研究記事

公的トランスクリプトームの再解析により、単細胞文脈における大うつ病性障害と皮膚筋炎の共通免疫シグネチャーが明らかになる

DOI：

10.3791/71024

⸱

2026年6月26日

 ,  ,  ,  ,  ,  , 
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

この記事について

サマリー

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本研究は、公開されたGEOデータセットの統合的バイオインフォマティクス再解析と単一細胞文脈化を組み合わせ、大うつ病性障害と皮膚筋炎の共通遺伝子候補を特定し、皮膚筋炎関連の単一細胞データセットにおける免疫細胞サブセット間の分布を特徴付けることを目指しました。

要約

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本研究は、公開GEOデータセットの統合的バイオインフォマティクス再解析と単一細胞文脈化を通じて、大うつ病性と皮膚筋炎の間の候補共有トランスクリプトムシグナルを特定することを目的とした。分析ワークフローには、主要モジュール同定のための加重遺伝子共発現ネットワーク解析(WGCNA)、機能特性評価のための遺伝子オントロジー(GO)および京都遺伝子・ゲノム百科事典(KEGG)による濃縮解析、候補遺伝子優先順位付けのためのGeneMANIAおよびネットワーク可視化プラットフォームベースのネットワーク解析、そして診断機能選択のためのSHapley加法解析(SHAP)を用いた113の機械学習モデルの評価が含まれていました。その後、遺伝子セットリッチ解析(GSEA)、免疫浸潤解析、および単細胞RNAセクシーベースの文脈解析が行われ、同定されたシグナルの免疫関連細胞文脈をさらに特徴付けました。皮膚筋炎関連GEOデータセットの統合により、570の差異発現遺伝子が特定され、そのうち33の候補共有遺伝子がWGCNAを通じて得られました。機能的濃縮およびネットワーク解析では、免疫防御、細胞毒性、PPAR、IL-17、抗原プロセッシングなどの経路が強調され、ELANE、PPBP、CTSGが高度に連結したノードとして浮上しました。機械学習に基づく特徴優先順位付けでは、モデル選択遺伝子8つ、すなわちKIF4A、OLR1、KIR2DL4、KRT23、KIR3DS1、AZU1、SCG5、LRRC37Eが保持されました。免疫浸潤解析では、これらの共有遺伝子が調節T細胞(Treg)、安静肥満細胞、安静樹状樹状細胞、そして古典活性化(M1)および代替活性化(M2)マクロファージの両方と関連付けられました。単細胞RNAセクシーの文脈化は、異なる候補遺伝子スコア状態を持つCD8⁺ T細胞サブセットが異なる細胞間コミュニケーションパターンを示すことを示唆しました。その中でも、MIF–(CD74+CD44)軸やナイーブ/セントラルメモリT細胞からの信号が注目すべき特徴であり、さらなる検証が必要でした。全体として、本研究は大うつ病性と皮膚筋炎の間で候補的な共有トランスクリプトムシグナルを特定し、真の併存コホートにおけるさらなる検証を要する免疫関連の細胞的文脈を強調しました。

概要

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

皮膚筋炎は慢性全身性自己免疫疾患であり、皮膚および骨格筋の炎症性関与を特徴とし、臨床的には左右位筋の筋力低下や特徴的な皮膚病変、重症の場合は多臓器機能障害を特徴とします。蓄積された臨床証拠によると、皮膚筋炎の患者はしばしば精神疾患、特に大うつ病障害を経験することが示されています。皮膚筋炎に関連する大うつ病障害の病因は多因子的であり、心理社会的苦痛、神経内分泌の調節障害、全身免疫炎症の複雑な相互作用から生じます。持続的な痛み、疲労、進行性の筋力低下は、身体機能や生活の質を大きく損なう可能性があります。これらの負担は社会的役割の混乱、慢性的な心理的ストレス、自律性の低下につながる可能性があります。さらに、長期間のグルココルチコイド曝露は視床下部-下垂体-副腎(HPA)軸を乱し、海馬の可塑性を低下させることで、うつ病関連症状への脆弱性を高める可能性があります。6。さらに、皮膚筋炎における持続的な免疫活性化や全身炎症は、うつ病関連症状の潜在的な要因としてますます認識されています7。これらの末梢媒介物質は、神経伝達物質の代謝や神経可塑性を調節することで中枢神経系に影響を与え、全身性自己免疫と神経精神症状を結びつける可能性があります。

重要なのは、この理論がどちらの病気も生物学的に均質であることを意味するわけではないということです。皮膚筋炎は、抗MDA5および抗TIF1 γ関連表現型を含む臨床的および血清学的に異なるサブセットで構成され、炎症および臨床プロファイルが異なる11,12,13。大うつ病性障害もまた異質な状態として認識され、現在の証拠は単一の普遍的な炎症サインではなく免疫炎症サブタイプの存在を支持しています(14,15)。したがって、本研究は一律の共有分子プログラムを前提とするものではなく、独立した公開データセットを通じてコホートレベルで検出可能な候補重複免疫関連トランスクリプトムシグナルをスクリーニングすることを目的としています。

心理社会的ストレスや治療曝露を超えて、大うつ病障害と皮膚筋炎の生物学的に検証可能な関連は、共有された免疫炎症性調節障害です。大うつ病性障害は異質な状態であり、単一の普遍的なトランスクリプトムプロファイルを持つと仮定すべきではありません。しかし、収束する証拠は炎症関連の大うつ病性障害のサブタイプを支持しており、末梢トランスクリプトミクス研究では、影響を受けた個人のサブセットにおける先天免疫、好中球関連、インターフェロン、補体経路の調節障害が確認されています14,16,17。同時に、MAPK関連ストレスシグナル伝達もうつ病表現型に関与していることが示唆されています18。一方、皮膚筋炎はよく知られたインターフェロン駆動の自己免疫疾患であり、血液および影響組織におけるトランスクリプトム研究では、タイプIインターフェロンおよびより広範な免疫炎症プログラムの活性化が一貫して示されています。最近の多オミクス解析では、皮膚筋炎19,20,21におけるERKおよびp38 MAPK関連経路活動がさらに強調されています。これらの発見は、独立した公開データセットで大うつ病性と皮膚筋炎の間で、免疫関連トランスクリプトムシグナルの一部が重複する可能性があるかどうかを調査する生物学的に妥当な根拠を提供します。

これらの観察にもかかわらず、大うつ病性障害と皮膚筋炎の重なりの分子的基盤は依然として十分に解明されていません。重要なのは、現在公開されているデータセットでは、大うつ病性と皮膚筋炎を同時に診断された患者の真のコホートを提供していないことです。したがって、本研究は皮膚筋炎患者のうつ病を直接解析するのではなく、統合的バイオインフォマティック再解析フレームワークを通じて、大うつ病障害および皮膚筋炎の個別公開データセット間で候補共有トランスクリプトムシグナルを特定することを目的としています。具体的には、公開されているトランスクリプトミックデータセットを差分発現解析、加重遺伝子共発現ネットワーク解析(WGCNA)、機能豊か解析、ネットワークベース解析、機械学習を用いた特徴優先順位付けを用いて解析し、疾患間候補遺伝子および経路を特定しました。さらに、皮膚筋炎に関連する単細胞データセットを解析し、これらの候補遺伝子を免疫細胞レベルで文脈化しました。 図1に示すように、全体の分析ワークフローはステップワイズフローチャートでまとめられています。本研究は決定的な併存メカニズムを確立するのではなく、大うつ病性と皮膚筋炎の間の候補共有分子シグナルを特定するための仮説に基づく枠組みを構築することを目指しました。

それに伴い、本研究は段階的優先順位付けの枠組みを採用しました。疾患関連共発現モジュールは、まず大うつ病疾患および皮膚筋炎のデータセットで個別に同定され、それらの重複を用いて候補の疾患間共有シグナルを定義しました。これらの候補者は、その後、エンリッチメントおよびGeneMANIAベースのネットワーク解析によって機能的に文脈化され、機械学習手法を用いた皮膚筋炎中心の分類枠組み内で優先順位付けされ、最後に皮膚筋炎に関連する単一細胞データセットで検証されて細胞の文脈化が提供されました。

figure-introduction-1
図1:データ収集および分析プロセスのフローチャート。この図の拡大版はこちらをクリックしてください。

病気間分子の重複を調査するためにいくつかの代替手法が用いられています。差異発現遺伝子(DEG)リストの単純な交差は計算的に単純ですが、共発現解析が提供するモジュールレベルの文脈情報を欠き、任意の折りたたみ変化やP値の閾値に敏感です。従来のメタアナリシスは、同じ疾患の研究間で効果量をまとめますが、異なる2つの疾患間で共有されるシグナルを特定することを目的としていません。現在のワークフローは、共発現モジュールの重複、機能強化、ネットワーク解析、機械学習ベースの特徴優先順位付け、免疫デコンボリューション、単一細胞コンテキスト化など、複数の補完的な分析層を統合しており、それぞれが逐次優先順位付けの枠組み内で異なる目的を果たしています。この多層設計により、候補遺伝子の数を段階的に減らし、複数のレベルで相互検証された生物学的文脈化を提供します。本プロトコルは、公開されているバルクトランスクリプトミクスデータセットおよび選択的に単細胞データセットが存在する疾患のペアに適用可能であり、特に真の併存コホートが利用できない場合に適用されます。しかし、このワークフローは観察型であり、正式な因果推論フレームワークは組み込まれていません。すべての発見は仮説生成として解釈され、独立した実験的検証が必要です。

全体として、分析ワークフローは直接的な因果推論の枠組みではなく、順次的な優先順位付け戦略として設計されました。各ステップはそれぞれ異なる目的を持っていました。WGCNAベースのモジュール重複による候補共有シグナル同定、生物的文脈化のための濃縮・ネットワーク解析、皮膚筋炎関連分類における特徴優先順位付けのための機械学習、細胞型レベルの文脈化のための単一細胞解析です。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

プロトコル

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本研究では、Gene Expression Omnibus(GEO)データベースから公開されている非特定化されたデータセットのみを使用しました。この作業は既存の公開データの二次分析を含み、参加者との直接的な接触、介入、識別可能な個人情報へのアクセスを含んでいなかったため、追加の倫理委員会の承認やインフォームド・コンセントは必要ありませんでした。

データソースと前処理

すべての遺伝子発現および単細胞データセットはGEOデータベースから取得されました。大うつ病性障害については、128人の患者と64人の健康対照群の末梢血液サンプルを含むデータセットGSE98793が使用されました。皮膚筋炎については、ホモ・サピエンスの発現プロファイリング、明確に特定可能な疾患群および対照群、プローブから遺伝子へのマッピングのための利用可能なプラットフォーム注釈、発見や検証解析の適性など、あらかじめ定められた基準に基づいてデータセットが選定されました。GEOシリーズに複数の炎症性筋症サブタイプが含まれていた場合、本研究では皮膚筋炎および正常対照サンプルのみが抽出されました。GSE1551、GSE46239、GSE128470が発見・訓練データセットとして使用され、GSE5370、GSE39454、GSE11971が独立した検証データセットとして使用されました。本研究で解析された皮膚筋炎のデータセットは、主に末梢血ではなく影響を受けた筋肉や皮膚組織から得られました。皮膚筋炎の単一細胞データはデータセットGSE190510から取得しました。

生の式行列はGEOデータベースからプラットフォーム注釈ファイルとともにダウンロードされました。プローブIDは、製造元提供のGPL注釈に従って公式の遺伝子記号にマッピングされていました。単一の公式遺伝子シンボルに明確にマッピングできないプローブは除去されました。複数のプローブが同じ遺伝子にマッピングされた場合、Limmaパッケージ内の「avereps」関数で実装された平均発現値を用いて遺伝子レベルで収束され、サンプルごとの遺伝子発現マトリックスが生成されました。

強度依存バイアスを減らし分散を安定化させるため、表現値の分布に応じて適切な場合にlog2変換を適用しました。その後、Limma パッケージ内の「normalizeBetweenArrays」関数を使って配列間正規化が行われました。欠損値は存在する場合、K近傍補完を用いて補足されました。統合皮膚筋炎トレーニングデータセットでは、svaパッケージ内の「ComBat」機能を使用してバッチ補正が行われ、データセット/プラットフォームの起源をバッチ変数として扱い、サンプル群(皮膚筋炎と健康対照)を設計マトリックスに含めて、バッチ調整時に関心のある生物学的変異を保持しました。

すべての解析は、デスクトップOS上のR統合開発環境を用いてRで行われました。リマパッケージはプローブの要約と正規化に使用されました。SVAパッケージはComBatのバッチ補正に使用されました。欠損値はk=10のK近傍補補を用いて補帰されました。

加重遺伝子共発現ネットワーク解析

重み付き遺伝子共発現ネットワーク解析(WGCNA)は、WGCNA Rパッケージ25,26を用いて、大うつ病および皮膚筋炎データセットに対して別途実施されました。サンプルはflashClustを用いて階層的にクラスタリングされ、外れ値を特定しました。デンドログの高さが100を超えるサンプルと、分散の下位25%に属する遺伝子は除外しました。各ネットワークごとに、pickSoftThresholdを使ってソフト閾値付けのパワー(β)を選択し、近似的にスケールフリートポロジー(R2 > 0.8)を実現しました。隣接行列はトポロジカルオーバーラップ行列(TOM)に変換され、最小モジュールサイズ60、マージ切断高さ0.2527の動的木切断によってモジュールが特定されました。WGCNA Rパッケージは、階層的クラスタリングのためにflashClustと併用されました。ランダムシードは再現性のために12345に設定されました。モジュール固有遺伝子はピアソン相関を用いて疾患の状態と相関し、P値はベンジャミニ–ホッホバーグ法で調整されました。各疾患について、疾患の状態と最も強く有意な関連を示すモジュールが主要な疾患関連モジュールとして保持されました。大うつ病性障害データセットの主要モジュール遺伝子と皮膚筋炎データセットの遺伝子の重複は、下流解析のための候補共有遺伝子セットとして定義されました。統合皮膚筋炎コホートの差異発現解析は別途行われ、皮膚筋炎に関連する転写変化を特徴づけました。

機能豊化解析

遺伝子オントロジー(GO)の濃縮解析はRを用いて行われました。遺伝子シンボルはorg.を用いてEntrez IDに変換されました。clusterProfilerのenrichGOを用いて、Hs.eg.dbおよび有意に濃縮されたGO項(p < 0.05)が同定されました。結果の多次元可視化のために、enrichplotパッケージを用いて棒グラフやバブルプロットを作成し、circlelizeパッケージでGOカテゴリ、遺伝子数、濃縮因子を表示する円形プロットを構築しました。ComplexHeatmapパッケージでレジェンドが追加されました。京都遺伝子・ゲノム百科事典(KEGG)による差異発現遺伝子の経路富集解析もRで実施されました。遺伝子シンボルは組織に基づくEntrez IDに変換されました。データベースHs.eg.db、および有意に濃縮された経路(FDR < 0.05)はclusterProfilerパッケージ28,29,30,31のenrichKEGG関数を用いて同定されました。濃縮結果はバープロットとバブルプロットを用いて可視化されました。

GeneMANIAベースの機能的関連ネットワーク解析

既に特定された共有遺伝子に基づき、GeneMANIAベースの機能的連合ネットワークを構築し、これらの遺伝子および関連パートナー間の相互作用文脈を探りました。遺伝子リストは、ホモ・サピエンスを基準種としてGeneMANIAに提出されました。GeneMANIAは、共発現、物理的相互作用、経路、共局在、遺伝的相互作用、共有タンパク質ドメインなど、複数のエビデンスタイプを統合しています。得られたネットワークはネットワーク可視化プラットフォームにエクスポート・インポートされ、可視化と分析が行われました。その後、ネットワークのトポロジカル解析がネットワーク可視化プラットフォーム上で行われ、高連結の候補ノード32、33、34を特定しました。

機械学習に基づく診断モデル構築

診断分類には、ランダムフォレスト(RF)、サポートベクトルマシン(SVM)、線形判別解析(LDA)、ナイーブベイズ、勾配ブースティングマシン(GBM)、XGBoost、glmBoost、エラスティックネット(Enet)、リッジ、最小絶対縮小・選択演算子(LASSO)、段階的一般化線形モデル(Stepglm)、および偏最小二乗回帰一般化線形モデル(plsRglm)などが用いられました35.2段階のモデリングフレームワークを用いて113の候補モデルの組み合わせを生成しました。第1段階では、初期アルゴリズムがトレーニングコホートの可変スクリーニングに用いられました。第2段階では、保持変数を用いて診断分類モデルに適合させました。≤5変数の選択変数を持つモデルは、さらなる比較から除外されました。結合された皮膚筋炎データセットはトレーニングコホートとして機能し、ラベルは皮膚筋炎と健康対照群の区別で定義され、独立した検証コホートは外部パフォーマンス評価に使用されました。内部リサンプリングとチューニングはアルゴリズムごとに異なり、glmnetベースのモデル(LASSO、Ridge、Elastic Net)ではlambda.minを選択するために10折のクロスバリデーションが用いられました。GBMは10分割の内部クロスバリデーションを用いて最適な木の数を決定しました。XGBoostは5回の再サンプリングを用いて、最小テストログロスに基づいて最終ブースティングラウンドを選択しました。glmBoostはcvriskベースの内部クロス検証を用いて停止反復を決定しました。LDAはキャレットクロスバリデーションフレームワークの下で適合されました。現行実装で明示的なチューニングステップを含まないアルゴリズムでは、固定設定またはパッケージデフォルト設定が使用されました。情報漏洩を減らすため、特徴選択、モデルフィッティング、内部チューニングはトレーニングコホートのみを用いて行われ、検証コホートは独立した予測およびAUCに基づくパフォーマンス評価のみに使用されました。caretパッケージは機械学習ワークフロー管理に使用され、glmnet、randomForest、e1071、gbm、xgboost、mboost、plsRglm、MASSが個別アルゴリズムとして使用されました。SHAP解析はshapvizパッケージを用いて実施されました。ランダムシードは各モデルフィッティングの前に12345に設定されていました。選択機能が5つ未満のモデルは除外されました。モデル解釈可能性および遺伝子レベルの寄与はSHapley加法説明(SHAP)を用いてさらに評価され、最も情報量の高い遺伝子がモデル選択の特徴候補として優先的に選ばれ、下流の生物学的解釈に用いられました。

診断性能の評価

「pROC」Rパッケージを用いて、候補バイオマーカーの診断性能を評価するために、受信者動作特性(ROC)曲線を生成しました。候補マーカーの発現レベルおよび予測精度は独立したデータセット(GSE5370、GSE11971、GSE39454)で検証されました。さらに、混同行列を用いてモデルの性能を評価しました。主要モジュール遺伝子の差異発現は火山図やボックスプロットを用いて可視化され、ROC曲線は個々の遺伝子の診断価値を評価するために構築されました。

遺伝子セット豊富化解析

候補共有トランスクリプトムシグナルに関連する協調機能変化を探るため、clusterProfiler36,37を用いて遺伝子セット豊か解析(GSEA)を実施しました。皮膚筋炎および対照サンプルからの遺伝子発現データは、発現の違いに基づいて順位付けされました。KEGG経路に対応するあらかじめ定義された遺伝子セット(c2.cp.kegg.Hs.symbols.gmt)を用いて、各経路内の遺伝子が上向きまたは下位調節の協調的な傾向を示しているかどうかを評価しました。統計的有意性はP<0.05と定義されました。

免疫細胞浸透解析

正規化され、log2変換され、バッチ補正された皮膚筋炎マトリックスが免疫の脱畳み込みに用いられました。CIBERSORTアルゴリズムを用いて、LM22参照行列38を用いて免疫細胞サブタイプの相対的な存在比を推定しました。デコンボリューション P <0.05のサンプルは下流解析のために保持されました。グループ間で推定される免疫細胞の割合の違いはボックスプロットを用いて可視化され、スピアマン相関解析で免疫細胞サブセットと候補共有遺伝子間の関連性を評価しました。

細胞文脈化のための単一細胞RNAシーケンシング解析

RではSeuratを用いた単細胞RNA-seq解析が行われました。バッチ補正にはHarmony、ダブレット検出にはDoubletFinder、周囲RNA推定にはcelda/decontX、疑似時間軌跡解析にはMonocle、細胞間通信解析にはCellChat、遺伝子セット活性スコアリングにはAUCell、ssGSEAスコアリングにはGSVAが使用されました。生カウント行列は、パラメータmin.cells=5、min.features = 300のSeuratオブジェクトにインポートされました。各細胞ごとにミトコンドリア、リボソーム、ヘモグロビン遺伝子比率などの品質管理指標を算出しました。細胞は以下の条件すべてを満たしている場合にのみ保持されました:nFeature_RNA >500、nCount_RNA <5,000、percent_mito <25、percent_ribo >3、percent_hb <1。3細胞未満で検出された遺伝子は除外されました。さらに、MALAT1およびミトコンドリア遺伝子は下流解析前に除去されました。初期フィルタリング後、DoubletFinderを用いて各サンプルでダブルレットが識別され、PCs=1:30、pN=0.25となりました。期待される二重比率は、サンプル特異的な細胞番号に基づいて設定されました(<4,000細胞:2.5%;4,000〜8,000細胞:5%;>8,000細胞:6.5%)。シングルレットのみが残されました。さらにdecontXを用いて周囲のRNA汚染を推定し、汚染スコア0.2<の細胞は保持されました。

フィルタリングされたデータはLogNormalize法を用いてスケールファクター10,000で正規化され、その後可変遺伝子の特定、データスケーリング、主成分解析が行われました。サンプル間のバッチ効果は、orig.identをバッチ変数にしたHarmonyを用いて補正されました。最初の15個のハーモニー次元は、UMAPの可視化や近傍グラフの構築に使用されました。クラスタリングはFindNeighborsとFindClustersを用いて行われ、最終的なクラスタリング結果は解像度0.05で定義されました。細胞タイプは標準的なマーカー遺伝子とFindAllMarkersの結果に基づいて手動で注釈付けされました。39。

下流の機能的文脈化のために、候補遺伝子活性を単一細胞レベルで評価し、関連する免疫細胞サブセットを軌跡解析および細胞間コミュニケーション解析にかけました。擬似時間解析は、DDRTreeを用いた次元削減を用いたモノクルの後、細胞の順序付けを行った。細胞間通信解析はCellChatを用いてヒトリガンド受容体データベース(分泌シグナル伝達カテゴリに限定)で行われ、10未満の細胞を含む通信は除外されました。

各細胞に対して、候補遺伝子活性はAUCell、ssGSEA、AddModuleScoreの3つの補完的な手法を用いて定量化されました。AUCellスコアは遺伝子ランキング行列に基づいて計算され、ssGSEAスコアはGSVAフレームワークを用いて生成されました。AddModuleScoreはSeuratの組み込み関数を使って計算されました。その結果得られたAUCell、ssGSEA、AddModuleScoreの値を単一のスコアマトリックスにまとめました。各スコアタイプはまずZスコア変換で標準化され、その後最小最大正規化を用いて0–1の範囲に再スケールされました。各セルの最終的な総合スコア(「スコアリング」)は、3つの正規化されたスコアの合計として定義されました。

スコアリング = 正規化されたAUCell + 正規化されたssGSEA + 正規化されたAddModuleScore。

下流サブグループ解析では、CD8⁺ T細胞サブセットを抽出し、このサブセット内の中央値スコアリング値に基づいて細胞を二分化しました。中央値よりスコアリング値が高いセルは第High_Hub_genesグループに割り当てられ、残りのセルはLow_Hub_genesグループに割り当てられました。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

結果

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

大うつ病性と皮膚筋炎の候補共有遺伝子の同定

皮膚筋炎関連GEOデータセットのデータ統合、正規化、バッチ補正(図2A,B)により、合計570の差異発現遺伝子が同定されました(図2C,D)、うち517個がアップレギュレート、53個がダウンレギュレートされました。この皮膚筋炎の差異発現解析は、疾患に関連する転写変化の特徴付けに用いられました。

並行して、WGCNAは大うつ病および皮膚筋炎のデータセットに別途適用され、疾患に関連する共発現モジュールを特定しました。最適なソフト閾値測定力は、大うつ病性障害データセットで4、皮膚筋炎データセットで9でした(図3A,B

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

ディスカッション

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

皮膚筋炎は皮膚や筋肉に顕著な関与を持つ慢性全身性自己免疫疾患であり、臨床観察の結果、皮膚筋炎患者は大うつ病性障害に一致する症状を含む重大な精神的負担を経験する可能性が示唆されています。この文脈で、本研究は統合的バイオインフォマティクス再解析フレームワークを用いて、大うつ病性と皮膚筋炎の間の候補共有トランスクリプトムシグナルを特定し、追加の免疫浸潤解析と単細胞文脈化を用いました。WGCNA、機能豊か解析、GeneMANIAベースのネットワーク解析、機械学習に基づく特徴優先順位付けを統合し、候補の交差疾患遺伝子および経路をスクリーニングしました。この枠組みの中で、KIF4A、OLR1、KIR2DL4、KRT23、KIR3DS1、AZU1、SCG5、LRRC37Eを含む8つのモデル選択遺伝子が後続解釈のために強調されました。免疫浸潤解析を用いてこれらの遺伝子が観察された免疫関連文脈を調査し、皮膚筋炎関連データセットでの単細胞解析は、特にCD8⁺T細胞におけるKIR2DL4およびAZU1に関する追加の細胞文脈情報を提供しました。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

開示事項

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

著者らは本研究に利益相反はないと報告しています。

謝辞

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

著者らは、北京市衛生委員会の優秀臨床研究プログラム(助成金番号:BRWEP2024072120118)、北京市立病院管理センター「育成プログラム」(助成金番号:PZ2025030)、中日友好病院青年プロジェクト(番号2020-1-QN-8)からの資金支援に感謝いたします。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

材料

```html

この記事で使用された材料の一覧
名前会社カタログ番号コメント
AddModuleScoreSeurat functionversion 4.4.0Seuratのモジュールスコア計算
RRID: NA
AUCellBioconductorversion 1.32.0シングルセル遺伝子セット活動スコアリング
RRID: SCR_021327
caretCRANversion 7.0.1機械学習ワークフローサポート
RRID: SCR_022524
celda / decontXBioconductorversion 1.24.0周囲RNA汚染推定
RRID: NA
CellChatGitHub / CellChatversion 2.2.0細胞間コミュニケーション分析
RRID: SCR_021946
CIBERSORT / LM22 signature matrixCIBERSORTLM22免疫細胞浸潤推定
RRID: NA
clusterProfilerBioconductorversion 4.12.6機能エンリッチメント分析
RRID: SCR_016884
CytoscapeCytoscape Consortiumversion 3.10ネットワーク可視化プラットフォーム
RRID: SCR_003032
DoubletFinderGitHub / McGinnis Labversion 2.0.4シングルセルデータセットにおけるダブルット検出
RRID: NA
e1071CRANversion 1.7.16サポートベクターマシンおよびナイーブベイズモデリング
RRID: NA
gbmCRANversion 2.2.2勾配ブースティングマシンモデリング
RRID: NA
Gene Expression Omnibus (GEO) databaseNational Center for Biotechnology Information (NCBI)GSE98793重度のうつ病バルク転写セットデータセット
RRID: NA
Gene Expression Omnibus (GEO) databaseNCBIGSE1551皮膚筋炎トレーニングデータセット; 骨格筋生検サンプル
RRID: NA
Gene Expression Omnibus (GEO) databaseNCBIGSE46239皮膚筋炎トレーニングデータセット; 皮膚生検サンプル
RRID: NA
Gene Expression Omnibus (GEO) databaseNCBIGSE128470皮膚筋炎トレーニングデータセット; 炎症性ミオパシーコホートから抽出された皮膚筋炎サンプル
RRID: NA
Gene Expression Omnibus (GEO) databaseNCBIGSE5370独立した皮膚筋炎検証データセット; 未治療の成人筋サンプル
RRID: NA
Gene Expression Omnibus (GEO) databaseNCBIGSE11971独立した皮膚筋炎検証データセット
RRID: NA
Gene Expression Omnibus (GEO) databaseNCBIGSE39454独立した皮膚筋炎検証データセット; 炎症性ミオパシーコホートから抽出された皮膚筋炎サンプル
RRID: NA
Gene Expression Omnibus (GEO) databaseNCBIGSE190510皮膚筋炎関連シングルセルRNA-seqデータセット
RRID: NA
GeneMANIAUniversity of Toronto / GeneMANIAこの研究でアクセスしたウェブサーバーバージョン機能的関連ネットワーク構築
RRID: RRID:SCR_005709
glmnetCRANversion 4.1.8LASSO、Ridge、Elastic Netモデリング
RRID: NA
GSVABioconductorversion 2.0.7ssGSEAスコアリング
RRID: NA
HarmonyCRANversion 1.2.4シングルセルデータ統合のためのバッチ補正
RRID: NA
limmaBioconductorversion 3.60.6差分発現分析、プローブ集計、正規化ユーティリティ
RRID: SCR_010943
MASSCRANversion 7.3.61線形判別分析
RRID: NA
mboostCRANversion 2.9.11glmBoostモデリング
RRID: NA
MonocleBioconductorversion 2.38.0疑似時間軌道分析
RRID: SCR_016339
org.Hs.eg.dbBioconductorversion 3.19.1ヒト遺伝子アノテーションデータベース
RRID: NA
plsRglmCRANversion 1.5.1部分最小二乗一般線形モデリング
RRID: NA
pROCCRANversion 1.18.5ROC曲線分析
RRID: SCR_024286
R statistical softwareR Foundation for Statistical Computingversion 4.4.2メイン統計計算環境
RRID: SCR_001905
randomForestCRANversion 4.7.1.2ランダムフォレストモデリング
RRID: SCR_015718
RStudioPosit Software, PBCversion 2024.4.1.748Rの統合開発環境
RRID: SCR_000432
SeuratCRAN / Satija Labversion 4.4.0シングルセルRNA-seqの前処理、クラスタリング、視覚化
RRID: SCR_016341
shapvizCRANversion 0.10.2SHAPベースのモデル解釈分析
RRID: NA
svaBioconductorversion 3.52.0ComBatを使用したバッチ効果補正
RRID: NA
WGCNACRANversion 1.73重み付き遺伝子共発現ネットワーク分析
RRID: SCR_0

再版と許可

このJoVE記事のテキストまたは図の再利用許可をリクエスト

許可をリクエスト

タグ

MedicinedepressionDermatomyositisMachine LearningSingle Cell AnalysisBioinformatics analysis

関連記事