איסוף נתונים
מטריצת ביטוי הגנים והנתונים הקליניים התואמים עבור מאגרי הנתונים GSE142025 ו-GSE96804, הקשורים ל-DN, נשלפו ממאגר הנתונים Gene Expression Omnibus (GEO) (https://www.ncbi.nlm.nih.gov/geo/)15. קבוצת האימון (GSE142025) כללה דגימות רקמת כליה מ-27 חולי DN ותשעה ביקורות, שרוצפו באמצעות פלטפורמת GPL20301. קבוצת התיקוף (GSE96804) כללה נתוני ריצוף מ-41 חולי DN ו-20 ביקורות, שעובדו באמצעות פלטפורמת GPL17586. שני מאגרי הנתונים מתמקדים ברקמת כליה; מאגר הנתונים GSE96804 בוחן באופן ספציפי את הגלומרולוס, יחידת הסינון הראשית של הכליה (איור 1). מאגר הנתונים GSE142025 (קבוצת האימון) מורכב מדגימות רקמת כליה שלמה ומספק סקירה נרחבת של הנוף הטרנסקריפטומי של DN. לעומת זאת, מאגר הנתונים GSE96804 (קבוצת התיקוף) מתמקד ספציפית ברקמת גלומרולוס, שהיא האתר העיקרי של פגיעה בסינון הגלומרולרי. מכיוון ששני מאגרי נתונים אלו לא מוזגו באופן ישיר עקב הבדלים בפלטפורמה וברקמה, לא בוצע תיקון אפקט אצווה (batch effect correction). במקום זאת, ביצוע תיקוף בין-מאגרי בוצע באופן עצמאי. גנים עם שינויים כיווניים עקביים ושטח תחת העקומה (AUC) הגבוה מ-0.7 בשני מאגרי הנתונים נבחרו כמועמדים חסונים, התומכים ביכולת ההכללה בין מדורי הכליה השונים.
בסך הכל 1,136 גנים הקשורים למיטוכונדריה (MRGs) הופקו ממאגר הנתונים MitoCarta3.0 (https://www.broadinstitute.org/mitocarta). הרכיבים הפעילים של LLF נחזו באמצעות מאגר הנתונים Traditional Chinese Medicine Systems Pharmacology (TCMSP) (http://sm.nwsuaf.edu.cn/lsp/tcmsp.php), בהתבס על סף זמינות ביולוגית経oral (OB) של ≥30% וסף דמיון לתרופה (DL) של ≥0.18. לאחר מכן, גנים שהם מטרות פוטנציאליות עבור הרכיבים הפעילים נחזו באמצעות מאגר הנתונים Swiss Target Prediction (http://www.swisstargetprediction.ch/).
ניתוח ביטוי דיפרנציאלי
ניתוח ביטוי דיפרנציאלי של GSE142025 (DN לעומת ביקורת) בוצע באמצעות חבילת limma (גרסה 3.54.1), כאשר קריטריוני המובהקות נקבעו כ- Pתואר < 0.05 ו- |log2FoldChange| > 0.516 תרשימי געש (Volcano plots) ומפות חום (heat maps) הוצגו באמצעות החבילות ggplot2 (גרסה 3.3.6) ו-ComplexHeatmap (גרסה 2.14.0).17,18, בהתאמה. בוצע חפיפה בין הגנים בעלי ביטוי Differentially Expressed Genes (DEGs), הגנים הקשורים למחלה (MRGs) והגנים המהווים מטרות פוטנציאליות של הרכיבים הפעילים, והגנים החופפים הוגדרו כגנים מועמדים. הרשת המקשרת בין הרכיבים הפעילים לבין הגנים המועמדים נבנתה באמצעות תוכנת Cytoscape (גרסה 3.9.0).19.
ניתוח העשרה פונקציונלית ובניית רשת אינטראקציות חלבון-חלבון (PPI)
ניתוחי העשרה של Gene Ontology (GO) ו-Kyoto Encyclopedia of Genes and Genomes (KEGG) עבור הגנים המועמדים בוצעו באמצעות חבילת clusterProfiler (גרסה 4.6.2) כדי לבחון את תפקודיהם הביולוגיים ואת מסלולי השליחות הקשורים אליהם (P.adjust < 0.05). לאחר מכן, הגנים המועמדים הוזנו למסד הנתונים STRING (https://cn.string-db.org/) לשליפת קשרי PPI (רמת ביטחון ≥ 0.4), ולאחר מכן נבנתה רשת PPI באמצעות Cytoscape (גרסה 3.9.0)20.
למידת מכונה
ארבעה אלגוריתמים של למידת מכונה, הכוללים random forest (RF), k-nearest neighbor (KNN), partial least squares (PLS), ו-support vector machine עם radial basis kernel (SVM), הוטמעו באמצעות חבילת caret (גרסה v6.0-93) בהתבסס על מערך הנתונים GSE142025. הגנים המועמדים שזוהו בניתוח הקודם שימשו כמשתני ניבוי, ומצב המחלה (DN או ביקורת) שימש כתוצאה. עבור מודל ה-KNN, בוצע אימות צולב של 10 מקפלים (10-fold cross-validation) באמצעות פונקציית trainControl, עם tuneLength = 10. מודל ה-RF הותאם עם 20 עצים (ntree = 20); מודלי ה-PLS וה-SVM הותאמו באמצעות ההגדרות שהוטמעו בזרימת העבודה המקורית של caret.
התפלגויות השאריות של המודלים הוערכו באמצעות חבילת DALEX (גרסה 2.4.3). לאחר מכן בוצעו הערכות משתנים מבוסות פרמוטציה באמצעות הפונקציה variable_importance של DALEX, כאשר שגיאת השורש הממוצעת של הריבועים (RMSE) הוגדרה כפונקציית ההפסד. ה-dropout_loss המתקבל מייצג את ה-RMSE שהושג לאחר פרמוטציה של המשתנה המתאים21,2. בזרימת העבודה האנליטית המקורית, נשמרו משתנים עם dropout loss < 0.281 בכל המודלים, וגנים המשותפים לכל ארבעת המודלים הוגדרו כגני מאפייני קונסנזוס לצורך תיקוף עוקב.
ארבעת המודלים של למידת מכונה שימשו בעיקר לתעדוף מאפיינים ולא לבניית מסווג קליני סופי. בהתאם לכך, ההבחנה האבחנתית הוערכה לאחר מכן ברמת הגן הבודד באמצעות ניתוח ROC הן במערך הנתונים לגילוי והן במערך הנתונים לתיקוף.
זיהוי ביומרקרים מועמדים
במערכי הנתונים GSE142025 ו-GSE96804, נבחנו הבדלי ביטוי של גנים מאפיינים בין דגימות DN לדגימות ביקורת באמצעות מבחן Wilcoxon. רק גנים עם ביטוי דיפרנציאלי מובהק (P < 0.05) ומגמות ביטוי תואמות בשני מערכי הנתונים נבחרו לניתוח עקומי מאפיין תפעול מקלט (ROC). חבילת pROC (גרסה 1.18.0) שימשה להפקת עקומי ROC ולחישוב השטח תחת העקומה (AUC), כאשר גנים שהראו AUC > 0.7 בשני מערכי הנתונים סווגו כביומרקרים מועמדים23.
ניתוח העשרה של קבוצות גנים (GSEA)
הפונקציות הביולוגיות ומסלולי האיתות הקשורים לסממנים הביולוגיים המועמדים נבחנו בהמשך באמצעות GSEA על מערך הנתונים GSE142025. ראשית, בוצע ניתוח מתאם של ספירמן (Spearman correlation analysis) בין הסמנים הביולוגיים המועמדים לבין כל שאר הגנים באמצעות חבילת ה-psych (גרסה 2.2.9).24חושבו מקדמי מתאם ודורגו (מהגבוה לנמוך). סט הגנים הייחסי היה c2.cp.kegg.v2023.1.Hs.symbols.gmt ממאגר החתימות המולקולריות (MSigDB, https://www.gsea-msigdb.org/gsea/msigdb/). לאחר מכן בוצע GSEA כדי להעריך את העשירה של הגנים המדורגים בסט הגנים ברקע באמצעות החבילה clusterProfiler (גרסה 4.6.2). הוחל תיקון לבדיקות מרובות. באמצעות שיטת ה-FDR, ומותאם P-ערכים (המסומנים כ- P.adjust) נחשבו למשמעותיים אם < 0.05.
ניתוח מודיפיקציית M6A
כדי לחקור מודיפיקציות של מתילציה של RNA בביומרקרים מועמדים, נעשה שימוש במאגר הנתונים SRAMP (http://www.cuilab.cn/sramp/) כדי לנבא אתרי מודיפיקציית m6A בביומרקרים מועמדים, תוך התמקדות במיקומים בעלי רמת ביטחון גבוהה בתוך המבנים השניוניים שלהם. לאחר מכן, נעשה שימוש במאגר הנתונים ENCORI (https://starbase.sysu.edu.cn/) כדי לזהות חלבונים שעברו מודיפיקציית m6A אשר מקיימים אינטראקציה עם הביומרקרים המועמדים, תוך שימוש בפרמטר |HepG2 (shRNA)| > 1 לסינון חלבונים מרכזיים. בהמשך, נעשה שימוש במאגר הנתונים RPISeq (http://pridb.gdcb.iastate.edu/RPISeq/) כדי לנבא את הסבירות לאינטראקציות בין החלבונים המרכזיים לבין הביומרקרים המועמדים. רצפי ה-RNA של שניהם הועלו בפורמט טקסט פשוט כדי להפיק ציוני ניבוי של מסווגי RF ו-SVM. אינטראקציה נחשבה למשמעותית כאשר הציון עלה על 0.525. ניתוח ה-SRAMP בוצע עם סף 'High' לניבוי אתרי m6A, תוך שימוש במצב 'Transcript' ובפרמטרים ברירת המחדל. ניתוח ה-ENCORI השתמש בפונקציית האינטראקציה 'miRNA-mRNA' עם הפרמטר 'HepG2 (shRNA)' > 1. ניתוח ה-RPISeq השתמש במסווג RF עם פרמטרים ברירת המחדל; ציונים > 0.5 העידו על אינטראקציה חיובית. אלו הם ניבויים חישוביים, ולא ראיות ניסיוניות למודיפיקציית m6A או לאינטראקציות RNA-חלבון ברקמת כליה. הקריטריון של HepG2 shRNA נגזר ממאגרי הנתונים שחושבו מראש של ENCORI וייתכן שאינו משקף רגולציה ספציפית לכליות.
ניתוח חדירה חיסונית
אלגוריתם CIBERSORT יושם כדי להעריך את הפרופורציות של 2 סוגי תאי חיסון הן בדגימות ביקורת והן בדגימות DN מ-GSE142025, עם ויזואליזציה באמצעות מפת חום (heatmap) שנוצרה באמצעות חבילת ggplot2 (גרסה 3.3.6)26. CIBERSORT הופעל באמצעות מטריצת החתימה LM2, עם 1,0 פרמוטציות ובלי נורמליזציית קוונטיל (כפי שמומלץ עבור נתוני microarray). דגימות עם CIBERSORT p < 0.05 נשמרו לניתוח נוסף. CIBERSORT מעריך שברי תאי חיסון מביטוי של רקמת כליה כוללת (bulk), אשר אינו יכול להבחין בין חדירה ספציפית למדור (למשל, גלומרולרית לעומת טובולו-אינטרסטיציאלית) ואינו יכול להבדיל בין לוקוציטים חודרים לבין תאי חיסון תושבי הרקמה. לפיכך, הקורלציות המדווחות הן ברמת הרקמה ויש לתקפן באמצעות שיטות מרחביות. ניתוח קורלציית Spearman בין תאי חיסון בשפע שונה לבין ביומארקרים מועמדים בוצע באמצעות חבילת psych.
בניית רשתות ועגינה מולקולרית (molecular docking)
MicroRNAs (miRNAs) המקיימים אינטראקציה עם ביומארקרים מועמדים נחזו באמצעות מאגר הנתונים miRNet (https://www.mirnet.ca). לאחר מכן, long noncoding RNAs (lncRNAs) המטרים את ה-miRNAs שזוהו נחזו באמצעות מאגרי הנתונים TarBase (http://www.diana.pcbi.upenn.edu/tarbase) ו-starbase (http://starbase.sysu.edu.cn/). lncRNAs המשותפים לשני מאגרי הנתונים נבחרו לבניית הרשת. רשת ויסות של lncRNA-miRNA-mRNA נבנתה לאחר מכן באמצעות תוכנת Cytoscape. רכיבים פעילים פוטנציאליים המטרים את הביומארקרים המועמדים נבחרו לבניית רשת של רכיב פעיל-ביומארקר. בנוסף, רכיבים פעילים, ביומארקרים מועמדים ומסלולים שזוהו ב-GSEA שולבו ב-Cytoscape ליצירת רשת של רכיב פעיל-ביומארקר-מסלול.
ביצוע ניתוח עגינה מולקולרית (Molecular docking) נועד להעריך את זיקת הקישור בין רכיבים פעילים פוטנציאליים לבין סמנים ביולוגיים מועמדים. מבנים תלת-מדיים של חלבוני הסמנים הביולוגיים התקבלו ממאגר החלבונים של ה-Research Collaboratory for Structural Bioinformatics Protein Data Bank (RCSB PDB, https://www.rscb.org/pdb) בפורמט קובץ PDB. מבנים דו-מדיים של רכיבים פעילים פוטנציאליים נשלפו בפורמט SDF ממאגר הנתונים PubChem (http://pubchem.ncbi.nlm.nih.gov). העגינה המולקולרית בוצעה באמצעות פלטפורמת CB-Dock (http://clab.labshare.cn/cb-dock/php/blinddock.php). אנרגיית קישור של פחות מ- -5 kcal/mol העידה על זיקת קישור חזקה27.
הכנה ואימות של Ligustri Lucidi Fructus
כאן, Ligustri Lucidi Fructus (LLF) מתייחס לפרי הבשל והמיובש של Ligustrum lucidum W. T. Aiton (Oleaceae). החומר הבוטני אומת על פי הפרמקופיה הסינית (Chinese Pharmacopoeia), ודגימת ביקורת (voucher specimen) מספר 20240506,2024091,2024103 הופקדה באוניברסיטת שאנשי לרפואה סינית מסורתית.
להכנת התסבית, השרגו 200 g של פרוסות LLF מאושרות ב-1,0 mL של מים מזוקקים למשך 30 min בטמפרטורת החדר. התערובת הורתכה בעוצמה ולאחר מכן בושלה בבעבוע עדין למשך 60 min. התסנין נאסף, וחומרי הצמח שנותרו בושלו שוב עם 1,0 mL נוספים של מים מזוקקים למשך 60 min. שני התסנינים אוחדו, סוננו, עברו סנטריפוגה ורוכזו תחת לחץ מופחת כדי להגיע לריכוז מלאי סופי של 1 g של תמצית גולמית/mL (נפח כולל של 10 mL). התסבית שהוכנה נשמרה ב-4 °C לשימוש קצר טווח או ב-−20 °C לשימור ארוך טווח. איכות ה-LLF והתסבית שלו זוהו ואומתו בקפידה לפי התקנים של הפרמקופה הסינית כדי להבטיח את מהימנות הניסוי ואת יכולת השחזור שלו.
לזיהוי איכותי, בוצע כרומטוגרפיה בשכבה דקה. בקצרה, נפח מתאים של התשבוח שהוכן הועבר לסרכזפוגה, והנוזל העליון חולץ באמצעות methanol. לאחר סינון, תמיסת הדגימה ותמיסת תקן ייחוס של specnuezhenide הונחתו על אותה פלטת silica gel G. לאחר פיתוח, ייבוש ובדיקה תחת אור ultraviolet, הכתם של תמיסת הדגימה הראה צבע ומיקום עקביים עם תרכובת הייחוס, מה שאיש את קיומו של הרכיב הביולוגי הפעיל האופייני של LLF.
לצורך בקרת איכות כמותית, בוצעה דטקציה באמצעות כרומטוגרפיה נוזלית בעוצמה גבוהה (HPLC). הניתוח בוצע באמצעות עמודת C18 כאשר המהלול היה תערובת של methanol–water. אורך גל הדטקציה נקבע על 24 nm. תכולת ה-specnuezhenide במיצוי נקבעה על בסיס עקום סטנדרטי. התוצאות הדגימו הרכב כימי יציב ואחיד של מיצוי הדגימה שהוכן, מה שהבטיח איכות תרופתית עקבית לאורך כל ניסוי ההתערבות בבעלי החיים.
ניסויי בעלי חיים
שנים עשר עכברי db/db זכרים בדרגת SPF (בני 8–9 שבועות) ושישה עכברי db/m תואמים בגילם הוחזקו במתקן בעלי החיים SPF של אוניברסיטת שאנשי לרפואה סינית מסורתית. לפני הניסויים, בעלי החיים עברו תקופת אקלמיזציה של 7 ימים תחת מחזור של 12 שעות אור/12 שעות חושך, עם גישה חופשית (ad libitum) למזון ומים. המחקר אושר על ידי ועדת האתיקה של אוניברסיטת שאנשי לרפואה סינית מסורתית (מספר אישור 202DW167). בעלי חיים שהפגינו ירידה במשקל הגוף של >20%, מצב גסיסה, או חוסר יכולת לגשת למזון או למים, הומתו באופן הומני לפני נקודת הסיום המתוכננת של המחקר. בסיום המחקר, כל שאר העכברים הומתו באמצעות הזרקה תוך-פריטונית של pentobarbital sodium ולאחריה פריקה של עמוד השדרה הצווארי בהתאם לפרוטוקולים המוסדיים.
בעקבות תקופת האקלימטציה, אישור להקמת מודל DN בעכברי db/db התקבל על סמך רמת גלוקוז בדם מווריד הזנב של ≥ 16 mmol/L ומיקרואלבומינוריה, כפי שהודגם על ידי בדיקת רצועה חיובית למיקרואלבומין בשתן. לאחר הקמה מוצלחת של מודל ה-DN, חולקו עכברי ה-db/db באופן אקראי לשתי קבוצות (n = 6 לכל קבוצה): קבוצת מודל ה-DN (DN) וקבוצת הטיפול ב-LLF (Treatment). בנוסף, עכברי db/m (מספרם n = 6) שימשו כקבוצת ביקורת (Control). המינון נבחר על בסיס מחקרי פרמקודנמיקה קודמים של LLF בחולדות סוכרתיות והומר למינון השקול בבני אדם באמצעות נרמול לפי שטח פני השטח של הגוף28. קבוצות הביקורת וה-DN קיבלו מים מזוקקים, בעוד שקבוצת הטיפול קיבלה 3.5 g/kg של LLF למשך 8 שבועות. לאחר 8 שבועות של מתן החומר, כל העכברים הורדמו כדי לאסוף סרום, שתן ורקמת כליה לבדיקות המשך.
מדדי דם ושתן
רמות הגלוקוז בסרום נותחו באמצעות מנתח ביוכימיה של דם אוטומטי מלא. ריכוז המיקרואלבומין בשתן נמדד בהתאם להוראות הערכה (קובץ משלים 1).
בחינה פתולוגית של רקמות כליה בעכבר
רקמות הכליה עובדו לצורך בדיקה היסטופתולוגית. לאחר קיבוע ב-4% paraformaldehyde, הרקמות נשטפו, עברו דהידרטציה, נטמנו בפרפין ונחתכו לפרוסות. לאחר מכן בוצע צביעת Hematoxylin and eosin (HE), והפרוסות הצבועות נבחנו תחת מיקרוסקופ אופטי להערכת שינויים פתולוגיים.
תגובת שרשרת פולימראז כמותית עם שעתוק הפוך (RT-qPCR)
נעשה שימוש ב-RT-qPCR כדי לקבוע את רמת הביטוי של הביו-מרקרים הפוטנציאליים ברקמת כליה של עכבר. RNA כולל הוצא מהרקמה בהתאם להוראות היצרן, ולאחר מכן הוערכו ריכוז ה-RNA ואיכותו (טבלה 1). cDNA סונתז מה-RNA שהופק באמצעות ה-cDNA Synthesis Kit. ההגברה בוצעה עם זוגות הפריימרים המפורטים ב- טבלה 1בשימוש ב- GAPDH כגן ייחוס. רמות ביטוי יחסיות חושבו באמצעות שיטת 2^-ΔCt−ΔΔCt שיטה13,26.
ניתוח סטטיסטי
כל הניתוחים הסטטיסטיים בוצעו באמצעות תוכנת R (גרסה 4.2.2) יחד עם התוכנות הנדרשות להליכים הניסויים המתאימים. אלא אם צוין אחרת, כל המבחנים הסטטיסטיים היו דו-זנביים, והבדלים נחשבו למשמעותיים סטטיסטית כאשר P < 0.05. ניתוח ביטוי דיפרנציאלי טרנסקריפטומי בוצע באמצעות חבילת ה-limma. גנים עם P מותאם < 0.05 וערך מוחלט של log2fold change הגבוה מ-0.5 הוגדרו כבעלי ביטוי דיפרנציאלי.
להשוואות של ביטוי גנים מועמדים בין דגימות DN עצמאיות לדגימות ביקורת, נעשה שימוש במבחני Wilcoxon rank-sum לא-פרמטריים במקומות שצוינו בזרימת העבודה האנליטית המקורית. מתאמים בין סמנים ביולוגיים מועמדים לבין פראקציות של תאי מערכת החיסון הוערכו באמצעות מתאם דרג של Spearman.
נתונים ניסיוניים מוצגים כממוצע ± SD. השוואות בין שלוש קבוצות בעלי החיים הבלתי תלויות בוצעו באמצעות ניתוח שונות חד-כיווני (one-way ANOVA) כאשר התקיימו הנחות הניתוח הפרמטרי. להשוואות פוסט-הוק (post hoc), נעשה שימוש במבחן ההבדל המשמעותי המינימלי (LSD) כאשר השונויות היו הומוגניות, בעוד שמבחן Dunnett's T3 שימש כאשר השונויות לא היו שוות. המדידות הפרמקודינמיות בנקודת הבסיס ובשבוע השמיני נותחו והוצגו בנפרד; לא הוסקו מסקנות בנוגע לאינטראקציה בין קבוצה לזמן. סקריפטי ה-R ונתוני המקור ששימשו לניתוחים של ביואינפורמטיקה ולמידה חישובית מסופקים ב- קובץ משלים 1.