To badanie analizowało transkryptomy pojedynczych jąder trzydziestu trzech osób z chorobą Alzheimera (AD), ujawniając specyficzne dla płci DEG w komórkach glejowych. Analiza wzbogacenia funkcjonalnego uwypukliła szlaki synaptyczne, neuronalne i związane z hormonami. Zidentyfikowano kluczowe geny, a mianowicie NLGN4Y i jego regulatory, a także zaproponowano potencjalnych kandydatów terapeutycznych dla choroby Alzheimera specyficznej dla płci.
Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.
Artykuł metodologiczny
Identyfikacja biomarkerów swoistości płciowej choroby Alzheimera na podstawie profili transkryptomu glejowego
* These authors contributed equally
W tym artykule
Podsumowanie
Streszczenie
Wiele biomarkerów specyficznych dla płci zostało ostatnio ujawnionych w chorobie Alzheimera (AD); jednak komórki glejowe mózgu były rzadko zgłaszane. W badaniu tym przeanalizowano 220 095 transkryptomów pojedynczych jąder z kory czołowej trzydziestu trzech osób z chorobą Alzheimera w bazie danych GEO. Geny o zróżnicowanej ekspresji specyficzne dla płci (DEC) zidentyfikowano w komórkach glejowych, w tym 243 w astrocytach, 1154 w mikrogleju i 572 w oligodendrocytach. Analizy adnotacji funkcjonalnej ontologii genów (GO) i analizy wzbogacania szlaków Encyklopedii Genów i Genomów z Kioto (KEGG) wykazały stężenie funkcjonalne w szlakach synaptycznych, nerwowych i hormonalnych. Sieć interakcji białko-białko (PPI) zidentyfikowała MT3, CALM2, DLG2, KCND2, PAKACB, CAMK2D i NLGN4Y w astrocytach, TREM2, FOS, APOE, APP i NLGN4Y w mikrogleju oraz GRIN2A, ITPR2, GNAS i NLGN4Y w oligodendrocytach jako kluczowe geny. NLGN4Y był jedynym genem wspólnym dla trzech komórek glejowych i został zidentyfikowany jako biomarker specyficzności płciowej AD. Sieć koregulacyjna gen-czynnik transkrypcyjny (TF)-miRNA zidentyfikowała kluczowe regulatory NLGN4Y i jego docelowych TCM. Ecklonia kurome Okam (Kunbu) i Herba Ephedrae (Mahuang) zostały zidentyfikowane, a wpływ składników aktywnych na AD został wykazany. Wreszcie, analiza wzbogacenia Kunbu i Mahuang zasugerowała, że mogą one działać jako kandydaci terapeutyczni na specyfikę płciową AD.
Wprowadzenie
Choroba Alzheimera (AD) jest globalną chorobą o wysokiej częstości występowania i stanowi 60%-80% demencji1. Pomimo wysokiej częstości występowania, mechanistyczna patogeneza choroby Alzheimera nie jest jasno określona i do tej pory nie było skutecznych metod leczenia2. Główne patologie w AD zostały zidentyfikowane jako atrofia neuronów i nagromadzenie patologicznych szczątków, głównie białka Tau związanego z mikrotubulami oraz β-amyloidu (Aβ)3,4. Patogeneza choroby Alzheimera jest związana z nieprawidłową autofagią, stresem oksydacyjnym, dysfunkcją mitochondriów, stanem zapalnym i zaburzeniami metabolizmu energetycznego5. Badania rozpowszechnienia wykazały, że dwie trzecie pacjentów z AD stanowiły kobiety6. Specyficzne dla płci różnice w chorobie Alzheimera występują w etiologii, objawach klinicznych, profilaktyce i leczeniu. W związku z tym ujawnienie mechanizmu biologicznego, który powoduje różnice w chorobie Alzheimera w zależności od płci i ukierunkowanie na tradycyjną medycynę chińską (TCM) może potencjalnie zapewnić bardziej kompleksowe ramy teoretyczne do zrozumienia patogenezy choroby Alzheimera i dalszego kierowania dokładną strategią leczenia.
Komórki neuroglejowe, zwłaszcza mikroglej, astrocyty i oligodendrocyty, potencjalnie przyczyniają się do patogenezy AD. W chorobie Alzheimera mikroglej jest aktywowany i zmieniany genetycznie, co przyczynia się do odpowiedzi zapalnej, fagocytozy i klirensu Aβ7,8; Astrocyt jest genetycznie zmieniony, co wpływa na aktywność synaptyczną, homeostazę jonów oraz metabolizm energii i lipidów9; Oligodendrocyty są genetycznie zmienione ze specyficzną płcią, co przyczynia się do utraty neuronów, splątków neurofibrylarnych i zmian w istocie białej10,11.
W tym badaniu zastosowaliśmy sekwencjonowanie RNA pojedynczych jąder (snRNA-seq) jako lepszą technikę. W porównaniu z sekwencjonowaniem RNA pojedynczej komórki (scRNA-seq), snRNA-seq oferuje korzyści pod względem bogactwa próbki, integralności typu komórki i wiarygodności danych12,13. Sekwencja SnRNA jest szeroko stosowana w badaniach koncentrujących się na chorobie Alzheimera i badających rolę komórek glejowych14,15,16. Jego szerokie zastosowanie w tych obszarach badawczych podkreśla jego skuteczność w dostarczaniu cennych informacji na temat charakterystyki transkrypcji komórek glejowych w chorobie Alzheimera. Wykorzystując zalety sekwencjonowania snRNA, naukowcy byli w stanie odkryć kluczowe informacje dotyczące udziału komórek glejowych w patologii choroby Alzheimera i zidentyfikować potencjalne cele terapeutyczne. W celu zbadania specyficznych dla płci neuroglejowych cech transkrypcyjnych w AD i potencjalnych TCM dla swoistości płciowej AD, w badaniu przeanalizowano dane snRNA-seq z kory czołowej pacjentów z AD z publicznej bazy danych NCBI GEO. Geny o zróżnicowanej ekspresji specyficzne dla płci (DEG), ontologia genów (GO), Encyklopedia genów i genomów z Kioto (KEGG), sieć interakcji białko-białko (PPI) oraz sieć genów-TF-miRNA są dalej analizowane w celu ujawnienia kluczowych biomarkerów i potencjalnej patogenezy. Na koniec zasugerowano potencjalne TCM, a ich składniki aktywne zostały wyświetlone wraz z tabelami, przeszukując bazy danych Coremine Medical, TCMIP i TCMSP.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Protokół
Kroki od 2 do 9 analizy zostały zrealizowane za pomocą oprogramowania R (patrz Rysunek Uzupełniający 1 i Plik Uzupełniający 1), podczas gdy pozostałe kroki zostały wykonane na platformach internetowych. Szczegółowe informacje na temat baz danych wykorzystywanych w tym protokole (wraz z linkami internetowymi) znajdują się w Tabeli Materiałów.
1. Akwizycja danych
- Uzyskaj dostęp do publicznie dostępnej bazy danych Gene Expression Omnibus (GEO) w Narodowym Centrum Informacji Biotechnologicznej.
- Wyszukaj dane GEO o nazwie Choroba Alzheimera w polu wyszukiwania.
- Wybierz Top Organisms jako Homo sapiens po prawej stronie.
UWAGA: Wyniki wyszukiwania były danymi dotyczącymi choroby Alzheimera u Homo sapiens. - Po przefiltrowaniu wyszukiwanych informacji pobierz pliki danych GSE167490 i GSE183068, które obejmują features.tsv, barcode.tsv i matrix.mtx dla każdej pojedynczej próbki jąder. Zbiory danych składały się z 34 próbek AD pochodzących z kory czołowej, z równym rozkładem 17 próbek męskich i 17 próbek żeńskich (tabela uzupełniająca 1).
2. Łączenie próbek
- Skonfiguruj odpowiednio ścieżki danych i przykładowe nazwy na komputerze. Zaimportuj 34 pobrane próbki i przypisz im imiona i nazwiska specyficzne dla płci za pomocą nazw funkcji.
- Wygeneruj obiekty Seurat dla wszystkich próbek w sposób przetwarzania wsadowego, korzystając z listy funkcji i Read10X, określając parametry jako min.cells = 3 i min.features = 200.
- Użyj funkcji RenameCells, aby dodać identyfikatory próbek jako prefiksy do kodów kreskowych komórek, aby zachować kody kreskowe komórek podczas procesu scalania. Dzięki temu każda komórka zachowała swoją unikalną tożsamość i po połączeniu można ją było prześledzić aż do pierwotnego źródła próbki.
3. Kontrola jakości (QC)
- Użyj funkcji PercentageFeatureSet, aby obliczyć proporcje genów mitochondrialnych, proporcje genów erytrocytów i proporcje genów rybosomów dla każdej komórki.
- Przechowuj te obliczone współczynniki w metadanych za pomocą operatora [[ ]], aby dołączyć te informacje bezpośrednio do metadanych każdej komórki.
- Wykorzystaj funkcję podzbioru do przeprowadzenia filtracji komórek, określając parametry jako nFeature_RNA > 200, nFeature_RNA < 10000, nCount_RNA < 60000, percent.mt < 10, percent.rb < 5 i procent. HB < 75.
- Wyklucz GSM5106107 z analizy.
4. Sprawdzanie efektów wsadowych
- Wykonywanie przetwarzania danych.
- Znormalizuj dane za pomocą funkcji NormalizeData.
- Zidentyfikuj 2000 najważniejszych cech zmiennych w zestawie danych przy użyciu funkcji FindVariableFeatures.
- Przeprowadź analizę głównych składowych (PCA)17 na danych przy użyciu RunPCA, zachowując 50 głównych składników.
- Wygeneruj wykres kolanka za pomocą funkcji ElbowPlot, aby określić optymalną liczbę wymiarów do późniejszej analizy. Weź pod uwagę pierwsze 50 wymiarów.
- Skalowanie danych przy użyciu funkcji ScaleData w celu zapewnienia, że wszystkie funkcje są w porównywalnej skali.
- Zidentyfikuj najbliższych sąsiadów za pomocą funkcji FindNeighbors na podstawie 30 wymiarów.
- Zastosuj algorytm UMAP przy użyciu polecenia RunUMAP, aby zmniejszyć wymiarowość danych do 30 wymiarów.
- Wizualizacja przetworzonych danych za pomocą funkcji DimPlot z parametrem redukcji ustawionym na umap i parametrem group.by ustawionym na orig.ident.
UWAGA: Ten krok może spowodować wygenerowanie wykresu wizualizującego dane w zmniejszonej przestrzeni UMAP, pogrupowane według oryginalnych tożsamości komórek. Po zbadaniu wykresów UMAP stało się jasne, że występuje efekt wsadowy. Wyraźne grupowanie lub separacja komórek w oparciu o ich partię lub pochodzenie eksperymentalne sugerowała, że partie eksperymentalne wpłynęły na profile ekspresji genów.
5. Integracja danych
- Normalizacja i standaryzacja danych przy użyciu funkcji SCTransform.
- Zastosuj algorytm harmonii18, aby zintegrować pozostałe 33 dane pojedyncze jądra. Użyj testu SCT do integracji i ustaw maksymalną liczbę iteracji harmonii na 20.
- Użyj funkcji FindClusters z parametrem resolution ustawionym na 0,07, aby zidentyfikować odrębne klastry w danych.
- Użyj funkcji RunUMAP z określoną liczbą wymiarów (dims = 30), aby jeszcze bardziej zmniejszyć wymiarowość danych i zwizualizować klastry w przestrzeni niskowymiarowej.
6. Adnotacja typu komórki
- Zbierz geny markerowe (Tabela uzupełniająca 2) komórek poprzez obszerny przegląd istniejącej literatury.
- Po zidentyfikowaniu niejednorodności klastra komórkowego należy sklasyfikować typ każdej komórki klastra według genów markerowych wyrażonych w określony sposób.
- Przedstaw różne typy komórek za pomocą wizualizacji UMAP za pomocą pakietu ggplot2, gdzie oligodendrocyt został podświetlony kodem koloru #DB7093, neuron pobudzający z #FF69B4, astrocyt z #1874CD, mikroglej z #63B8FF, komórka prekursorowa oligodendrocytów z #DB7093, neuron hamujący z #FFC0CB i komórka śródbłonka z #FF69B4.
- Oblicz proporcje każdego typu komórki z podziałem na płcie.
7. Ekstrakcja danych z komórek glejowych
- Wyodrębnij dane astrocytów ze zintegrowanych danych zbiorczych za pomocą funkcji podzbioru.
- Wyodrębnij dane mikrogleju ze zintegrowanych danych zbiorczych za pomocą funkcji podzbioru.
- Wyodrębnij dane oligodendrocytów ze zintegrowanych danych zbiorczych za pomocą funkcji podzbioru.
8. Wyodrębnianie genów o zróżnicowanej ekspresji (DEG) specyficznych dla płci glejowej
- Zidentyfikuj specyficzne dla płci DEG astrocytów za pomocą funkcji FindMarkers (ident.1 = mężczyzna, ident.2 = kobieta, group.by = grupa.suma, test = RNA) z wartościami progowymi: wartość p < 0,05 i |avg_log2FC| > 30. Oznacz stopnie regulowane w górę jako Góra, stopnie regulowane w dół jako Dół, a resztę jako Stabilne.
- Wizualizuj DEG za pomocą funkcji ggplot, przy czym oś x reprezentuje różnicę procentową między dwoma warunkami (pct.1 - pct.2), a oś y przedstawia avg_log2FC. Geny regulowane w górę zostały podkreślone za pomocą koloru PaleVioletRed, geny regulowane w dół za pomocą koloru Pink, a stabilne geny za pomocą DodgerBlue3.
- Zidentyfikuj specyficzne dla płci DEG mikrogleju za pomocą funkcji FindMarkers (ident.1 = mężczyzna, ident.2 = kobieta, group.by = group.sum, test = RNA) z wartościami progowymi: wartość p < 0,05 i |avg_log2FC| > 1. Oznacz stopnie regulowane w górę jako Góra, stopnie regulowane w dół jako Dół, a resztę jako Stabilne.
- Wizualizuj DEG za pomocą funkcji ggplot, przy czym oś x reprezentuje różnicę procentową między dwoma warunkami (pct.1 - pct.2), a oś y przedstawia avg_log2FC. Geny regulowane w górę zostały podkreślone za pomocą koloru OrangeRed, geny regulowane w dół w przypadku LightSalmon, a stabilne geny w przypadku SteelBlue1.
- Zidentyfikuj specyficzne dla płci DEG oligodendrocytów za pomocą funkcji FindMarkers (ident.1 = mężczyzna, ident.2 = kobieta, group.by = group.sum, test = RNA) z wartościami progowymi: wartość p < 0,05 i |avg_log2FC| > 10. Oznacz stopnie regulowane w górę jako Góra, stopnie regulowane w dół jako Dół, a resztę jako Stabilne.
- Wizualizuj DEG za pomocą funkcji ggplot, przy czym oś x reprezentuje różnicę procentową między dwoma warunkami (pct.1 - pct.2), a oś y przedstawia avg_log2FC. Geny regulowane w górę zostały podkreślone za pomocą koloru DeepPink, geny regulowane w dół za pomocą HotPink, a stabilne geny za pomocą DeepSkyBlue3.
9. Analizy wzbogacenia funkcjonalnego DEG specyficznych dla płci
- Wykonaj analizę wzbogacenia ontologii genów (GO) na DEG specyficznych dla płci dla każdego typu komórek glejowych za pomocą funkcji enrichGO. Ustaw następujące parametry: OrgDb = org. Hs.eg.db, keyType = SYMBOL, ont = ALL, pAdjustMethod = BH, pvalueCutoff = 0,01 i qvalueCutoff = 0,05.
- Przekształć symbole genów na odpowiadające im identyfikatory genów za pomocą funkcji bitr. Przeprowadzenie analizy wzbogacania Encyklopedii Genów i Genomów z Kioto (KEGG) na DEG specyficznych dla płci dla każdego typu komórek glejowych przy użyciu funkcji enrichKEGG. Dostosuj ustawienia w następujący sposób: organizm = has, keyType = kegg, pAdjustMethod = BH, pvalueCutoff = 0,01 i qvalueCutoff = 0,05.
10. Statystyki częstotliwości glejowych DEG w szlakach go i kegga, diagramy Venna dla każdego glejowego DEG specyficznego dla płci oraz budowa sieci PPI
- Oblicz częstość występowania DEG specyficznych dla płci glejowej w szlakach GO i KEGG za pomocą histogramu częstotliwości.
- Uzyskaj dostęp do bazy danych STRING, aby skonstruować sieci PPI.
- Wybierz opcję Wiele białek. Wyszukaj listę nazwisk w polu wyszukiwania. Ustaw "Organizmy" jako Homo sapiens.
- Zapoznaj się z listą białek uzyskanych w wyniku wyszukiwania. Kliknij Kontynuuj, aby kontynuować.
- Wyeksportuj sieci PPI, wybierając opcję pobierania, najlepiej w formacie PNG o wyższej rozdzielczości.
- Wizualizacja rozkładu koekspresji dla najważniejszych genów specyficznych dla płci za pomocą diagramów Venna.
- Zidentyfikuj wspólne geny jako kluczowe geny w badaniu na podstawie analizy diagramu Venna.
11. Wieloczynnikowa budowa sieci regulacyjnej
- Uzyskaj dostęp do narzędzia NetworkAnalyst.
- Kliknij na Gene List Input i określ organizm jako H. sapiens (człowiek). Ustaw typ identyfikatora jako oficjalny symbol genu. Wprowadź nazwę genu w polu wyszukiwania, a następnie kliknij Prześlij i kontynuuj.
- Wybierz opcję Interakcje gen-miRNA i wybierz pozycję miRTarBase v8.0. Potwierdź wybór, klikając OK.
- Przejdź do Interakcje TF-gen i wybierz bazę danych ENCODE. Kliknij OK, aby potwierdzić wybór.
- Następnie przejdź do sieci koregulacyjnej TF-miRNA i kliknij OK, aby kontynuować.
- Na koniec wybierz opcję Kontynuuj, aby wygenerować wieloczynnikową sieć regulacyjną obejmującą interakcje gen-miRNA i interakcje TF-gen.
12. Analiza genów i celu TCM
- Uzyskaj dostęp do internetowej bazy danych Coremine Medical.
- Wprowadź konkretną nazwę genu i wybierz odpowiadający mu gen z sufiksem gen/białko, człowiek w polu wyszukiwania w sekcji Eksploruj.
- Przejdź do sekcji Narkotyki i zidentyfikuj TCM powiązane z wyszukiwanymi narkotykami.
UWAGA: Leki istotne statystycznie oznaczono kolorem niebieskim. - Określ pięć pierwszych TCM na podstawie ich wartości "istotności" jako terapeutycznych TCM.
13. Podsumowanie badań nad składnikami TCM w celowaniu w kluczowy gen
- Uzyskaj dostęp do Integracyjnej Platformy Badawczej Tradycyjnej Medycyny Chińskiej (TCMIP) oraz Bazy Danych i Analizy Farmakologii Systemów Tradycyjnej Medycyny Chińskiej (TCMSP). Wpisz nazwy ziół w pasku wyszukiwania, aby pobrać odpowiadające im składniki.
- Pobierz składniki z bazy danych PubMed z limitem czasowym do 10 kwietnia 2023r. Użyte terminy wyszukiwania obejmowały nazwę cząsteczki w TCMSP i składniki chemiczne w TCMIP jako terminy wyszukiwania i były ograniczone do artykułów opublikowanych w języku angielskim.
- Podsumuj i przeanalizuj zioła i odpowiadające im składniki działające na AD.
14. Potwierdzenie ukierunkowanej funkcji leczenia TCM w specyficzność płciową AD
- Zaimportuj zioła do TCMIP i przejdź do odpowiedniej strony opisu.
- Skorzystaj z funkcji Eksportuj dane i wybierz format CSV, aby pobrać warunki wzbogacania GO - Proces biologiczny, GO - Komponent komórkowy, GO - Funkcja molekularna i Szlak Reactome.
- Wizualizuj pobrane warunki wzbogacania dla każdego zioła za pomocą wykresów słupkowych.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Wyniki
Analiza snRNA-seq profili transkryptomicznych gleju czołowego i adnotacja typów komórek
Łącznie uzyskano 220 095 jąder i 32 077 genów z kory czołowej 17 samców i 17 samic z AD (Rycyna 1A). Wykres UMAP zwizualizował całkowite transkryptomy pojedynczych jąder czołowych, wykazując odrębne typy jąder po analizie redukcji wymiarowości (Rycina 1B). Przedstawiono całkowitą liczbę adnotowanych jąder z podziałem na płeć, co dało sumę obejmującą 58 90...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Dyskusja
Specyficzność płciowa została zidentyfikowana w epidemiologii, patologii i objawach klinicznych AD19. W tym miejscu potwierdziliśmy potencjalny patologiczny mechanizm "osi hormon-synapsa-neuron" na podstawie specyficznych dla płci genów glejowych i powiązanych szlaków u pacjentów z AD. NLGN4Y był jedynym wspólnym genem w trzech komórkach glejowych i został wybrany jako biomarker specyficzności płciowej AD. TF i miRNA regulujące NLGN4Y były silnie związane z różnicami płci i rozwojem układu nerwowe...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Oświadczenia
W niniejszym manuskrypcie nie występuje konflikt interesów, a wszyscy autorzy wyrazili zgodę na jego zgłoszenie do publikacji.
Podziękowania
Autorzy są wdzięczni Jessice S Sadick, Michaelowi R O'Dea, Philipowi Haselowi, itd., za dostarczenie GSE167490 zestawu danych. Autorzy doceniają fakt, że Faten A Sayed, Lay Kodama, Li Fan itd. oferują GSE183068 zestaw danych. Autorzy dziękują Shuqing Liu za pomoc w analizie danych oraz Wen Yangowi za udostępnienie platformy do analizy danych. Badanie to było wspierane przez Chińską Narodową Fundację Nauk Przyrodniczych (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) oraz Innowacyjne tematy praktyki naukowo-badawczej dla studentów Uniwersytetu Tradycyjnej Medycyny Chińskiej w Chengdu (ky-2023100). Hanjie Liu i Hui Yang przyczynili się do zaprojektowania badania, zebrania, interpretacji danych oraz opracowania i korekty manuskryptu. Shuqing Liu i Siyu Li uczestniczyli w projektowaniu badania, zbieraniu danych i sporządzaniu manuskryptu. Wen Yang i Anwar Ayesha byli odpowiedzialni za gromadzenie i interpretację danych. Xin Tan przygotował figury i/lub tabele. Cen Jiang, Yi Liu i Lushuang Xie wymyślili badanie i przejrzeli/zredagowali manuskrypt. Wszyscy autorzy przyczynili się do powstania artykułu i zatwierdzili nadesłaną wersję.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Materiały
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| Database | |||
| Coremine Medical Baza danych | opracowana wspólnie przez Norwegię, Chińską Akademię Nauk, Chińską Akademię Nauk Medycznych, Narodową Bibliotekę Medyczną Stanów Zjednoczonych i inne instytucje | Podczas eksplorowania pojęć w CoreMine Medical uzyskujesz dostęp do bazy danych, która jest skonstruowana tak, aby powiązać ważne pojęcia, uszeregowane według trafności statystycznej, do twojego tematu. Na przykład, jeśli wpiszesz "choroba Alzheimera", oprócz pobierania dokumentów i zasobów omawiających chorobę będziesz mógł wyświetlać sieci i listy, które pokazują, w jaki sposób koncepcja kwerendy jest powiązana z innymi pojęciami biomedycznymi. Zawiera on przegląd pojęć związanych z wyszukiwaniem, a także jest interfejsem do nawigowania po informacjach na temat tych pojęć. Link internetowy: https://coremine.com/medical/ | |
| Gene Expression Omnibus (GEO) | Narodowe Centrum Informacji Biotechnologicznej w Stanach Zjednoczonych (NCBI) | GEO to publiczne funkcjonalne repozytorium danych genomicznych obsługujące przesyłanie danych zgodnych z MIAME. Akceptowane są dane oparte na tablicach i sekwencjach. Dostępne są narzędzia, które pomagają użytkownikom wyszukiwać i pobierać eksperymenty oraz wyselekcjonowane profile ekspresji genów. Weblink: https://www.ncbi.nlm.nih.gov/geo/ | |
| Integracyjna platforma badawcza Tradycyjnej Medycyny Chińskiej oparta na farmakologii (TCMIP, wersja: 2.0) | Brak | Wprowadzenie do zintegrowanej sieciowej platformy obliczeniowej opartej na farmakologii dla tradycyjnej medycyny chińskiej [TCMIP v2.0], http://www.tcmip.cn/ ) Jest to inteligentna eksploracja danych platforma oparta na internetowej bazie danych Encyklopedii Tradycyjnej Medycyny Chińskiej (ETCM), która integruje medyczne usługi zarządzania dużymi zbiorami danych i farmakologiczne usługi obliczeniowe. Ma na celu ujawnienie naukowych konotacji teorii tradycyjnej medycyny chińskiej oraz wartość naukową oryginalnego myślenia w tradycyjnej medycynie chińskiej, podsumowanie i przekazanie doświadczeń znanych lekarzy, kontrolę jakości tradycyjnej medycyny chińskiej, wyjaśnienie zasad działania tradycyjnej medycyny chińskiej, badania i rozwój nowej medycyny chińskiej, zwłaszcza odkrywanie i optymalizację nowoczesnych kombinacji leków, Zapewnij solidną podstawę danych i narzędzia analityczne. W oparciu o TCMIP v1.0 wdrażana jest kompleksowa aktualizacja, obejmująca pięć głównych baz danych i siedem modułów funkcjonalnych. Dzięki integracji systemów i modułów można szybko uzyskać kompleksową analizę wielopoziomowej korelacji sieci interakcji "recepty na zespół chorobowy". Jako inteligentna platforma eksploracji danych, TCMIP v2.0 zapewni solidną podstawę danych i platformę analityczną do ujawnienia naukowych konotacji teorii tradycyjnej medycyny chińskiej i wartości naukowej oryginalnego myślenia w tradycyjnej medycynie chińskiej, podsumowując i dziedzicząc doświadczenie znanych lekarzy, kontrolę jakości tradycyjnej medycyny chińskiej, wyjaśniając zasady działania tradycyjnej medycyny chińskiej, badania i rozwój nowych leków tradycyjnej medycyny chińskiej, w szczególności odkrywanie i optymalizacja nowoczesnych kombinacji leków. Weblink: http://www.tcmip.cn/TCMIP | |
| NetworkAnalyst | Brak | Networkanalyze to internetowa platforma do analizy wizualizacji do analizy ekspresji genów i metaanalizy. Może wykonywać analizę porównawczą, ilościową, różnicową i wzbogacającą ekspresję genów, analizę interakcji białko-białko, analizę integracji wielu zestawów danych, a także może rysować obrazy o wysokiej wartości, takie jak PCA, diagram sieci interakcji białko-białko, mapa cieplna, diagram wulkanu, diagram Wayne'a itp. Weblink: Baza | |
| danych https://www.networkanalyst.ca/NetworkAnalyst/ PubMed | Narodowe Centrum Informacji Biotechnologicznej w Stanach Zjednoczonych (NCBI) | Baza danych Pubmed to baza danych literatury biomedycznej prowadzona przez National Library of Medicine (NLM) w Stanach Zjednoczonych, mająca na celu dostarczanie najnowszych wyników badań medycznych naukowcom, lekarzom, badaczom i studentom na całym świecie. Ta baza danych gromadzi literaturę biomedyczną z całego świata, w tym artykuły w czasopismach, referaty, książki itp. Do tej pory baza danych Pubmed zgromadziła ponad 30 milionów artykułów i jest stale aktualizowana co tydzień. Weblink: | |
| Oprogramowanie https://pubmed.ncbi.nlm.nih.gov/ R | Ross Ihaka i Robert Gentleman | R to język i środowisko do obliczeń statystycznych i grafiki. Jest to projekt GNU, który jest podobny do języka i środowiska S, które zostało opracowane w Bell Laboratories (dawniej AT& T, obecnie Lucent Technologies) autorstwa Johna Chambersa i współpracowników. R można uznać za inną implementację S. Istnieje kilka istotnych różnic , ale większość kodu napisanego dla S działa niezmieniona pod linkiem internetowym R. : https://www.r-project.org/ | |
| Baza danych i platforma analizy farmakologii systemów tradycyjnej medycyny chińskiej (TCMSP) | Zhejiang Jiuwei Health Co., Ltd | TCMSP to nie tylko repozytorium danych, ale także platforma analityczna dla użytkowników do kompleksowego studiowania Tradycyjnej Medycyny Chińskiej (TCM): w tym identyfikacja składników aktywnych, badania przesiewowe celów leków i generowanie sieci związki-cele-choroby, jak również szczegółowe informacje farmakokinetyczne dotyczące podobieństwa do leku (DL), biodostępności po podaniu doustnym (OB), bariery krew-mózg (BBB), przepuszczalności nabłonka jelitowego (Caco-2), ALogP, frakcjonalnej powierzchni ujemnej (FASA-) i liczby Obligacje H Dawca/Akceptant (Hdon/Hacc). Do tej pory TCMSP przyciągnął szeroką uwagę, a kilka grup opublikowało ponad 10 artykułów, korzystając z naszej bazy danych TCMSP w ciągu około jednego roku. Link internetowy: https://tcmsp-e.com |
Bibliografia
- 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).
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Przedruki i uprawnienia
