このコンテンツを表示するには、JoVEへの購読が必要です。 または、無料トライアルをお申し込みください。

研究記事

心房細動における小胞体ストレス関連免疫シグネチャ:機械学習と単細胞トランスクリプトミクス

146 回視聴

⸱

DOI:

10.3791/71532

⸱

2026年8月7日

 ,  ,  ,  ,  ,  , 
1Department of Traditional Chinese Medicine, Aerospace Center Hospital, 2Third Affiliated Hospital, Beijing University of Chinese Medicine, 3College of Traditional Chinese Medicine, Shandong University of Traditional Chinese Medicine, 4School of Basic Medical Sciences, Harbin Medical University

* These authors contributed equally

この記事について

サマリー

ここでは、公開的なバルクトランスクリプトミクス、機械学習、免疫浸潤解析、単細胞トランスクリプトミクスを統合し、再現可能なバイオマーカーの優先順位付けと細胞型局在化を目的とした心房細動における小胞体ストレス関連免疫署名を特定するプロトコルを提示します。

要約

本研究は、バルクトランスクリプトミクス、機械学習、免疫浸潤解析、単細胞トランスクリプトミクスを統合することで、心房細動(AF)における小胞体ストレス(ERS)関連遺伝子シグネチャーを特定する再現可能な計算ワークフローを説明しています。公開された大量トランスクリプトミクスデータセットはGene Expression Omnibus(GEO)から取得され、その後表現型調和、正規化、バッチ効果補正、差異発現解析が行われました。加重遺伝子共発現ネットワーク解析(WGCNA)をERS関連遺伝子セットと組み合わせて、ERS関連遺伝子候補を特定しました。その後、マルチアルゴリズムの機械学習フレームワークを用いて特徴選択戦略とモデルフィッティング戦略を比較しました。選定されたモデルは独立した外部検証コホート(GSE115574)で評価され、追加のコホート(GSE14975)でさらに評価され、識別性能は受信者の動作特性(ROC)解析および曲線下面積(AUC)によって定量化されました。このワークフローを用いて、22のERS関連コア遺伝子が特定され、18遺伝子のElastic Net(Enet)モデルがトレーニングおよび検証コホート全体で最も高い識別性能を示しました。SHapley加法解析(SHAP)は、RPS11、NCF2、S100A4などの遺伝子がモデル予測に大きく寄与していることを強調しました。免疫の脱畳み込みおよび単細胞トランスクリプトム解析により、ERS関連シグネチャーは主に単球-マクロファージ系統にマッピングされ、AF関連の免疫リモデリングに関与する可能性が示唆されました。このワークフローは、疾患関連のトランスクリプトムシグネチャーを特定の免疫細胞集団に結びつける再現可能な戦略を提供し、適切なバルクおよび単一細胞データセットを用いて他の疾患文脈にも適応可能です。

概要

心房細動(AF)は臨床現場で最も一般的な持続性不整脈であり、心房の電気活動の乱れと機械機能の喪失を特徴とします。これは脳卒中、心不全、全死亡率のリスクを大幅に増加させ、世界的な公衆衛生上の大きな負担となります。現在のAFの臨床管理は大きな課題に直面しています。従来の抗不整脈薬は洞調律の長期的な有効性が限られており、不整脈や心毒性などの副作用が継続的な使用を制限しています2,3。持続的なAF4に対してもカテーテルアブレーションは長期洞調律を維持する上で依然として困難です。新しい治療戦略は、AFの上流メカニズムの分子構造の体系的な理解が不足しているため、正確な標的の同定と翻訳が困難となっています。研究によれば、AFの病理的進行は電気的、構造的、自律神経系の再構築を含む複数の次元にわたる複雑な相互作用を伴うことが示されています。その中でも、心筋線維症を中心とした心房構造の再構築が、AF5,6,7の維持に重要なメカニズムです。

したがって、線維化を引き起こす上流のストレス経路を明らかにすることが、持続性心房細動における治療的ボトルネックを克服する鍵の一つです。最近の研究では、細胞が細胞内外の摂動に対処するための重要な調節ハブである小胞体ストレス(ERS)は、ER恒常性が乱され、ER腔内に折りたたまれていないまたは誤ったタンパク質が過剰に蓄積すると引き起こされる、非常に保守的な適応応答であることが示唆されています。ERSはプロテオスタシス、カルシウムサイクル、炎症反応、アポトーシスの調節を通じて心房再構築に関与する可能性があります8,9。しかし、心房細動におけるERSの上流トリガー、主要なエフェクター分子、下流経路はまだ体系的に特徴づけられておらず、その重要な結節や心房再構築における実行可能な介入点の特定が困難です。

従来のバルクトランスクリプトミクス研究と比較して、マルチオミクス統合はより堅牢な集団レベルの疾患関連シグナルを得ることができます。さらに、単一細胞トランスクリプトミクスを取り入れることで、細胞の異質性を解析し、これらの信号の細胞源を特定することで、特定の細胞タイプおよびそれらの相互作用経路に関連付け結果をマッピングすることが可能になります。これは、後の機構調査やターゲットの優先順位付けの基盤となります。本研究では、AFに関連するバルクトランスクリプトミックおよび単細胞トランスクリプトミクスデータセットをGene Expression Omnibus(GEO)データベースから取得しました。ERS関連のコアモジュールは、差別発現解析および加重遺伝子共発現ネットワーク解析(WGCNA)を通じて同定されました。単一細胞解析を統合することで、主要な分子は特定の細胞型およびそれらの相互作用ネットワークにさらに局在化されました。本研究は総じて、心房細動におけるERS関連の主要ネットワークと構造的再構築との関連を明確にし、標的発見およびメカニズム駆動型の層別治療戦略の根拠を提供することを目指しています。

単一データセットの差異発現解析や単一アルゴリズムバイオマーカースクリーニングと比較して、このワークフローはクロスコホート検証、生物学的に制約された特徴選択、多アルゴリズムモデル比較、免疫デコンボリューション、単一細胞トランスクリプトミクスを統合することで、堅牢性と解釈性を向上させます。これらのステップは、再現可能なERS関連シグネチャーの優先順位付けや、バルク由来シグナルを特定の免疫細胞集団や相互作用ネットワークに局在化するのに役立ちます。このワークフローは、明確に定義された疾患・対照群、比較可能な組織源、十分なサンプルサイズ、利用可能な表現型注釈を持つ公開または社内トランスクリプトミックデータセットを用いた研究に適しています。特に、仮説の生成、バイオマーカーの優先順位付け、疾患関連分子プログラムの細胞型局在化に有用です。しかし、その性能はデータセットの品質、表現型の一貫性、効果的なバッチ効果補正に依存します。したがって、このワークフローで特定された候補署名は、臨床翻訳前に独立したコホートや実験モデルでの検証が必要です。全体の研究ワークフローは 図1に示されています。

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。

プロトコル

2023年2月18日に中国で公布された「ヒト被験者を含む生命科学および医療研究の倫理審査基準」に基づき、公開データを用いた研究は倫理審査の免除基準を満たす可能性があります。この研究は公開されている非特定化された二次トランスクリプトムデータのみを使用し、新たなヒト参加者の募集、ヒトサンプルの収集、動物実験は含まれていません。したがって、追加の機関倫理承認は必要ありませんでした。本研究では動物実験は行われていません。したがって、施設動物管理・利用委員会からの承認は適用されませんでした。

心房細動における小胞体ストレス関連遺伝子のデータソース
本研究では、GSE41177、GSE79768、GSE115574、GSE14975、GSE165838を含む、公開されているAF関連のトランスクリプトミックデータセットをGEOデータベースから取得しました。GSEデータセットの詳細は補 足ファイル1—補足表S1に記載されています。統合されたバルクトランスクリプトミックトレーニングコホートの構築にはGSE41177とGSE79768が用いられ、GSE115574とGSE14975は独立した外部検証コホートとして用いられました。GSE165838は単細胞トランスクリプトミクス解析に用いられました。これらのデータセットは異なるプラットフォームで生成され、組織の供給元、臨床背景、サンプル組成が異なる可能性があるため、各データセットは統合または検証前にプラットフォーム特性に応じて個別に前処理されました。その後、統合された訓練コホートに対してsva Rパッケージを用いてバッチ効果補正が行われました。小胞体ストレス関連遺伝子セットはGeneCardsデータベースから関連スコア3≥取得され、重複除去後に本研究で使用されるターゲット遺伝子リストを形成しました。

差異発現遺伝子の解析
データの標準化と正規化の後、Rパッケージのlimmaは統合訓練セット内の差分発現遺伝子(DEG)を特定するために用いられました。DEGsは以下の有意基準を用いて定義されました:偽発見率調整P値(形容詞:P.Val) < 0.05 および |log2FC|> 0.58510.DEGの表現パターンを可視化するために、それぞれggplot2パッケージとpheatmapパッケージを用いて火山プロットとヒートマップが生成されました。

WGCNA分析
協調遺伝子調節の潜在的なメカニズムの解明、共発現モジュールと臨床特性変数間の関連パターンの定義、翻訳の可能性を持つコアバイオマーカーまたは治療標的を特定するために、WGCNAが適用されました。

RのWGCNAパッケージを用いて重み付き共発現ネットワークを構築しました。ソフトしきい値の積み(β)はスケールフリートポロジー基準に従って選ばれました。スケールフリー位相適合指数(R2)が0.85を超えたとき、対応するβ値は後続解析のために選ばれました。モジュール同定時には、動的木切断やモジュール検出感度に関連するパラメータが最適化され、モジュール境界の解像度と安定性が向上しました。最後に、ターゲット形質に有意に関連するモジュールを抽出し、後続解析のための候補遺伝子セットとしてモジュール内ハブ遺伝子を特定しました。

AF関連DEGの濃縮分析
ハブ遺伝子を正確に同定するために、DEGはまずWGCNAの主要なモジュールの遺伝子と交差し、AFの病因に関与する遺伝子群を定義しました。次に、このAF遺伝子セットをERS関連遺伝子とさらに交差させ、重なり合う遺伝子を保持して後の解析に用いられました。

スクリーニングされた遺伝子の機能豊かさは、Gene Ontology(GO)および京都遺伝子・ゲノム百科事典(KEGG)解析を用いて評価されました。GO用語はRパッケージclusterProfilerで解析され、生物学的プロセス(BP)、細胞成分(CC)、分子機能(MF)カテゴリーの濃縮を要約しました。13。その後、KEGG解析を用いて標的遺伝子に関連する濃縮経路を特定しました14。調整後P値<0.05の濃縮結果は統計的に有意とみなされました。主要なGO項とKEGG経路はggplot2を用いてバープロットおよびバブルプロットとして表示されました。

タンパク質間相互作用(PPI)解析
PPI解析は、交差遺伝子セットをSTRINGデータベースにアップロードし、生物は ホモ・サピエンスに限定されました。切断されたノードは除去され、中程度の信頼度スコア閾値(合計スコア≥0.4)で相互作用を検索しました。得られたPPIネットワークは、トポロジカル解析のためのネットワーク可視化・解析ツールにインポートされ、主要なノードを特定しました。

12の機械学習アルゴリズムに基づく候補AF-ERS分類モデルの構築
本研究では、AFに関連するERS関連候補シグネチャー遺伝子をスクリーニングし、分類性能を最適化するために、12の従来型機械学習アルゴリズムに基づくアンサンブル分類フレームワークが開発されました。データ分割のために、標準化と正規化の後、GSE41177とGSE79768を統合してトレーニングコホートの表現行列を生成しました。GSE115574モデルの一般化可能性を評価する独立した外部検証コホートとして用いられました。具体的には、DEGはトレーニングコホート(|log2FC| >0.585、調整後p <0.05)で最初に特定されました。これらのDEGは、主要なWGCNAモジュールやERS関連遺伝子と交差し、得られた遺伝子セットをモデル構築の入力特徴として用いました。

ERS関連遺伝子とAF表現型を結びつけるために、12の機械学習手法を用いて分類モデル候補が開発されました:Lasso、Ridge、ステップワイズ一般化線形モデル(Stepglm)、極端勾配ブースティング(XGBoost)、ランダムフォレスト(RF)、弾性ネット(Enet)、一般化線形モデルの部分最小二乗回帰(plsRglm)、一般化強化回帰モデリング(GBM)、ナイーブベイズ、線形判別解析(LDA)、glmBoost、 およびサポートベクターマシン(SVM)です。体系的な組合せモデリング戦略を採用し、最初のアルゴリズムに2つ目のアルゴリズムを追加し、チューニングパラメータαで統合した結果、特徴選択とモデルフィッティングの113の組み合わせが包括的に評価されました。モデル識別力は、受信者の運転特性曲線(AUC)下面積を計算することで評価されました。既に報告されたモデル選択基準によれば、最終候補フレームワークは、トレーニングおよび検証コホートの平均AUCによって評価された、全体的に最も優れたパフォーマンスを持つモデルと定義されました。

この組み合わせモデリング戦略は、生物医学機械学習に関する先行研究に基づき15,16,17。これらの研究を総合すると、データセットや分析タスクにおいて、単一のアルゴリズムが一貫して他より優れていることが示されています。この前提に基づき、アンサンブル学習と組合せモデリングの枠組みを採用することで、より安定した一般化可能性を持つ高性能候補モデルを得る可能性が高まり、モデル選択の堅牢性も向上します。

その後、SHapley加法説明(SHAP)値を適用し、AF分類を駆動する主要な特徴を可視化し、各特徴が予測結果にどれほど寄与するかを定量化し、個々のシグネチャー遺伝子が最終モデル出力にどのように影響するかを示すために機械学習モデルを解釈しました。

モデル性能の評価と最適モデルの外部検証
最適モデルのパフォーマンスはトレーニングコホートと独立した外部検証コホート(GSE115574)で評価されました。モデルレベルでは、予測されたクラスラベルに基づいて混乱行列を構築し、対応する分類指標が報告されました。受信機動作特性(ROC)曲線はRパッケージpROCを用いて生成され、AUCは識別性能を定量化するために計算されました。

バイオマーカーレベルでは、最適モデル内の各主要遺伝子に対して単一遺伝子ROC曲線をプロットし、対応するAUCを計算して個々の識別能力を評価しました。さらに、主要遺伝子の発現差異を火山プロットでまとめ、疾病サンプルと健康サンプルにおける発現分布を示すボックスプロットを用いました。以前に定義された最適モデル由来遺伝子シグネチャの一般化可能性をさらに評価するため、GSE14975を用いた追加の独立した外部検証が行われました。GSE14975は、5つの心房細動サンプルと5つの洞調律/対照サンプルを含む左心房付属肢サンプルからのトランスクリプトミックデータを含みます。ロックされたシグネチャに含まれるすべての遺伝子はこのデータセットで利用可能でした。元のクロスコホート分析ワークフローとの整合性を保つため、開発コホートとGSE14975はComBatを用いて調和され、データセットソースをバッチ変数として設定しました。このハーモナイズは監督なしで行われました。重要なのは、GSE14975からの疾病・制御ラベルは特徴選択、係数推定、閾値決定、またはハイパーパラメータ調整には使用されなかったことです。

最適なモデル由来スコアリングモデルは開発コホートのみを用いて適用され、外部検証のためにGSE14975に適用されました。GSE14975におけるモデルの性能は、受講者の操作特性曲線解析、曲線下面積、95%信頼区間(CI)、感度、特異度、正確性、陽性・陰性予測値、およびBrierスコアを用いて評価されました。さらに、GSE14975の最適なモデル由来遺伝子に対して単一遺伝子ROC曲線を作成し、個々の識別能力を示しました。開発コホートにおける潜在的な過適合をさらに評価するため、ロックド最適モデルから導出された遺伝子シグネチャを用いて繰り返し10折のクロスバリデーションおよびブートストラップ楽観主義補正を実施しました。繰り返しのクロスバリデーションのために、開発コホートは繰り返し10のフォールドに分割され、モデルの識別はすべての反復にわたって要約されました。ブートストラップ検証のために、1,000件のブートストラップ再サンプルが作成され、見かけの開発セット性能の楽観度を推定し、楽観主義補正されたAUCを計算しました。最終的なシグネチャーは最適モデルから導き出されたため、各遺伝子の寄与は主にモデル係数の絶対大きさと方向に基づいて解釈されました。さらに、各構成遺伝子の個別識別能力を示すために、GSE14975では単一遺伝子ROC解析が実施されました。可視化のため、単一遺伝子のROC曲線は、AFと高い発現または低い発現が関連しているかに関わらず識別能力を反映するように配置されました。

遺伝子セット濃縮解析(GSEA)
主要遺伝子の機能的含意を探るために、疾患群19のサンプルを用いてGSEAが実施されました。各主要遺伝子に対して、サンプルは疾患群の中央値発現値を基準に高発現サブグループと低発現グループに層分けされました。各遺伝子の2つのサブグループ間の平均発現差を計算し、エンリッチメント解析の入力として降順のランク付け遺伝子リストが作成されました。GSEAはRパッケージclusterProfilerを用いて実施され、MSigDBコレクションc2.cp.kegg.Hs.symbols.gmtから得られた遺伝子セットを用いています。統計的有意性はp < 0.05と定義されました。濃縮方向は正規化濃縮スコア(NES)の符号によって決定され、代表的な経路の濃縮プロットが作成されました。

免疫細胞サブタイプ存在量および発現差異の評価
CIBERSORTのデコンボリューションアルゴリズムを用いて、浸透免疫細胞サブセットの相対的な存在比とサンプル間の相互関係を推定しました。LM22白血球シグネチャーマトリックスに基づき、RパッケージCIBERSORT20を用いて遺伝子発現プロファイルから免疫細胞組成を定量的に推定しました。結果をフィルタリングするためにp <0.05の閾値を用い、この基準を満たすサンプルのみが後続解析のために保持されました。AF群と対照群間の推定される免疫細胞サブセットの相対割合を比較するためにボックスプロットが作成されました。さらに、スピアマンの相関解析を用いて免疫細胞浸潤レベルとハブ遺伝子発現の関連性を評価しました。

単一セル解析
単細胞トランスクリプトミクス解析はGEOデータセットGSE165838を用いて実施されました。生の遺伝子・細胞数マトリックスはRにインポートされ、Seurat v4.4.0で処理されました。各サンプルに対して、CreateSeuratObjectを用いてmin.cells = 5、min.features = 300のSeuratオブジェクトが生成されました。検出された遺伝子数、総一意分子識別子(UMI)数、ミトコンドリア遺伝子パーセンテージ、リボソーム遺伝子パーセンテージ、ヘモグロビン遺伝子パーセンテージなどの品質管理指標が各細胞ごとに計算されました。検出された遺伝子が500個以上、UMI数が5,000未満、ミトコンドリア遺伝子割合が25%、リボソーム遺伝子割合>3%、ヘモグロビン遺伝子割合<1%<保持されました。3細胞未満で検出された遺伝子は除去されました。MALAT1およびミトコンドリア遺伝子も後続解析前に除外しました。DoubletFinderは潜在的な二重眼の検出と除外に用いられました。簡単に言えば、細胞はサンプルの同一性によって分割され、各サンプルごとに主成分1から30までを用いて二重検出が別々に行われました。

pNパラメータは0.25に設定され、パラメータスイーピングで得られる最大BC指標に基づいて最適なpK値を選択しました。期待される二重線率は各サンプルから回収された細胞数に基づいて推定され、比較的低い細胞数、中間的、高いサンプルではそれぞれ2.5%、5%、6.5%が用いられました。単一細胞と分類された細胞のみが保持されました。DecontXを用いて周囲のRNA汚染をさらに推定し、汚染スコア0.2≥の細胞は除外しました。品質管理、二重体除去、環境RNAフィルタリングの後、40,886個の細胞と23,947個の遺伝子が後続解析のために保持されました。フィルタリングされた単一細胞データセットは、スケールファクター10,000を用いてLogNormalize法で正規化され、その後、非常に変動の大きい遺伝子を特定しました。その後、主成分解析の前にデータを拡大縮小しました。

サンプル固有のバッチ効果を減らすために、orig.identをバッチ変数としてHarmonyを適用しました。一様多様体近似射影(UMAP)の可視化および最近傍グラフの構築は、最初の15次元ハーモニー補正次元21を用いて実施されました。クラスタリングはルーヴァンアルゴリズムを用いて行われ、複数のクラスタリング解像度が評価されました。最後の主要なセルタイプ注釈は、解像度0.05のクラスタリング結果に基づいています。細胞クラスターは標準的なマーカー遺伝子発現に基づいて手動で注釈付けされました。このマーカーベースの注釈戦略は、従来の単細胞免疫プロファイリング研究と一致しています。T細胞はCD3D、CD3E、TRACで同定されました。NKG7、GNLY、NCAM1、KLRG1による自然キラー(NK)細胞、LYZ、CD14、FCGR3A、CD68、CD163、FCN1、TYROBP、S100A8、S100A9による単球マクロファージ細胞;MS4A1およびCD79AによるB細胞;MZB1およびXBP1による形質細胞、PECAM1、VWF、CDH5による内皮細胞、ACTA2、TAGLN、MYH11、MYL9による血管平滑筋細胞、線維芽細胞はDCN、LUM、COL1A1、COL1A2、PDGFRAによるもので、FCGR3B、CXCR2、S100A8、MPOによる好中球様細胞、TPSB2による肥満細胞、およびLILRA4、CD1C、XCR1による樹状突起細胞です。クラスター間のマーカー遺伝子発現はドットプロットを用いて可視化され、最終的なERS関連ハブ遺伝子の発現分布はUMAP埋め込み上で可視化されました。

ERS関連転写活性を単一細胞レベルで定量化するため、最終的なハブ遺伝子セットを用いてAUCell、単一サンプル遺伝子セット濃縮解析、Seurat AddModuleScoreを用いた細胞ごとのシグネチャースコアを算出しました。AUCellでは、正規化されたRNA発現マトリックスから細胞ランキングを作成し、ランク付け遺伝子の上位10%を最大ランク閾値とするハブ遺伝子セットを用いてAUCスコアを算出しました。ssGSEAでは、GSVAパッケージを用いてエンリッチメントスコアが計算されました。3つのスコアリング出力は中央に合わせられスケーリングされ、ミニマックス正規化され、最終的に合計されて各セルの統合ERS関連の総合スコアが生成されました。複合スコアの分布は、ERS関連プログラムの細胞型異質性を評価するために、注釈付き細胞集団間で比較されました。単球-マクロファージ系統はERS関連の顕著なシグネチャー増強を示し、免疫炎症のリモデリングと密接に関連していたため、その後の系統内解析に選定されました。単球・マクロファージ細胞は、ERS関連の中央値複合スコアに基づいて高得点群と低得点群に分けられました。その後、モノクルを用いて単球・マクロファージ細胞に対して擬似時間軌跡解析が行われました。

疑似時間解析のために、生カウント行列から負の二項式表現モデルを用いてCellDataSetオブジェクトが作成されました。その後、サイズ要因と分散を推定しました。順序遺伝子は平均発現閾値≥0.1と、適合した分散を上回る経験的分散を用いて選定されました。DDRTreeアルゴリズムによって次元が低減され、セルは推定された軌跡に沿って順序付けされました。ERS関連ハブ遺伝子の擬似時間に沿った動的発現パターンを可視化しました。CellChatを用いて細胞間コミュニケーション解析を行い、異なるERS関連スコアを持つ単球-マクロファージ細胞間のリガンド-受容体相互作用の可能性を探りました。この解析では、単球-マクロファージ細胞は中央値複合スコアに基づいて高得点または低得点で標識され、他の細胞は元の細胞型標識を保持しました。正規化されたRNA発現マトリックスと対応する細胞群の注釈を用いてCellChatオブジェクトが作成されました。細胞間通信解析にはヒト用CellChatDBデータベースが選ばれ、シグナル伝達の秘密伝達のみが評価されました。過剰発現遺伝子およびリガンド-受容体対を検出し、その後コミュニケーション確率を計算しました。10個未満の細胞群は相互作用解析から除外されました。その後、経路レベルのコミュニケーション確率を推定・集約し、細胞集団間の相互作用の数と強度を比較しました。再現性を容易にするために、以下に各プロトコルステップを対応する期待出力図または表にリンクしたチェックポイント表が提供されています(補足ファイル1—補足表S2)。

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

AFにおける差異発現遺伝子の同定
コホート間の比較可能性を高めるため、AF関連のトランスクリプトミックデータセット(GSE41177およびGSE79768)を統合し、結合した発現マトリックス上でバッチ効果を補正しました。図2A、Bはバッチ効果補正前後のグローバル表現分布のボックスプロットを示しており、表現強度分布がサンプル間で比較可能かどうかを評価するために用いられました。図2C,Dは、バッチ効果補正前後の主成分分析(PCA)プロットを示しており、サンプルレベルのクラスタリングパターンやコホート関連の分離を評価するために用いられました。補正後、グローバル発現分布はより一貫性となり、PCA空間ではコホート間の体系的な分離が著しく弱まったため、バッチ効果が効果的に緩和されたことが示唆されました。その後、バッチ補正結合データセットを用いて差異発現解析を...

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

本研究では、ERSがAFに果たす役割を調査するために、バルクトランスクリプトームおよび単一細胞トランスクリプトームを統合しました。ERS関連の遺伝子シグネチャで良好なクロスコホート識別が得られ、これらのシグナルは主に単球-マクロファージ系統にマッピングされ、広範な細胞間通信と関連していました。総じて、ERS関連プログラムはAFにおける免疫細胞中心のリモデリングと関連していることを示唆しています。バルクのみのバイオマーカースクリーニングと比較して、このワークフローは疾患関連遺伝子の多層的な解釈を提供します。WGCNAとERS関連の遺伝子フィルタリングの統合により生物学的特異性が向上し、複数の機械学習アルゴリズムを比較することで単一のモデリング戦略への依存が減ります。SHAP解析は、各特徴の相対的な寄与と方向を特定することで、モデルの解釈可能性をさらに向上させます。さらに、単一細胞トランスクリプトミクスはバルク由来のシグネチャーを特定の細胞集団にマッピングし、細胞源や細胞間コミュニケーションに関する機構的仮説を導き出します。このワークフローの成功を決定づける重要なステップが...

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

著者らは本研究に利益相反はないと報告しています。この原稿の改訂中、OpenAIのChatGPTは英語の仕上げの補助にのみ使用されました。著者はすべてのAI支援テキストをレビュー、検証、編集し、最終原稿の正確性と完全性に全面的に責任を負います。研究アイデアの生成、データ分析、結果の解釈、図や表の作成、科学的結論の導出にAI支援ツールは使用されませんでした。記事で報告された作業は著者自身によるものです。F.T、PR。W: 執筆 - オリジナルドラフト、ソフトウェア、方法論、可視化、検証、データキュレーション。サイ。T: 調査と方法論。。B:監督。QRです。L: 監督、方法論、データキュレーション。XY。J、YX。X: 文献検索とデータ解釈。

材料

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 4.4.0NA
AUCellBioconductorversion 1.32.0RRID:SCR_021327
caretCRANversion 7.0.1RRID:SCR_022524
celda / decontXBioconductorversion 1.24.0NA
CellChatGitHub / CellChatversion 2.2.0RRID:SCR_021946
CIBERSORT / LM22 signature matrixCIBERSORTLM22NA
clusterProfilerBioconductorversion 4.12.6RRID:SCR_016884
CytoscapeCytoscape Consortiumversion 3.10RRID:SCR_003032
DoubletFinderGitHub / McGinnis Labversion 2.0.4NA
e1071CRANversion 1.7.16NA
gbmCRANversion 2.2.2NA
Gene Expression Omnibus (GEO) databaseNational Center for Biotechnology Information (NCBI)GSE41177NA
Gene Expression Omnibus (GEO) databaseNCBIGSE79768NA
Gene Expression Omnibus (GEO) databaseNCBIGSE115574NA
Gene Expression Omnibus (GEO) databaseNCBIGSE14975NA
Gene Expression Omnibus (GEO) databaseNCBIGSE165838NA
glmnetCRANversion 4.1.8NA
HarmonyCRANversion 1.2.4NA
limmaBioconductorversion 3.60.6RRID:SCR_010943
MASSCRANversion 7.3.61NA
mboostCRANversion 2.9.11NA
MonocleBioconductorversion 2.38.0RRID:SCR_016339
org.Hs.eg.dbBioconductorversion 3.19.1NA
plsRglmCRANversion 1.5.1NA
pROCCRANversion 1.18.5RRID:SCR_024286
R statistical softwareR Foundation for Statistical Computingversion 4.4.2RRID:SCR_001905
randomForestCRANversion 4.7.1.2RRID:SCR_015718
RStudioPosit Software, PBCversion 2024.4.1.748RRID:SCR_000432
SeuratCRAN / Satija Labversion 4.4.0RRID:SCR_016341
shapvizCRANversion 0.10.2NA
svaBioconductorversion 3.52.0NA
WGCNACRANversion 1.73RRID:SCR_003302
xgboostCRANversion 1.7.8.1NA

参考文献

  1. Saleh K, Haldar S. Atrial fibrillation: a contemporary update. Clin Med (Lond). 2023;23(5):437-41.
  2. Lemme M, et al. Atrial-like engineered heart tissue: an in vitro model of the human atrium. Stem Cell Reports. 2018;11(6):1378-90.
  3. van Gorp PRR, Trines SA, Pijnappels DA, de Vries AAF. Multicellular in vitro models of cardiac arrhythmias: focus on atrial fibrillation. Front Cardiovasc Med. 2020;7:43.
  4. Scherr D, et al. Five-year outcome of catheter ablation of persistent atrial fibrillation using termination of atrial fibrillation as a procedural endpoint. Circ Arrhythm Electrophysiol. 2015;8(1):18-24.
  5. Staerk L, et al. Atrial fibrillation: epidemiology, pathophysiology, and clinical outcomes. Circ Res. 2017;120(9):1501-17.
  6. Schotten U, Verheule S, Kirchhof P, Goette A. Pathophysiological mechanisms of atrial fibrillation: a translational appraisal. Physiol Rev. 2011;91(1):265-325.
  7. Van Wagoner DR, Chung MK. Inflammation, inflammasome activation, and atrial fibrillation. Circulation. 2018;138(20):2243-6.
  8. Yuan M, et al. IP3R1/GRP75/VDAC1 complex mediates endoplasmic reticulum stress-mitochondrial oxidative stress in diabetic atrial remodeling. Redox Biol. 2022;52:102289.
  9. Wang M, Kaufman RJ. Protein misfolding in the endoplasmic reticulum as a conduit to human disease. Nature. 2016;529(7586):326-35.
  10. Ritchie ME, et al. limma powers differential expression analyses for RNA-sequencing and microarray studies. Nucleic Acids Res. 2015;43(7):e47.
  11. Langfelder P, Horvath S. WGCNA: an R package for weighted correlation network analysis. BMC Bioinformatics. 2008;9:559.
  12. Hu H, et al. Dissection of metabolome and transcriptome: insights into capsaicin and flavonoid accumulation in two typical Yunnan Xiaomila fruits. Int J Mol Sci. 2024;25(14):7761.
  13. Chen GY, et al. Integrating network pharmacology and experimental validation to explore the key mechanism of Gubitong Recipe in the treatment of osteoarthritis. Comput Math Methods Med. 2022;2022:7858925.
  14. Chen GY, et al. Prediction of Rhizoma Drynariae targets in the treatment of osteoarthritis based on network pharmacology and experimental verification. Evid Based Complement Alternat Med. 2021;2021:5233462.
  15. Díaz-Uriarte R, Alvarez de Andrés S. Gene selection and classification of microarray data using random forest. BMC Bioinformatics. 2006;7:3.
  16. Saeys Y, Inza I, Larrañaga P. A review of feature selection techniques in bioinformatics. Bioinformatics. 2007;23(19):2507-17.
  17. Statnikov A, Wang L, Aliferis CF. A comprehensive comparison of random forests and support vector machines for microarray-based cancer classification. BMC Bioinformatics. 2008;9:319.
  18. Liu H, et al. Unraveling diethyl phthalate-induced prostate carcinogenesis: core targets revealed by integrated network toxicology, machine learning, and structural validation. Hum Genomics. 2025;19(1):149.
  19. Subramanian A, et al. Gene set enrichment analysis: a knowledge-based approach for interpreting genome-wide expression profiles. Proc Natl Acad Sci U S A. 2005;102(43):15545-50.
  20. Newman AM, et al. Robust enumeration of cell subsets from tissue expression profiles. Nat Methods. 2015;12(5):453-7.
  21. Xu H, et al. Single-cell transcriptomics reveals CCL3+ classical monocyte subset linked to autoimmune pathogenesis. J Inflamm Res. 2025;18:16273-91.
  22. Wang Y, et al. Immunological profiling of rheumatoid factor-positive primary Sjögren’s syndrome by single-cell RNA sequencing. Front Immunol. 2026;17:1822615.
  23. Wiersma M, et al. Endoplasmic reticulum stress is associated with autophagy and cardiomyocyte remodeling in experimental and human atrial fibrillation. J Am Heart Assoc. 2017;6(10):e006458.
  24. Hu HJ, et al. Hydrogen sulfide ameliorates angiotensin II-induced atrial fibrosis progression to atrial fibrillation through inhibition of the Warburg effect and endoplasmic reticulum stress. Front Pharmacol. 2021;12:690371.
  25. Liu Y, et al. Integrative transcriptomic, proteomic, and machine learning approach to identifying feature genes of atrial fibrillation using atrial samples from patients with valvular heart disease. BMC Cardiovasc Disord. 2021;21(1):52.
  26. Fu S, et al. Using integrative bioinformatics approaches and machine-learning strategies to identify potential signatures for atrial fibrillation. Int J Cardiol Heart Vasc. 2025;56:101592.
  27. Wu S, et al. Multiplex proteomics identifies inflammation-related plasma biomarkers for aging and cardio-metabolic disorders. Clin Proteomics. 2024;21(1):30.
  28. Xie Z, et al. Identification and verification of biomarkers and immune infiltration in obesity-related atrial fibrillation. Biology (Basel). 2023;12(1):121.
  29. Huo TM, Wang ZW. Comprehensive analysis to identify key genes involved in advanced atherosclerosis. Dis Markers. 2021;2021:4026604.
  30. Chen M, et al. Weighted gene co-expression network analysis identifies crucial genes mediating progression of carotid plaque. Front Physiol. 2021;12:601952.
  31. Wang S, et al. S100A8/A9 in inflammation. Front Immunol. 2018;9:1298.
  32. Wang Q, et al. Myeloid-specific S100A8/A9 deficiency attenuates atrial fibrillation through prevention of TLR4/NF-κB-mediated immune cell recruitment and inflammation. Front Immunol. 2025;16:1623486.
  33. Wu CL, Yin R, Wang SN, Ying R. A review of CXCL1 in cardiac fibrosis. Front Cardiovasc Med. 2021;8:674498.
  34. Zhang YF, et al. CXCR4 and TYROBP mediate the development of atrial fibrillation via inflammation. J Cell Mol Med. 2022;26(12):3557-67.
  35. Hulsmans M, et al. Recruited macrophages elicit atrial fibrillation. Science. 2023;381(6654):231-9.
  36. van der Net JB, et al. Arachidonate 5-lipoxygenase-activating protein gene and coronary heart disease risk in familial hypercholesterolemia. Atherosclerosis. 2009;203(2):472-8.
  37. Ye X, et al. ALOX5AP predicts poor prognosis by enhancing M2 macrophage polarization and immunosuppression in serous ovarian cancer microenvironment. Front Oncol. 2021;11:675104.
  38. Song P, Deng H, Liu Y, Zhang M. Integrated bioinformatics analysis and experimental validation reveal the relationship between ALOX5AP and the prognosis and immune microenvironment in glioma. BMC Med Genomics. 2024;17(1):218.
  39. Chen S, Tang L, Guillot A, Liu H. Bariatric surgery associates with nonalcoholic steatohepatitis/hepatocellular carcinoma amelioration via SPP1 suppression. Metabolites. 2023;13(1):11.
  40. Ji H, et al. Integrated genomic, transcriptomic, and epigenetic analyses identify a leukotriene synthesis-related M2 macrophage gene signature that predicts prognosis and treatment vulnerability in gliomas. Front Immunol. 2022;13:970702.
  41. Sirish P, et al. The critical roles of proteostasis and endoplasmic reticulum stress in atrial fibrillation. Front Physiol. 2021;12:793171.
  42. Sun Z, et al. Cross-talk between macrophages and atrial myocytes in atrial fibrillation. Basic Res Cardiol. 2016;111(6):63.
  43. Schall TJ, Proudfoot AEI. Overcoming hurdles in developing successful drugs targeting chemokine receptors. Nat Rev Immunol. 2011;11(5):355-63.

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。

再版と許可

タグ

医学第234号第234号空の値号単一細胞解析SHAP解析
お問い合わせ
図書館に推薦する

プライバシー

利用規約

ポリシー

著作権 © 2026 MyJoVE Corporation. 無断転載を禁じます。