Deze studie analyseerde single-nuclei transcriptomen van drieëndertig personen met de ziekte van Alzheimer (AD), waarbij geslachtsspecifieke DEG's in gliacellen werden onthuld. Functionele verrijkingsanalyse benadrukte synaptische, neurale en hormoongerelateerde routes. De belangrijkste genen, namelijk NLGN4Y en zijn regulatoren, werden geïdentificeerd en potentiële therapeutische kandidaten voor genderspecifieke AD werden voorgesteld.
Methodenartikel
Identificatie van biomarkers voor genderspecificiteit van de ziekte van Alzheimer op basis van de gliale transcriptoomprofielen
* These authors contributed equally
In dit artikel
Samenvatting
Samenvatting
Veel geslachtsspecifieke biomarkers zijn onlangs onthuld bij de ziekte van Alzheimer (AD); Cerebrale gliacellen werden echter zelden gerapporteerd. Deze studie analyseerde 220.095 single-nuclei transcriptomen uit de frontale cortex van drieëndertig AD-individuen in de GEO-database. Geslachtsspecifieke differentieel tot expressie gebrachte genen (DEG's) werden geïdentificeerd in gliacellen, waaronder 243 in astrocyten, 1.154 in microglia en 572 in oligodendrocyten. Analyse van functionele annotaties in de genontologie (GO) en analyses van de Kyoto Encyclopedia of Genes and Genomes (KEGG) onthulden functionele concentratie in synaptische, neurale en hormoongerelateerde routes. Eiwit-eiwitinteractienetwerk (PPI) identificeerde MT3, CALM2, DLG2, KCND2, PAKACB, CAMK2D en NLGN4Y in astrocyten, TREM2, FOS, APOE, APP en NLGN4Y in microglia, en GRIN2A, ITPR2, GNAS en NLGN4Y in oligodendrocyten als sleutelgenen. NLGN4Y was het enige gen dat werd gedeeld door de drie glia en werd geïdentificeerd als de biomarker voor de geslachtsspecificiteit van AD. Gen-transcriptiefactor (TF)-miRNA coregulerend netwerk identificeerde belangrijke regulatoren voor NLGN4Y en zijn doel-TCM's. Ecklonia kurome Okam (Kunbu) en Herba Ephedrae (Mahuang) werden geïdentificeerd en de effecten van de actieve ingrediënten op AD werden weergegeven. Ten slotte suggereerde de verrijkingsanalyse van Kunbu en Mahuang dat ze zouden kunnen fungeren als therapeutische kandidaten voor genderspecificiteit van AD.
Inleiding
De ziekte van Alzheimer (AD) is een wereldwijde ziekte met een hoge incidentie en is verantwoordelijk voor 60%-80% van dementie1. Ondanks de hoge incidentie is de mechanistische pathogenese van AD niet duidelijk afgebakend en zijn er tot nu toe geen effectieve therapieën geweest2. De belangrijkste pathologieën bij AD werden geïdentificeerd als neuronale atrofie en de ophoping van pathologisch puin, voornamelijk microtubuli-geassocieerd eiwit Tau en β-amyloïde (Aβ)3,4. De pathogenese van AD wordt geassocieerd met abnormale autofagie, oxidatieve stress, mitochondriale disfunctie, ontstekingen stoornis van het energiemetabolisme. Prevalentieonderzoeken toonden aan dat tweederde van de AD-patiënten vrouw was6. Seksespecifieke verschillen bij AD bestaan in de etiologie, klinische manifestaties, preventie en behandeling. Het onthullen van het biologische mechanisme dat seksespecifieke verschillen in AD veroorzaakt en het richten op traditionele Chinese geneeskunde (TCM) kan dus mogelijk een uitgebreider theoretisch kader bieden om de pathogenese van AD te begrijpen en om een nauwkeurige behandelingsstrategie verder te sturen.
Neurogliacellen, met name microglia, astrocyten en oligodendrocyten, dragen mogelijk bij aan de pathogenese van AD. Bij AD worden microglia geactiveerd en genetisch veranderd, wat bijdraagt aan ontstekingsreactie, fagocytose en Aβ-klaring 7,8; astrocyt is genetisch veranderd, wat de synaptische activiteit, ionenhomeostase en het energie- en lipidenmetabolisme beïnvloedt9; Oligodendrocyt is genetisch veranderd met geslachtsspecificiteit, wat bijdraagt aan neuronaal verlies, neurofibrillaire knopen en laesies van witte stof 10,11.
In deze studie gebruikten we single-nuclei RNA-sequencing (snRNA-seq) als een superieure techniek. Vergeleken met single-cell RNA-sequencing (scRNA-seq) biedt snRNA-seq voordelen op het gebied van monsterrijkdom, celtype-integriteit en betrouwbaarheid van gegevens 12,13. SnRNA-seq is op grote schaal gebruikt in onderzoeken die zich richten op AD en het onderzoeken van de rol van gliacellen 14,15,16. De brede acceptatie ervan in deze onderzoeksgebieden benadrukt de effectiviteit ervan bij het verschaffen van waardevolle inzichten in de transcriptionele kenmerken van gliacellen bij AD. Door gebruik te maken van de voordelen van snRNA-seq, zijn onderzoekers in staat geweest om cruciale informatie te achterhalen over de betrokkenheid van gliacellen bij AD-pathologie en potentiële therapeutische doelen te identificeren. Om geslachtsspecifieke neurogliale transcriptionele kenmerken bij AD en mogelijke TCM's voor geslachtsspecificiteit van AD te onderzoeken, analyseerde deze studie snRNA-seq-gegevens van de frontale cortex van AD-patiënten uit de openbare NCBI GEO-database. Geslachtsspecifieke differentieel tot expressie gebrachte genen (DEG's), genontologie (GO), Kyoto Encyclopedia of Genes and Genomes (KEGG), eiwit-eiwitinteractie (PPI)-netwerk en gen-TF-miRNA-netwerk worden verder geanalyseerd om belangrijke biomarkers en mogelijke pathogenese te onthullen. Ten slotte werden potentiële TCM's gesuggereerd en werden hun actieve ingrediënten weergegeven met tabellen door te zoeken in de databases van Coremine Medical, TCMIP en TCMSP.
Protocol
De stappen 2 tot en met 9 van de analyse werden uitgevoerd met behulp van R-software (zie aanvullende figuur 1 en aanvullend bestand 1), terwijl de overige stappen werden uitgevoerd op de onlineplatforms. De details van de databases die in dit protocol worden gebruikt (samen met de weblinks) zijn te vinden in de Materiaaltabel.
1. Data-acquisitie
- Toegang tot de openbaar beschikbare Gene Expression Omnibus (GEO) -database bij het National Center of Biotechnology Information.
- Zoek in het zoekvak naar de GEO-gegevens met de naam ziekte van Alzheimer .
- Selecteer de bovenste organismen als Homo sapiens aan de rechterkant.
OPMERKING: De zoekresultaten waren gegevens over de ziekte van Alzheimer bij Homo sapiens. - Nadat u de gezochte informatie hebt gefilterd, downloadt u de GSE167490 - en GSE183068-gegevensbestanden , die kenmerken.tsv, barcode.tsv en matrix.mtx omvatten voor elk afzonderlijk monster met één kern. De datasets bestonden uit 34 monsters van AD afkomstig uit de frontale cortex, met een gelijke verdeling van 17 mannelijke monsters en 17 vrouwelijke monsters (aanvullende tabel 1).
2. Steekproef samenvoegen
- Configureer de gegevenspaden en voorbeeldnamen dienovereenkomstig op de computer. Importeer de 34 gedownloade voorbeelden en wijs geslachtsspecifieke namen toe aan de voorbeelden met behulp van de functienamen.
- Genereer Seurat-objecten voor alle monsters op een batchverwerkingsmanier met behulp van de functielijst en Read10X, waarbij de parameters worden gespecificeerd als min.cells = 3 en min.features = 200.
- Gebruik de functie RenameCells om voorbeeld-id's als voorvoegsels toe te voegen aan de celstreepjescodes om celstreepjescodes te behouden tijdens het samenvoegproces. Dit zorgde ervoor dat elke cel zijn unieke identiteit behield en na samenvoeging kon worden herleid tot zijn oorspronkelijke monsterbron.
3. Kwaliteitscontrole (QC)
- Gebruik de functie PercentageFeatureSet om de mitochondriale genverhoudingen, erytrocytengenverhoudingen en ribosoomgenverhoudingen voor elke cel te berekenen.
- Sla deze berekende verhoudingen op in de metagegevens met behulp van de operator [[ ]] om deze informatie rechtstreeks aan de metagegevens van elke cel toe te voegen.
- Gebruik de subsetfunctie om celfiltratie uit te voeren, waarbij de parameters worden gespecificeerd als nFeature_RNA > 200, nFeature_RNA < 10000, nCount_RNA < 60000, percent.mt < 10, percent.rb < 5 en procent. HB < 75.
- Sluit GSM5106107 uit van de analyse.
4. Controle van batcheffecten
- Gegevensverwerking uit te voeren.
- Normaliseer de gegevens met behulp van de functie NormalizeData .
- Identificeer de 2000 belangrijkste variabele objecten in de gegevensset met behulp van de functie FindVariableFeatures .
- Voer een analyse van de hoofdcomponenten (PCA)17 uit op de gegevens met behulp van RunPCA, waarbij 50 hoofdcomponenten behouden blijven.
- Genereer een elleboogplot met behulp van de functie ElbowPlot om het optimale aantal dimensies te bepalen voor latere analyse. Beschouw de eerste 50 dimensies.
- Schaal de gegevens met behulp van ScaleData om ervoor te zorgen dat alle functies op een vergelijkbare schaal zijn.
- Identificeer dichtstbijzijnde buren met behulp van FindNeighbors op basis van 30 dimensies.
- Pas het UMAP-algoritme toe met behulp van RunUMAP om de dimensionaliteit van de gegevens terug te brengen tot 30 dimensies.
- Visualiseer de verwerkte gegevens met behulp van de DimPlot-functie met de reductieparameter ingesteld op umap en de group.by-parameter ingesteld op orig.ident.
OPMERKING: Deze stap kan een plot genereren die de gegevens visualiseert in de verkleinde UMAP-ruimte, gegroepeerd op basis van de oorspronkelijke celidentiteiten. Bij onderzoek van de UMAP-plots werd duidelijk dat er sprake was van een batch-effect. De duidelijke clustering of scheiding van cellen op basis van hun batch of experimentele oorsprong suggereerde dat de experimentele batches de genexpressieprofielen hadden beïnvloed.
5. Data-integratie
- Normaliseer en standaardiseer de gegevens met behulp van de SCTransform-functie .
- Pas het harmony-algoritme18 toe om de resterende 33 gegevens met één kern te integreren. Gebruik de SCT-test voor integratie en stel het maximale aantal harmonie-iteraties in op 20.
- Gebruik de functie FindClusters met een resolutieparameter die is ingesteld op 0,07 om afzonderlijke clusters in de gegevens te identificeren.
- Gebruik de functie RunUMAP met een opgegeven aantal dimensies (dims = 30) om de dimensionaliteit van de gegevens verder te verminderen en de clusters in een lager-dimensionale ruimte te visualiseren.
6. Annotatie van het celtype
- Verzamel de markergenen (aanvullende tabel 2) van cellen door middel van een uitgebreid overzicht van de bestaande literatuur.
- Na de identificatie van de heterogeniteit van cellulaire clusters, classificeert u het type van elke clustercel op basis van de markergenen die specifiek tot expressie komen.
- Presenteer verschillende cellulaire typen met UMAP-visualisatie met behulp van het ggplot2-pakket, waarbij oligodendrocyt werd gemarkeerd met de kleurcode #DB7093, excitatoir neuron met #FF69B4, astrocyt met #1874CD, microglia met #63B8FF, oligodendrocyt-voorlopercel met #DB7093, remmend neuron met #FFC0CB en endotheelcel met #FF69B4.
- Bereken de verhoudingen van elk celtype, gestratificeerd naar geslacht.
7. Extractie van gliacelgegevens
- Extraheer astrocytengegevens uit de geïntegreerde bulkgegevens met behulp van de subsetfunctie.
- Extraheer microglia-gegevens uit de geïntegreerde bulkgegevens met behulp van de subsetfunctie.
- Extraheer oligodendrocytengegevens uit de geïntegreerde bulkgegevens met behulp van de subsetfunctie.
8. Gliale geslachtsspecifieke differentieel tot expressie gebrachte genen (DEG's) die vastleggen
- Identificeer geslachtsspecifieke DEG's van astrocyten met behulp van de FindMarkers-functie (ident.1 = mannelijk, ident.2 = vrouw, group.by = group.sum, assay = RNA) met drempelwaarden: p-waarde < 0,05 en |avg_log2FC| > 30. Label de opwaarts gereguleerde DEG's als Omhoog, neerwaarts gereguleerde DEG's als Omlaag en de rest als Stabiel.
- Visualiseer de DEG's met behulp van de ggplot-functie , waarbij de x-as het procentuele verschil tussen twee condities weergeeft (pct.1 - pct.2) en de y-as de avg_log2FC. De opwaarts gereguleerde genen werden gemarkeerd door het gebruik van de kleur PaleVioletRed, de neerwaarts gereguleerde genen met roze en de stabiele genen met DodgerBlue3.
- Identificeer geslachtsspecifieke DEG's van microglia met behulp van de FindMarkers-functie (ident.1 = mannelijk, ident.2 = vrouw, group.by = group.sum, assay = RNA) met drempelwaarden: p-waarde < 0,05 en |avg_log2FC| > 1. Label de opwaarts gereguleerde DEG's als Omhoog, neerwaarts gereguleerde DEG's als Omlaag en de rest als Stabiel.
- Visualiseer de DEG's met behulp van de ggplot-functie , waarbij de x-as het procentuele verschil tussen twee condities (pct.1 - pct.2) weergeeft en de y-as de avg_log2FC. De opwaarts gereguleerde genen werden gemarkeerd door het gebruik van de kleur Oranjerood, de neerwaarts gereguleerde genen met LightSalmon en de stabiele genen met SteelBlue1.
- Identificeer geslachtsspecifieke DEG's van oligodendrocyten met behulp van de functie FindMarkers (ident.1 = mannelijk, ident.2 = vrouw, group.by = group.sum, assay = RNA) met drempelwaarden: p-waarde < 0,05 en |avg_log2FC| > 10. Label de opwaarts gereguleerde DEG's als Omhoog, neerwaarts gereguleerde DEG's als Omlaag en de rest als Stabiel.
- Visualiseer de DEG's met behulp van de ggplot-functie , waarbij de x-as het verschil in percentage tussen twee condities (pct.1 - pct.2) weergeeft en de y-as de avg_log2FC. De opwaarts gereguleerde genen werden gemarkeerd door het gebruik van de kleur DeepPink, de neerwaarts gereguleerde genen met HotPink en de stabiele genen met DeepSkyBlue3.
9. Functionele verrijkingsanalyses van geslachtsspecifieke DEG's
- Voer genontologie (GO)-verrijkingsanalyse uit op geslachtsspecifieke DEG's voor elk gliaceltype met behulp van de enrichGO-functie . Stel de volgende parameters in: OrgDb = org. Hs.eg.db, keyType = SYMBOL, ont = ALL, pAdjustMethod = BH, pvalueCutoff = 0,01 en qvalueCutoff = 0,05.
- Zet de gensymbolen om in overeenkomstige gen-ID's met behulp van functiebitr. Voer een verrijkingsanalyse uit van de Kyoto Encyclopedia of Genes and Genomes (KEGG) op geslachtsspecifieke DEG's voor elk gliaceltype met behulp van de enrichKEGG-functie . Pas de instellingen als volgt aan: organisme = heeft, keyType = kegg, pAdjustMethod = BH, pvalueCutoff = 0.01 en qvalueCutoff = 0.05.
10. Frequentiestatistieken van gliale DEG's in go- en kegg-paden, venndiagrammen van elke gliale geslachtsspecifieke DEG's en PPI-netwerkconstructie
- Bereken de frequentie van gliale geslachtsspecifieke DEG's in GO- en KEGG-routes met behulp van een frequentiehistogram.
- Toegang tot de STRING-database om de PPI-netwerken te bouwen.
- Kies de Meerdere eiwitten. Zoek naar de lijst met namen in het zoekvak. Stel "Organismen" in als Homo sapiens.
- Bekijk de lijst met eiwitten die uit de zoekopdracht zijn verkregen. Klik op Doorgaan om verder te gaan.
- Exporteer de PPI-netwerken door de downloadoptie te selecteren, bij voorkeur in PNG-formaat met een hogere resolutie.
- Visualiseer de verdeling van co-expressie voor de belangrijkste geslachtsspecifieke genen met behulp van de Venn-diagrammen.
- Identificeer het (de) gedeelde gen(en) als sleutelgen(en) in het onderzoek op basis van de analyse van het Venn-diagram.
11. Constructie van multifactor-regelgevend netwerk
- Toegang tot de NetworkAnalyst.
- Klik op Gene List Input en specificeer het organisme als H. sapiens (mens). Stel het ID-type in als officieel gensymbool. Voer de gennaam in het zoekveld in en klik vervolgens op Uploaden en doorgaan.
- Selecteer Gene-miRNA-interacties en kies miRTarBase v8.0. Bevestig de selectie door op OK te klikken.
- Ga verder naar TF-gen Interacties en selecteer de ENCODE-database . Klik op OK om de selectie te bevestigen.
- Navigeer vervolgens naar TF-miRNA Coregulatory Network en klik op OK om verder te gaan.
- Kies ten slotte Doorgaan om het multifactoriële regulerende netwerk te genereren dat gen-miRNA-interacties en TF-gen-interacties omvat.
12. Analyse van genen en doelwitten
- Toegang tot de online database van Coremine Medical.
- Voer de specifieke gennaam in en selecteer het overeenkomstige gen met het achtervoegsel gen/eiwit, menselijk in het zoekvak onder de sectie Verkennen .
- Navigeer door de sectie Drugs en identificeer de TCM's die zijn gekoppeld aan de gezochte drugs.
OPMERKING: Statistisch significante geneesmiddelen waren blauw gemarkeerd. - Bepaal de top vijf TCM's op basis van hun "significantie" waarde als therapeutische TCM's.
13. Onderzoekssamenvatting van TCM-ingrediënten bij het richten op sleutelgen
- Krijg toegang tot het op integratieve farmacologie gebaseerde onderzoeksplatform van de traditionele Chinese geneeskunde (TCMIP) en het farmacologiedatabase en analyseplatform voor traditionele Chinese geneeskundesystemen (TCMSP). Voer de namen van de kruiden in de zoekbalk in om de bijbehorende ingrediënten op te halen.
- Haal de ingrediënten op in de PubMed-database met een tijdslimiet tot 10 april 2023. De gebruikte zoektermen omvatten de molecuulnaam in TCMSP en Chemical Components in TCMIP als zoektermen, en waren beperkt tot artikelen die in het Engels werden gepubliceerd.
- Samenvatten en analyseren van de kruiden en hun overeenkomstige ingrediënten die inwerken op AD.
14. Bevestiging van de behandelingsfunctie van TCM's in de geslachtsspecificiteit van AD
- Importeer kruiden in het TCMIP en navigeer naar de bijbehorende beschrijvingspagina.
- Gebruik de functie Gegevens exporteren en selecteer het CSV-formaat om de verrijkingstermen van GO - Biologisch proces, GO - Cellulaire component, GO - Moleculaire functie en Reactome-route te downloaden.
- Visualiseer de gedownloade verrijkingstermen voor elk kruid met behulp van staafdiagrammen.
Resultaten
SnRNA-seq analyse van frontale gliale transcriptoomprofielen en de annotatie van celtypen
In totaal werden 220.095 kernen en 32.077 genen in de frontale cortex van 17 mannelijke AD en 17 vrouwelijke AD verkregen (Figuur 1A). UMAP-plot visualiseerde de totale frontale transcriptomen met één kern die verschillende soorten kernen vertoonden na analyse van dimensiereductie (Figuur 1B). Het totale aantal geannoteerde kernen dat per geslacht was vastgelegd, werd getoond, wat de som maakte van 58.902 astrocyten, 14.265 microglia, 77.466 oligodendrocyten, 3.520 endotheel, 25.252 exciterende neuronen, 31.268 remmende neuronen en 9.422 oligodendrocyt-voorlopercellen (Figuur 1C). Gemiddelde expressies van de bekende celtypemarkers voor elke glia werden geprojecteerd op de UMAP-plots om de celpopulaties te identificeren (Figuur 1D).
De geslachtsspecifieke DEG's in astrocyten
58.902 astrocytaire kernen werden geanalyseerd (Figuur 2A), waarvan 27.504 van mannelijke AD (46,69%) en 31.398 van vrouwelijke AD (53,31%). Geslachtsspecifieke DEG's onthulden opregulatie van 138 genen, waaronder DST, CACNA2D3 en AC016831.7, neerwaartse regulatie van 105 genen, waaronder CNTN5, RORA, RASSF8 en CADM2, en onveranderde 4995 genen (Figuur 2B). Verder toonden GO- en KEGG-analyses aan dat die DEG's zich voornamelijk concentreerden in de routes van neuronen, synapsen en hormonen, met neuronale routes waaronder regulatie van de ontwikkeling van neuronenprojecten, neuronwervelkolom, enz., synaptische routes waaronder synaptische organisatie en glutamaterge/cholinerge synaps, en hormoonroutes waaronder schildklierhormoonsynthese en insulinesecretie (Figuur 2C,D). Dertig genen met een topfrequentie werden verkregen (Figuur 2E), waarbij PLCB1 de eerste was. PPI-netwerken werden geconstrueerd om de relatie tussen deze genen te onderzoeken (Figuur 2F) en identificeerden DLG2, CAMK2D, CALM2 en PRKACB als kerngenen. UMAP-plots vertoonden verschillen van geselecteerde DEG's: KCND2, CAMK2D, MT3, LINC00278 en XIST waren hoger bij vrouwelijke AD en lager bij mannelijke AD, terwijl NLGN4Y, DLG2, PRKACB, CALM2, UTY en TTTY14 tegenovergesteld waren (Figuur 2G). MT3, CALM2, DLG2, KCND2, PRKACB, CAMK2D en NLGN4Y werden uiteindelijk bepaald als geslachtsspecifieke DEG's van astrocyten, zoals weergegeven in tabel 1.
De geslachtsspecifieke DEG's bij microglia
14.265 microgliale kernen (Figuur 3A) werden geanalyseerd, waarvan 5.327 (37,34%) van mannelijke AD en 8.938 (62,66%) van vrouwelijke AD. Geslachtsspecifieke DEG's onthulden opregulatie van 224 genen, waaronder KCNIP4 en LRRTM4, en neerwaartse regulatie van 930 genen, waaronder APOE, MT-CO3 en FTL, en onveranderde 13,111 genen (Figuur 3B). Verder toonden GO- en KEGG-analyses aan dat die DEG's zich voornamelijk concentreerden in de routes van neuronen, fagosoom, hormonen en andere, met neuronale routes waaronder neuron-naar-neuronsynaps, fagocytische routes waaronder fagosoom en regulatie van fagocytose, hormoonroutes waaronder oestrogeensignaleringsroute, oxytocine-signaleringsroute, enz., en andere, waaronder regulatie van ontstekingsreactie, leren of geheugen, amyloïde-bèta-klaring, enz. (Figuur 3C,D). Dertig genen met een topfrequentie werden verkregen, waarbij TLR2 en TREM2 op de tweede plaats eindigden (Figuur 3E). PPI-netwerken werden geconstrueerd om de relatie tussen deze genen te onderzoeken (Figuur 3F) en identificeerden ACTB, APP en FYN als kerngenen. UMAP-plots vertoonden verschillen van geselecteerde DEG's: APP, FOS, XIST en CTSD waren hoger bij vrouwelijke AD en lager bij mannelijke AD, terwijl NLGN4Y, TREM2, LINC0028, APOE, UTY en TTTY14 tegengesteld waren (Figuur 3G). TREM2, FOS, APOE, APP en NLGN4Y werden uiteindelijk bepaald als geslachtsspecifieke DEG's van microglia, zoals weergegeven in Tabel 2.
De geslachtsspecifieke DEG's in oligodendrocyten
77.466 oligodendrocytische kernen werden geanalyseerd (Figuur 4A), waarvan 42.469 van mannelijke AD (54,82%) en 34.997 van vrouwelijke AD (45,18%). Geslachtsspecifieke DEG's toonden opregulatie van 384 genen, waaronder PCDH9, MT-CO1, NEAT1 en NPAS3, neerwaartse regulatie van 188 genen, waaronder FRMD4A, PLP1 en LSAMP, en de overige 76.894 genen onveranderd (Figuur 4B). Verder bleek uit GO- en KEGG-analyses dat die DEG's zich voornamelijk concentreerden in de routes van neuronen, synapsen en hormonen, met neuronale routes waaronder neuronwervelkolom, synaptische routes waaronder neuron-naar-neuronsynaps en glutamaterge/dopaminerge synaps, en hormoonroutes waaronder neurotrofine-signaleringsroute, aldosteronsynthese en -secretie, calciumsignaleringsroute, enz. (Figuur 4C, D). Dertig genen met een topfrequentie werden verkregen (Figuur 4E), waarbij GRIN2A en PSEN1 op de tweede plaats stonden. PPI-netwerken werden geconstrueerd om de relatie tussen deze genen te onderzoeken (Figuur 4F) en identificeerden GRIN2A en GRIA2 als kerngenen. UMAP-plots vertoonden verschillen in geselecteerde DEG's: GRIN2A, ITPR2, GNAS en XIST waren hoger in AD bij vrouwen en lager bij AD bij mannen, terwijl NLGN4Y, UTY en TTTY14 tegengesteld waren (Figuur 4G). GRIN2A, ITPR2, GNAS en NLGN4Y werden uiteindelijk bepaald als geslachtsspecifieke DEG's van oligodendrocyten, zoals weergegeven in Tabel 3.
Interactie tussen sleutelgenen en de top 30 genen van gliacellen, en NLGN4Y als het gemeenschappelijke gedeelde gen
De Venn-diagrammen en de PPI-netwerken gaven een overzicht van de nauwe interactie tussen sleutelgenen (Figuur 5A,B) en de top 30 genen (Figuur 5C, D) van elke gliacel. De resultaten toonden aan dat ACYB, APP, JUN, PRKACB en DLG2 de kern van het PPI-netwerk vormden en dat NLGN4Y een gemeenschappelijk gedeeld gen was voor geslachtsspecifieke DEG's in alle gliacellen.
Constructie van het Gene-TF-miRNA-netwerk
Het NLGN4Y-TF-miRNA-netwerk bevatte 13 knooppunten en 12 randen (Figuur 6A). NLGN4Y werd gereguleerd door 1 TF, namelijk CTCF, en 11 miRNA's, waaronder has-miR-185, has-miR-137 en has-miR-9.
Weergave van doelgeneesmiddel en TCM's van NLGN4Y met netwerk
In totaal werden 1 NLGN4Y-doelgeneesmiddel en 64 indirecte doel-TCM's opgehaald in Coremine Medical. TCM's met statistische significantie in de resultaten werden gemarkeerd met blauw. Geneesmiddel Antitrombine III en vijf TCM's met het netwerk, namelijk Heikunbu, Wulingzhi, Xiazhicao, Shuizhi en Mahuang, werden gevisualiseerd, die als statistisch significant werden beschouwd (Figuur 6B).
Effecten van doel-TCM's en overeenkomstige actieve ingrediënten op AD
Voor Kunbu werden 10 ingrediënten in TCMIP en 48 ingrediënten in TCMSP opgehaald. Door de PubMed-database te doorzoeken, werden 5 ingrediënten gevonden die verband houden met AD: fucosterol, saringosterol, thiamine, stearidonzuur en phlorofucofuroeckol-A, waarvan de orale biologische beschikbaarheid (OB) van de eerste twee ≥30% was en vergelijkbaar met het medicijngeslacht (DL) ≥ 0,18 was. Details worden weergegeven in tabel 4. Wat Mahuang betreft, werden 28 ingrediënten in TCMIP en 363 ingrediënten in TCMSP opgehaald. Met dezelfde methode als Kunbu werden 25 ingrediënten met betrekking tot AD opgehaald. Onder hen staan 6 ingrediënten met OB ≥30% en DL ≥0,18: quercetine, eriodictyol, naringenine, taxifoline, stigmasterol en luteoline bovenaan tabel 5.
Hurb-gen-ziektenetwerk en verrijkingsanalyse
Het Hurb-gen-ziektenetwerk wordt weergegeven in figuur 6C. Het gedeelde doelgen van Kunbu en Mahuang was ACHE, waarvan de geassocieerde ziekten AD en cognitieve stoornissen waren. De doelgenen van Kunbu alleen waren ALKBH3 en ELOVL4, ziekten die verband hielden met respectievelijk veroudering en hersenatrofie.
De resultaten van GO-verrijkingen (BP, MF en CC) voor Kunbu (Figuur 7A, Figuur 8A, Figuur 9A) en Mahuang (Figuur 7B, Figuur 8B, Figuur 9B) worden weergegeven met staafdiagrammen. Reactoomroutes voor Kunbu (Figuur 10A) en Mahuang (Figuur 10B) worden ook getoond. De verrijkte termen gemarkeerd met pijlen waren gerelateerd aan de "hormoon-synaps-neuron" -as, zoals steroïde hormoonreceptoractiviteit, neuronprojectie en steroïde hormoon-gemedieerde signaalroute in Kunbu en chemische synaptische transmissie, oestrogeenafhankelijke genexpressie en zenuwstelselproces in Mahuang.
Figuur 1: Verkrijgen van genexpressiegegevens, single-nuclei RNA-seq-profilering en karakterisering van celtypen. (A) Monsters verkregen uit GEO DataSets voor analysevoorbereiding. (B) 2-dimensionale UMAP-grafiek van somkernen (N = 116.101 voor mannen; N = 103.994 voor vrouwen). (C) Verhoudingen voor elk type cel, uitgesplitst naar geslacht. (D) Gemiddelde expressie van 5 gevestigde celtypemarkers geprojecteerd op de UMAP-plot. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 2: Astrocyten zijn heterogeen en hebben geslachtsspecifieke transcriptomische veranderingen bij de ziekte van Alzheimer. (A) UMAP-plot van astrocytaire kernen (N = 59.010). (B) Geslachtsspecifieke DEG's. (C,D) Cirkeldiagrammen illustreerden de significante functioneel verrijkte termen van astrocytaire DEG's verkregen uit GO- en KEGG-databases (GO: C, KEGG: D). (E) De top 30 van meest voorkomende astrocyt-geslacht DEG's in GO- en KEGG-routes. (F) PPI-netwerk van de top 30 van meest voorkomende astrocyt-geslacht DEG's in GO- en KEGG-routes. (G) Gemiddelde expressie van opmerkelijke geslachtsspecifieke DEG's geprojecteerd op de UMAP-plots. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 3: Microglia zijn heterogeen en hebben geslachtsspecifieke transcriptomische veranderingen bij de ziekte van Alzheimer. (A) UMAP-diagram van microgliakernen (N = 14.265). (B) Geslachtsspecifieke DEG's. (C,D) Cirkeldiagrammen illustreerden de significante functioneel verrijkte termen van microgliale DEG's verkregen uit GO- en KEGG-databases (GO: C, KEGG: D). (E) De top 30 van meest voorkomende microglia-geslacht DEG's in GO en KEGGpathways. (F) PPI-netwerk van de top 30 van meest voorkomende microglia-geslacht DEG's in GO- en KEGG-routes. (G) Gemiddelde expressie van opmerkelijke geslachtsspecifieke DEG's geprojecteerd op de UMAP-plots. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 4: Oligodendrocyten zijn heterogeen en vertonen geslachtsspecifieke transcriptomische veranderingen bij de ziekte van Alzheimer. (A) UMAP-diagram van oligodendrocytische kernen (N = 77.466). (B) Geslachtsspecifieke DEG's. (C,D) Cirkeldiagrammen illustreerden de significante functioneel verrijkte termen van oligodendrocytische DEG's verkregen uit GO- en KEGG-databases (GO: C, KEGG: D). (E) De top 30 van meest voorkomende oligodendrocyten-geslacht DEG's in GO- en KEGG-routes. (F) PPI-netwerk van de top 30 van meest voorkomende oligodendrocyt-geslacht DEG's in GO- en KEGG-routes. (G) Gemiddelde expressie van opmerkelijke geslachtsspecifieke DEG's geprojecteerd op de UMAP-plots. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 5: Overlappingen van DEG's en PPI-netwerken van DEG's met topfrequentie. (A,B) Venndiagram ter illustratie van de sleutelgenen voor elke glia en het bijbehorende PPI-netwerk. (C,D) Venndiagram ter illustratie van de top 30 frequente geslachtsspecifieke DEG's voor elke glia verrijkt in GO- en KEGG-routes en het bijbehorende PPI-netwerk. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 6: Netwerkdiagram met NLGN4Y en de TCM's als kern. (A) Gen-TF-miRNA coregulerend netwerk. (B) Gen-geneesmiddel-TCM netwerk voor NLGN4Y. (C) TCM-gen-ziekte netwerk van Kunbu en Mahuang. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 7: GO (BP) Verrijkingsanalyse voor Kunbu en Mahuang. (A) Top 20 verrijkte biologische processen van Kunbu. (B) Top 20 verrijkte biologische processen van Mahuang. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 8: GO (MF) Verrijkingsanalyse voor Kunbu en Mahuang. (A) Top 20 verrijkte moleculaire functies van Kunbu. (B) Top 20 verrijkte moleculaire functies van Mahuang. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 9: GO (CC) Verrijkingsanalyse voor Kunbu en Mahuang. (A) Top 20 verrijkte cellulaire componenten van Kunbu. (B) Top 20 verrijkte cellulaire componenten van Mahuang. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 10: Reactoom routes voor Kunbu en Mahuang. (A) Reactoom routes van Kunbu. (B) Reactoom-routes van Mahuang. Klik hier om een grotere versie van deze figuur te bekijken.
Tabel 1: Sleutelgenen van de geslachtsspecifieke DEG's in astrocyten. Klik hier om deze tabel te downloaden.
Tabel 2: Sleutelgenen van de geslachtsspecifieke DEG's in microglia. Klik hier om deze tabel te downloaden.
Tabel 3: Sleutelgenen van de geslachtsspecifieke DEG's in oligodendrocyten. Klik hier om deze tabel te downloaden.
Tabel 4: Kunbu' actieve ingrediënten op AD. Klik hier om deze tabel te downloaden.
Tabel 5: Actieve ingrediënten van Mahuang op AD. Klik hier om deze tabel te downloaden.
Aanvullende afbeelding 1: Screenshot voor het gebruik van de R-software. Klik hier om dit bestand te downloaden.
Aanvullende tabel 1: Voorbeeldinformatie. Klik hier om dit bestand te downloaden.
Aanvullende tabel 2: Markergenen. Klik hier om dit bestand te downloaden.
Aanvullend bestand 1: De R-CODE. Klik hier om dit bestand te downloaden.
Discussie
Genderspecificiteit is geïdentificeerd in epidemiologie, pathologie en klinische manifestatie van AD19. Hier bevestigden we het potentiële pathologische mechanisme van de "hormoon-synaps-neuron-as" van geslachtsspecifieke gliagenen en gerelateerde routes bij AD-patiënten. NLGN4Y was het enige gedeelde gen in de drie glia en werd gekozen als de biomarker voor de geslachtsspecificiteit van AD. TF en miRNA's die NLGN4Y reguleren, waren sterk verbonden met geslachtsverschillen en de ontwikkeling van het zenuwstelsel. Bovendien werd aangenomen dat de doel-TCM's Kunbu en Mahuang mogelijk de "hormoon-synaps-neuron"-as beïnvloeden en werden geïdentificeerd als therapeutische kandidaten voor AD door regulering van genderspecificiteit.
Het Harmony-algoritme bood duidelijke voordelen ten opzichte van andere integratiealgoritmen door gegevens in zeldzame cellen te integreren, het geheugengebruik en de rekensnelheid voor grote steekproeven te optimaliseren en complexe experimentele ontwerpen met diverse cellulaire bronnen en technologieplatforms mogelijk te maken18. QC- en data-integratiesecties waren cruciale componenten bij het verbeteren van de nauwkeurigheid en betrouwbaarheid van de analyse, waardoor onderzoekers meer diepgaande inzichten konden verwerven in de biologie van AD en andere neurodegeneratieve ziekten. De nauwgezette uitvoering van deze stappen is van cruciaal belang voor het bereiken van de algehele kwaliteit en validiteit van de resultaten die zijn afgeleid van experimenten met RNA-sequencing met één kern.
Een van de wijzigingen die in dit protocol werden aangebracht, was het gebruik van de SCTransform-functie om de gegevens te normaliseren en te standaardiseren20. Deze stap zorgde ervoor dat de gegevens vergelijkbaar en gestandaardiseerd waren voor verdere analyse. Om het batch-effect te beperken, werd een extra stap van gegevensintegratie genomen, die hielp om het batch-effect te corrigeren en de nauwkeurigheid van de resultaten te verbeteren. Probleemoplossing werd uitgevoerd wanneer een van de monsters (GSM5106107) ongebruikelijke prestaties vertoonde in vergelijking met de andere monsters en werd uitgesloten van de analyse.
Een beperking van deze studie had betrekking op de relatief kleine steekproefomvang die werd gebruikt, wat de representativiteit van de bevindingen voor de bredere populatie kan beperken. Bovendien introduceerde het gebruik van gegevens uit meerdere laboratoria en onderzoeksgroepen inherente heterogeniteit, waardoor de reproduceerbaarheid en generaliseerbaarheid van de resultaten mogelijk werd beperkt. Hoewel de identificatie van de belangrijkste regulerende factoren voor NLGN4Y werd bereikt via een gen-TF-miRNA coregulerend netwerk, was verdere experimentele verificatie nodig om de functionele rollen en onderliggende mechanismen vast te stellen die aan deze regulerende factoren worden toegeschreven. Hoewel verrijkingsanalyse Mahuang en Kunbu suggereerde als potentiële kandidaten voor genderspecifieke AD-behandeling, was het onvoldoende om alleen te vertrouwen op bio-informaticavoorspellingen om hun werkzaamheid en veiligheid vast te stellen. Aanvullende experimenten en klinische studies waren noodzakelijk om de therapeutische effecten van deze veelbelovende geneesmiddelen te valideren.
De aanpak die in deze studie werd geschetst, vertoonde een aanzienlijk potentieel voor diverse onderzoeksdomeinen, met name in de onderscheiding van geslachtsspecifieke DEG's in gliacellen bij AD. Dergelijke onderzoeken zijn veelbelovend voor het ophelderen van de genuanceerde pathogene verschillen tussen mannelijke en vrouwelijke individuen, waardoor de formulering van seksespecifieke therapeutische interventies wordt vergemakkelijkt. Bovendien breidde de toepasbaarheid van de methode zich uit tot andere neurodegeneratieve aandoeningen, wat mogelijkheden bood om geslachtsspecifieke DEG's te identificeren en het begrip van de onderliggende mechanismen van de ziekten te vergroten.
Concluderend presenteerde de studie een uitgebreid en robuust protocol voor het analyseren van single-nuclei RNA-sequencinggegevens van AD-patiënten, wat mogelijk de weg vrijmaakt voor de ontwikkeling van op maat gemaakte therapeutische interventies. Bovendien kan de methodologie die in deze studie wordt gebruikt, worden uitgebreid naar andere neurodegeneratieve aandoeningen, wat mogelijkheden biedt om geslachtsspecifieke genexpressiepatronen bloot te leggen en het begrip van deze complexe ziekten te verdiepen.
Openbaarmakingen
Er is geen sprake van belangenverstrengeling in dit manuscript en alle auteurs hebben de inzending voor publicatie goedgekeurd.
Dankbetuigingen
De auteurs zijn Jessica S Sadick, Michael R O'Dea, Philip Hasel, enz. dankbaar voor het verstrekken van de GSE167490 dataset. De auteurs stellen het op prijs dat Faten A Sayed, Lay Kodama, Li Fan, enz. de GSE183068 dataset bieden. De auteurs bedanken Shuqing Liu voor de hulp bij de data-analyse en Wen Yang voor het leveren van het data-analyseplatform. Deze studie werd ondersteund door de National Natural Science Foundation of China (82174511), Chengdu University of Traditional Chinese Medicine Apricot Grove Scholars, Discipline Talent Research Enhancement Program (QJJJ2022001), LiaoNing Revitalization Talents Program (XLYC 1807083), Sichuan Administration Bureau Fund of Chinese Medicine and Herbs (2023MS578), National Undergraduate Innovation and Entrepreneurship Training Project (202310633003X) en Innovatieve onderwerpen van de wetenschappelijke onderzoekspraktijk voor studenten aan de Chengdu University of Traditional Chinese Medicine (ky-2023100). Hanjie Liu en Hui Yang droegen bij aan het ontwerp van de studie, het verzamelen, interpreteren van gegevens en het opstellen en herzien van het manuscript. Shuqing Liu en Siyu Li namen deel aan het ontwerp van de studie, het verzamelen van gegevens en het opstellen van het manuscript. Wen Yang en Anwar Ayesha waren verantwoordelijk voor het verzamelen en interpreteren van de gegevens. Xin Tan bereidde figuren en/of tabellen voor. Cen Jiang, Yi Liu en Lushuang Xie bedachten de studie en beoordeelden/redigeerden het manuscript. Alle auteurs hebben bijgedragen aan het artikel en hebben de ingediende versie goedgekeurd.
Materialen
| Naam | Bedrijf | Catalogusnummer | Opmerkingen |
|---|---|---|---|
| Database | |||
| Coremine Medical database | Gezamenlijk ontwikkeld door Noorwegen, de Chinese Academie van Wetenschappen, de Chinese Academie voor Medische Wetenschappen, de Nationale Medische Bibliotheek van de Verenigde Staten en andere instellingen | Wanneer je concepten in CoreMine Medical verkent, krijg je toegang tot een database die is gestructureerd om belangrijke concepten, gerangschikt op statistische relevantie, te relateren aan jouw onderwerp. Als je bijvoorbeeld 'Alzheimer-ziekte' typt, kun je naast documenten en bronnen die de ziekte bespreken, ook netwerken en lijsten bekijken die laten zien hoe je zoekconcept is gerelateerd aan andere biomedische concepten. Dit geeft een overzicht van concepten die gerelateerd zijn aan je zoekopdracht en is ook een interface voor het navigeren van informatie over deze concepten. Weblink: https://coremine.com/medical/ | |
| Gene Expression Omnibus (GEO) | National Center for Biotechnology Information in de Verenigde Staten (NCBI) | GEO is een openbare functionele genomische data-opslagplaats die MIAME-conforme data-inzendingen ondersteunt. Array- en sequentiegebaseerde gegevens worden geaccepteerd. Er worden tools geboden om gebruikers te helpen bij het zoeken en downloaden van experimenten en samengestelde genexpressieprofielen. Weblink: https://www.ncbi.nlm.nih.gov/geo/ | |
| Integratieve op farmacologie gebaseerde onderzoeksplatform van Traditionele Chinese Geneeskunde (TCMIP, versie: 2.0) | Geen | Introductie van het Geïntegreerde Farmacologie Gebaseerde Netwerk Computationele Onderzoeksplatform voor Traditionele Chinese Geneeskunde [TCMIP v2.0], http://www.tcmip.cn/) Het is een intelligent dataminingplatform gebaseerd op de online database van de Encyclopedie van Traditionele Chinese Geneeskunde (ETCM), dat medische big data-beheer- en farmacologische computingservices integreert. Het heeft tot doel de wetenschappelijke inhoud van de theorie van traditionele Chinese geneeskunde en de wetenschappelijke waarde van origineel denken in traditionele Chinese geneeskunde te onthullen, de ervaring van beroemde artsen samen te vatten en over te dragen, de kwaliteit van traditionele Chinese geneeskunde te controleren, de principes van de werking van traditionele Chinese geneeskunde te verklaren, onderzoek en ontwikkeling van nieuwe Chinese geneesmiddelen, met name de ontdekking en optimalisatie van moderne medicijncombinaties, Een sterke databasis en analytische tools bieden. Op basis van TCMIP v1.0 wordt een uitgebreide upgrade uitgevoerd, inclusief vijf grote databases en zeven functionele modules. Door systeemintegratie en module-integratie kan snel een alomvattende analyse van de multi-niveau correlatie van het 'ziektesyndroomrecept' interactienetwerk worden bereikt. Als een intelligent dataminingplatform zal TCMIP v2.0 een sterke databasis en analyseplatform bieden voor het onthullen van de wetenschappelijke inhoud van de theorie van traditionele Chinese geneeskunde en de wetenschappelijke waarde van origineel denken in traditionele Chinese geneeskunde, het samenvatten en erven van de ervaring van beroemde artsen, kwaliteitscontrole van traditionele Chinese geneeskunde, verklaring van de principes van de werking van traditionele Chinese geneeskunde, onderzoek en ontwikkeling van nieuwe traditionele Chinese geneesmiddelen, met name ontdekking en optimalisatie van moderne geneesmiddelcombinaties. Weblink: http://www.tcmip.cn/TCMIP | |
| NetworkAnalyst | Geen | Networkanalyze is een online visualisatieanalyseplatform voor genexpressieanalyse en meta-analyse. Het kan vergelijkende, kwantitatieve, differentiële en verrijkingsanalyse van genexpressie, eiwit-eiwit-interactieanalyse, integratieanalyse van meerdere datasets uitvoeren en kan ook waardevolle afbeeldingen zoals PCA, eiwit-eiwit-interactienetwerkdiagram, heatmap, vulkanische diagram, Wayne-diagram, etc. tekenen. Weblink: https://www.networkanalyst.ca/NetworkAnalyst/ | |
| PubMed database | National Center for Biotechnology Information in de Verenigde Staten (NCBI) | De Pubmed-database is een biomedische literatuurdatabase die wordt onderhouden door de National Library of Medicine (NLM) in de Verenigde Staten, gericht op het leveren van de laatste medische onderzoeksresultaten aan wetenschappers, artsen, onderzoekers en studenten wereldwijd. Deze database verzamelt biomedische literatuur van over de hele wereld, inclusief tijdschriftartikelen, papers, boeken, etc. Tot nu toe heeft de Pubmed-database meer dan 30 miljoen artikelen verzameld en wordt elke week bijgewerkt. Weblink: https://pubmed.ncbi.nlm.nih.gov/ | |
| R software | Ross Ihaka en Robert Gentleman | R is een taal en omgeving voor statistische computing en grafische weergave. Het is een GNU-project dat vergelijkbaar is met de S-taal en omgeving die werd ontwikkeld bij Bell Laboratories (voorheen AT&T, nu Lucent Technologies) door John Chambers en collega's. R kan worden beschouwd als een andere implementatie van S. Er zijn enkele belangrijke verschillen, maar veel code die voor S is geschreven, werkt ongewijzigd onder R. Weblink: https://www.r-project.org/ | |
| Traditionele Chinese Geneeskunde Systemen Farmacologie Database en Analyse Platform (TCMSP) | Zhejiang Jiuwei Health Co., Ltd | TCMSP is niet alleen een dataopslagplaats, maar ook een analyseplatform voor gebruikers om Traditionele Chinese Medicijnen (TCM) volledig te bestuderen: inclusief identificatie van actieve componenten, screening van drugdoelen en generatie van compound-target-diseases netwerken, evenals de gedetailleerde farmacokinetische informatie van drugs die betrekking hebben op drug-likeness (DL), orale biologische beschikbaarheid (OB), bloed-hersenbarrière (BBB), intestinale epitheliale permeabiliteit (Caco-2), ALogP, fractionele negatieve oppervlakte (FASA-) en aantal H-bond donor/acceptor (Hdon/Hacc). Tot nu toe heeft TCMSP brede aandacht getrokken en meerdere groepen hebben meer dan 10 artikelen gepubliceerd door gebruik te maken van onze TCMSP-database binnen ongeveer een jaar. Weblink: https://tcmsp-e.com |
Referenties
- Alzheimers Dement. Alzheimer's disease facts and figures. Alzheimers Dement. 19 (4), 1598-1695 (2023).
- Xie, L., et al. Electroacupuncture improves M2 microglia polarization and glia anti-inflammation of hippocampus in Alzheimer's disease. Front Neurosci. 15, 689629(2021).
- 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).
- Hampel, H., et al. The amyloid-beta pathway in Alzheimer's disease. Mol Psychiatry. 26 (10), 5481-5503 (2021).
- Baik, S. H., et al. A breakdown in metabolic reprogramming causes microglia dysfunction in Alzheimer's disease. Cell Metab. 30 (3), 493-507 (2019).
- Fisher, D. W., Bennett, D. A., Dong, H. Sexual dimorphism in predisposition to Alzheimer's disease. Neurobiol Aging. 70, 308-324 (2018).
- 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).
- Hansen, D. V., Hanson, J. E., Sheng, M. Microglia in Alzheimer's disease. J Cell Biol. 217 (2), 459-472 (2018).
- 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).
- Peng, L., Bestard-Lorigados, I., Song, W. The synapse as a treatment avenue for Alzheimer's disease. Mol Psychiatry. 27 (7), 2940-2949 (2022).
- Tubi, M. A., et al. White matter hyperintensities and their relationship to cognition: Effects of segmentation algorithm. Neuroimage. 206, 116327(2020).
- 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).
- 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).
- Sadick, J. S., et al. Astrocytes and oligodendrocytes undergo subtype-specific transcriptional changes in Alzheimer's disease. Neuron. 110 (11), 1788-1805 (2022).
- 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).
- Brase, L., et al. Single-nucleus RNA-sequencing of autosomal dominant Alzheimer disease and risk variant carriers. Nat Commun. 14 (1), 2314(2023).
- Ringner, M. What is principal component analysis. Nat Biotechnol. 26 (3), 303-304 (2008).
- Korsunsky, I., et al. sensitive and accurate integration of single-cell data with harmony. Nat Methods. 16 (12), 1289-1296 (2019).
- Vegeto, E., et al. The role of sex and sex hormones in neurodegenerative diseases. Endocr Rev. 41 (2), 273-319 (2020).
- 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).
Herprints en machtigingen
