוריתם הראשוני שימש לסינון משתנים בקבוצת ההכשרה; בשלב השני, השתמשו במשתנים שנשמרו כדי להתאים למודל סיווג אבחני. מודלים עם ≤5 משתנים נבחרים הוצאו מהשוואות נוספות. מערכי הנתונים המשולבים של דרמטומיוזיטיס שימשו כקבוצת האימון, כאשר התוויות הוגדרו כדרמטומיוזיטיס לעומת ביקורת בריאה, בעוד שקבוצת האימות העצמאית שימשה להערכת ביצועים חיצונית. דגימה מחדש פנימית וכיוונון היו ספציפיים לאלגוריתם: מודלים מבוססי glmnet (LASSO, Ridge ו-Elastic Net) השתמשו באימות צולב של 10 פעמים לבחירת lambda.min; GBM השתמש באימות פנימי צולב של 10 פעמים כדי לקבוע את המספר האופטימלי של עצים; XGBoost השתמש בדגימה חוזרת של 5 פעמים כדי לבחור את סבב ההגברה הסופי לפי ה-log-loss המינימלי של הבדיקה; glmBoost השתמשה באימות חוצה פנימי מבוסס cvrisk כדי לקבוע את האיטרציה העוצרת; ו-LDA הותאמה במסגרת האימות הצולב של הקרט. לאלגוריתמים ללא שלבי כוונון מפורשים במימוש הנוכחי, השתמשו בהגדרות קבועות או ברירת מחדל של חבילה. כדי להפחית דליפת מידע, בוצעו בחירת תכונות, התאמת מודלים וכיוונון פנימי באמצעות קבוצת האימון בלבד, בעוד שקבוצות האימות שימשו אך ורק לחיזוי עצמאי ולהערכת ביצועים מבוססת AUC. חבילת ה-caret שימשה לניהול זרימת עבודה בלמידת מכונה, עם glmnet, randomForest, e1071, gbm, xgboost, mboost, plsRglm ו-MASS לאלגוריתמים בודדים. ניתוח SHAP בוצע באמצעות חבילת shapviz . הזרע האקראי נקבע ל-12345 לפני כל התאמת דגם. מודלים עם פחות מ-5 תכונות נבחרות הוצאו. יכולת הפירוש של המודל ותרומת הגנים הוערכו בהמשך באמצעות SHapley Additive exPlanations (SHAP), והגנים המידעיים ביותר קיבלו עדיפות כמאפיינים מועמדים שנבחרו על ידי המודל לפרשנות ביולוגית במורד הזרם.
הערכת ביצועי האבחון
עקומות מאפייני תפעול מקלט (ROC) נוצרו באמצעות חבילת "pROC" R כדי להעריך את ביצועי האבחון של סמנים ביולוגיים מועמדים. רמות הביטוי והדיוק החיזוי של הסמנים המועמדים אומתו במאגרי נתונים עצמאיים (GSE5370, GSE11971 ו-GSE39454). ביצועי המודל הוערכו בהמשך באמצעות מטריצות בלבול. ביטוי שונה של גני מודול מפתח הוצג באמצעות גרפים של הרי געש ותיבה, ונבנו עקומות ROC להערכת ערך האבחון של גנים בודדים.
ניתוח העשרת קבוצות גנים
כדי לחקור שינויים תפקודיים מתואמים הקשורים לאותות הטרנסקריפטומיים המשותפים המועמדים, בוצע ניתוח העשרת מערך גנים (GSEA) באמצעות clusterProfiler36,37. נתוני ביטוי גנים מדרמטומיוזיטיס ומדגימות ביקורת דורגו לפי ביטוי שונה. מערכי גנים מוגדרים מראש המתאימים למסלולי KEGG (c2.cp.kegg.Hs.symbols.gmt) שימשו להערכת האם גנים בכל מסלול מציגים מגמה מתואמת של ויסות עלייה או ירידה. המובהקות הסטטיסטית הוגדרה כ-P < 0.05.
ניתוח חדירת תאי חיסון
מטריצת דרמטומיוזיטיס מנורמלת, שעברה שינוי log2 ותוקנה באצוות שימשה לדקונבולוציה חיסונית. אלגוריתם CIBERSORT יושם כדי להעריך את השפע היחסי של תתי-סוגי תאי החיסון באמצעות מטריצת הייחוסLM22 38. דגימות עם דה-קונבולוציה P < 0.05 נשמרו לניתוח במורד הזרם. הבדלים בפרופורציות התאים החיסוניות בין קבוצות הוצגו באמצעות גרפים בקופסה, ונערך ניתוח קורלציה של ספירמן להערכת קשרים בין תת-קבוצות תאי חיסון לגנים משותפים מועמדים.
ניתוח ריצוף RNA חד-תאי להקשר תאי
ניתוחי RNA-seq חד-תאיים בוצעו ב-R באמצעות Seurat. Harmony שימש לתיקון אצווה, DoubletFinder לזיהוי doublet, celda/decontX להערכת RNA סביבתית, Monocle לניתוח מסלול פסאודו-זמן, CellChat לניתוח תקשורת תא-תא, AUCell לניקוד פעילות קבוצות גנים, ו-GSVA לניקוד ssGSEA. מטריצות ספירת גולמיות יובאו לאובייקטים של Seurat עם הפרמטרים min.cells = 5 ו-min.features = 300. מדדי בקרת איכות, כולל פרופורציות גנים מיטוכונדריאליים, ריבוזומליים והמוגלובין, חושבו עבור כל תא. התאים נשמרו רק אם עמדו בכל הקריטריונים הבאים: nFeature_RNA > 500, nCount_RNA < 5,000, percent_mito < 25, percent_ribo > 3, ו-percent_hb < 1. גנים שזוהו בפחות מ-3 תאים הוצאו. בנוסף, הוסרו גני MALAT1 והמיטוכונדריה לפני הניתוח במורד הזרם. לאחר סינון ראשוני, זוהו דאבלטים בכל מדגם באמצעות DoubletFinder, כאשר PCs = 1:30 ו-pN = 0.25; שיעורי הדאבלטים הצפויים נקבעו לפי מספרי תאים ספציפיים לדגימה (<4,000 תאים: 2.5%; 4,000–8,000 תאים: 5%; >8,000 תאים: 6.5%). רק סינגלטים נשמרו. זיהום ה-RNA הסביבתי הוערך עוד באמצעות decontX, ותאים עם ציוני זיהום < 0.2 נשמרו.
הנתונים המסוננים ננורמו באמצעות שיטת LogNormalize עם גורם קנה מידה של 10,000, ולאחר מכן זיהוי גנים משתנים, קנה מידה של נתונים וניתוח רכיבים עיקריים. אפקטי אצווה בין דגימות תוקנו באמצעות Harmony עם orig.ident כמשתנה אצווה. 15 הממדים הראשונים של Harmony שימשו לוויזואליזציה של UMAP ולבניית גרף שכנים. האשכולות בוצעו באמצעות FindNeighbors ו-FindClusters, ותוצאת האשכול הסופית הוגדרה ברזולוציה של 0.05. סוגי התאים סומנו ידנית לפי גנים קנוניים לסמן יחד עם תוצאות FindAllMarkers39.
לצורך הקשר תפקודי במורד הזרם, פעילות הגנים המועמדים הוערכה ברמת התא היחיד, ותת-הקבוצה הרלוונטית של תאי החיסון עברה ניתוחי מסלול ותקשורת בין-תאית. ניתוח פסאודו-זמן בוצע באמצעות מונוקל עם הפחתת ממדיות מבוססת DDRTree ואחריה סידור תאים. ניתוח תקשורת תאים-תאים בוצע באמצעות CellChat עם מאגר הליגנד-קולטנים האנושי, המוגבל לקטגוריית איתות מופרש, ותקשורת שכללה פחות מ-10 תאים סיננה החוצה.
עבור כל תא, פעילות הגן המועמד נמדדה באמצעות שלוש גישות משלימות: AUCell, ssGSEA ו-AddModuleScore. ציוני AUCell חושבו על בסיס מטריצות דירוג גנים, וציוני ssGSEA נוצרו באמצעות מסגרת GSVA. AddModuleScore חושב באמצעות פונקציית Seurat המובנית. ערכי AUCell, ssGSEA ו-AddModuleScore שהתקבלו אוחדו למטריצת ניקוד אחת. כל סוג ציון עבר תחילה סטנדרטיזציה באמצעות טרנספורמציית ציון Z ולאחר מכן הוסב לטווח 0–1 באמצעות נרמול מינימום-מקסימום. הציון המשולב הסופי ("ניקוד") לכל תא הוגדר כסכום שלושת הציונים המנורמלים:
ניקוד = AUCell מנורמל + ssGSEA מנורמל + Normalized AddModuleScore.
לניתוחי תת-קבוצה במורד הזרם, הוסר תת-הקבוצה של תאי ה-T של CD8⁺, והתאים חולקו לפי ערך הניקוד החציוני בתוך תת-קבוצה זו. תאים עם ערכי ניקוד גדולים מהממוצע הוקצו לקבוצת High_Hub_genes, בעוד שהתאים הנותרים הוקצו לקבוצת Low_Hub_genes.
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
תוצאות
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
זיהוי גנים משותפים מועמדים בין הפרעת דיכאון מג'ורי לדרמטומיוזיטיס
לאחר מיזוג נתונים, נרמול ותיקון אצווה של מאגרי נתונים GEO הקשורים לדרמטומיוזיטיס (איור 2A,B), זוהו בסך הכל 570 גנים מובעים באופן שונה (איור 2C,D), הכוללים 517 גנים עם ויסות גבוה ו-53 גנים עם ויסות נמוך יותר. ניתוח ביטוי שונה של דרמטומיוזיטיס שימש לאפיון שינויים בתעתוק הקשורים למחלה.
...הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
דיון
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
דרמטומיוזיטיס היא מחלה אוטואימונית מערכתית כרונית עם מעורבות בולטת בעור ובשריר, ותצפיות קליניות מצטברות מצביעות על כך שמטופלים עם דרמטומיוזיטיס עלולים גם לחוות עומס פסיכיאטרי משמעותי, כולל תסמינים התואמים להפרעת דיכאון מג'ורי. בהקשר זה, המחקר הנוכחי יישם מסגרת אינטגרטיבית לניתוח מחדש ביואינפורמטי לזיהוי אותות טרנסקריפטומיים משותפים בין הפרעה דיכאונית מג'ורית לדרמטומיוזיטיס, עם ניתוח נוסף של חדירת מערכת חיסון והקשריות תא יחיד. WGCNA, ניתוח העשרה פונקציונלית, ניתוח רשת מבוסס GeneMANIA ותעד...
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
גילויים
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
המחברים מדווחים שאין ניגודי עניינים בעבודה זו.
תודות
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
המחברים מודים בהכרת תודה על התמיכה הכספית מתוכנית המחקר הקליני המצוינת של ועדת הבריאות העירונית של בייג'ינג (מספר מענק: BRWEP2024072120118), "תוכנית הטיפוח" של מרכז ניהול בית החולים העירוני של בייג'ינג (מספר מענק: PZ2025030), פרויקט הנוער של בית החולים לידידות סין-יפן (מס' 2020-1-QN-8).
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
חומרים
```html
| שם | חברה | מספר קטלוג | הערות |
|---|---|---|---|
| AddModuleScore | פונקציית Seurat | גרסה 4.4.0 | חישוב ציון מודול בתוך Seurat RRID: NA |
| AUCell | Bioconductor | גרסה 1.32.0 | ניתוח פעילות גנים של תא יחיד RRID: SCR_021327 |
| caret | CRAN | גרסה 7.0.1 | תמיכה בזרימת עבודה של למידת מכונה RRID: SCR_022524 |
| celda / decontX | Bioconductor | גרסה 1.24.0 | הערכת זיהום RNA סביבתי RRID: NA |
| CellChat | GitHub / CellChat | גרסה 2.2.0 | ניתוח תקשורת בין תאים RRID: SCR_021946 |
| CIBERSORT / LM22 signature matrix | CIBERSORT | LM22 | הערכת חדירת תאי חיסון RRID: NA |
| clusterProfiler | Bioconductor | גרסה 4.12.6 | ניתוח העשרה פונקציונלי RRID: SCR_016884 |
| Cytoscape | Cytoscape Consortium | גרסה 3.10 | פלטפורמת הדמיה ורשתית חזותית וניתוחית RRID: SCR_003032 |
| DoubletFinder | GitHub / McGinnis Lab | גרסה 2.0.4 | גילוי זוגות כפולים בערכות נתונים של תא יחיד RRID: NA |
| e1071 | CRAN | גרסה 1.7.16 | מודל מכונה וקטורית תומכת ומודל בייסיאני נאיבי RRID: NA |
| gbm | CRAN | גרסה 2.2.2 | מודל מכונות מגבר מדרגיות RRID: NA |
| Gene Expression Omnibus (GEO) database | National Center for Biotechnology Information (NCBI) | GSE98793 | מחל דיכאון קשה - ערכת נתונים של טרנסקריפט בתפזורת RRID: NA |
| Gene Expression Omnibus (GEO) database | NCBI | GSE1551 | ערכת נתונים לאימון דרמטומיוזיטיס; דגימות ביופסיה של שרירים שלד RRID: NA |
| Gene Expression Omnibus (GEO) database | NCBI | GSE46239 | ערכת נתונים לאימון דרמטומיוזיטיס; דגימות ביופסיה של עור RRID: NA |
| Gene Expression Omnibus (GEO) database | NCBI | GSE128470 | ערכת נתונים לאימון דרמטומיוזיטיס; דגימות דרמטומיוזיטיס שהופקו מקבוצת מיופתיה דלקתית RRID: NA |
| Gene Expression Omnibus (GEO) database | NCBI | GSE5370 | ערכת נתונים להמחשה של דרמטומיוזיטיס; דגימות שרירים של מבוגרים שלא טופלו RRID: NA |
| Gene Expression Omnibus (GEO) database | NCBI | GSE11971 | ערכת נתונים להמחשה של דרמטומיוזיטיס RRID: NA |
| Gene Expression Omnibus (GEO) database | NCBI | GSE39454 | ערכת נתונים להמחשה של דרמטומיוזיטיס; דגימות דרמטומיוזיטיס שהופקו מקבוצת מיופתיה דלקתית RRID: NA |
| Gene Expression Omnibus (GEO) database | NCBI | GSE190510 | ערכת נתונים של דרמטומיוזיטיס בודדת של RNA-seq RRID: NA |
| GeneMANIA | University of Toronto / GeneMANIA | גרסת שרת אינטרנט שנגישה במחקר זה | בניית רשת קשר פונקציונלית RRID: RRID:SCR_005709 |
| glmnet | CRAN | גרסה 4.1.8 | מודל LASSO, Ridge ו-Elastic Net RRID: NA |
| GSVA | Bioconductor | גרסה 2.0.7 | ניתוח ssGSEA RRID: NA |
| Harmony | CRAN | גרסה 1.2.4 | תיקון אצווה לשילוב נתוני תא יחיד RRID: NA |
| limma | Bioconductor | גרסה 3.60.6 | ניתוח ביטוי דיפרנציאלי, סיכום בדיקות וכלי נורמליזציה RRID: SCR_010943 |
| MASS | CRAN | גרסה 7.3.61 | ניתוח תקלות לינאריות RRID: NA |
| mboost | CRAN | גרסה 2.9.11 | מודל glmBoost RRID: NA |
| Monocle | Bioconductor | גרסה 2.38.0 | ניתוח מסלול זמן פסאודו RRID: SCR_016339 |
| org.Hs.eg.db | Bioconductor | גרסה 3.19.1 | מאגר אנוטציה של גנים אנושיים RRID: NA |
| plsRglm | CRAN | גרסה 1.5.1 | מודל ליניארי כללי של רגרסיה של סכום ריבועי חלקיים חלקיים RRID: NA |
הדפסות חוזרות והרשאות
בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה
בקש הרשאה