Artykuł metodologiczny

Identyfikacja biomarkerów swoistości płciowej choroby Alzheimera na podstawie profili transkryptomu glejowego

2K wyświetleń

⸱

DOI:

10.3791/66552

⸱

20 maja 2024

 ,  ,  ,  ,  ,  ,  ,  ,  , 
1Chengdu University of Traditional Chinese Medicine, 2Chengdu Shuangliu Hospital of Traditional Chinese Medicine, 3Department of Automation, Tsinghua University, 4Affiliated Reproductive & Women-Children Hospital, Chengdu University of Traditional Chinese Medicine, 5Department of Neurology, Dalian Municipal Central Hospital, Central Hospital of Dalian University of Technology

* These authors contributed equally

W tym artykule

Podsumowanie

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.

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.

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

  1. Uzyskaj dostęp do publicznie dostępnej bazy danych Gene Expression Omnibus (GEO) w Narodowym Centrum Informacji Biotechnologicznej.
  2. Wyszukaj dane GEO o nazwie Choroba Alzheimera w polu wyszukiwania.
  3. Wybierz Top Organisms jako Homo sapiens po prawej stronie.
    UWAGA: Wyniki wyszukiwania były danymi dotyczącymi choroby Alzheimera u Homo sapiens.
  4. 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

  1. 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.
  2. 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.
  3. 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)

  1. Użyj funkcji PercentageFeatureSet, aby obliczyć proporcje genów mitochondrialnych, proporcje genów erytrocytów i proporcje genów rybosomów dla każdej komórki.
  2. Przechowuj te obliczone współczynniki w metadanych za pomocą operatora [[ ]], aby dołączyć te informacje bezpośrednio do metadanych każdej komórki.
  3. 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.
  4. Wyklucz GSM5106107 z analizy.

4. Sprawdzanie efektów wsadowych

  1. Wykonywanie przetwarzania danych.
    1. Znormalizuj dane za pomocą funkcji NormalizeData.
    2. Zidentyfikuj 2000 najważniejszych cech zmiennych w zestawie danych przy użyciu funkcji FindVariableFeatures.
    3. Przeprowadź analizę głównych składowych (PCA)17 na danych przy użyciu RunPCA, zachowując 50 głównych składników.
    4. Wygeneruj wykres kolanka za pomocą funkcji ElbowPlot, aby określić optymalną liczbę wymiarów do późniejszej analizy. Weź pod uwagę pierwsze 50 wymiarów.
    5. Skalowanie danych przy użyciu funkcji ScaleData w celu zapewnienia, że wszystkie funkcje są w porównywalnej skali.
    6. Zidentyfikuj najbliższych sąsiadów za pomocą funkcji FindNeighbors na podstawie 30 wymiarów.
    7. Zastosuj algorytm UMAP przy użyciu polecenia RunUMAP, aby zmniejszyć wymiarowość danych do 30 wymiarów.
  2. 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

  1. Normalizacja i standaryzacja danych przy użyciu funkcji SCTransform.
  2. Zastosuj algorytm harmonii18, aby zintegrować pozostałe 33 dane pojedyncze jądra. Użyj testu SCT do integracji i ustaw maksymalną liczbę iteracji harmonii na 20.
  3. Użyj funkcji FindClusters z parametrem resolution ustawionym na 0,07, aby zidentyfikować odrębne klastry w danych.
  4. 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

  1. Zbierz geny markerowe (Tabela uzupełniająca 2) komórek poprzez obszerny przegląd istniejącej literatury.
  2. Po zidentyfikowaniu niejednorodności klastra komórkowego należy sklasyfikować typ każdej komórki klastra według genów markerowych wyrażonych w określony sposób.
  3. 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.
  4. Oblicz proporcje każdego typu komórki z podziałem na płcie.

7. Ekstrakcja danych z komórek glejowych

  1. Wyodrębnij dane astrocytów ze zintegrowanych danych zbiorczych za pomocą funkcji podzbioru.
  2. Wyodrębnij dane mikrogleju ze zintegrowanych danych zbiorczych za pomocą funkcji podzbioru.
  3. Wyodrębnij dane oligodendrocytów ze zintegrowanych danych zbiorczych za pomocą funkcji podzbioru.

8. Wyodrębnianie genów o zróżnicowanej ekspresji (DEG) specyficznych dla płci glejowej

  1. 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.
    1. 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.
  2. 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.
    1. 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.
  3. 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.
    1. 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

  1. 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.
  2. 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

  1. Oblicz częstość występowania DEG specyficznych dla płci glejowej w szlakach GO i KEGG za pomocą histogramu częstotliwości.
  2. Uzyskaj dostęp do bazy danych STRING, aby skonstruować sieci PPI.
  3. Wybierz opcję Wiele białek. Wyszukaj listę nazwisk w polu wyszukiwania. Ustaw "Organizmy" jako Homo sapiens.
  4. Zapoznaj się z listą białek uzyskanych w wyniku wyszukiwania. Kliknij Kontynuuj, aby kontynuować.
  5. Wyeksportuj sieci PPI, wybierając opcję pobierania, najlepiej w formacie PNG o wyższej rozdzielczości.
  6. Wizualizacja rozkładu koekspresji dla najważniejszych genów specyficznych dla płci za pomocą diagramów Venna.
  7. Zidentyfikuj wspólne geny jako kluczowe geny w badaniu na podstawie analizy diagramu Venna.

11. Wieloczynnikowa budowa sieci regulacyjnej

  1. Uzyskaj dostęp do narzędzia NetworkAnalyst.
  2. 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.
  3. Wybierz opcję Interakcje gen-miRNA i wybierz pozycję miRTarBase v8.0. Potwierdź wybór, klikając OK.
  4. Przejdź do Interakcje TF-gen i wybierz bazę danych ENCODE. Kliknij OK, aby potwierdzić wybór.
  5. Następnie przejdź do sieci koregulacyjnej TF-miRNA i kliknij OK, aby kontynuować.
  6. Na koniec wybierz opcję Kontynuuj, aby wygenerować wieloczynnikową sieć regulacyjną obejmującą interakcje gen-miRNA i interakcje TF-gen.

12. Analiza genów i celu TCM

  1. Uzyskaj dostęp do internetowej bazy danych Coremine Medical.
  2. Wprowadź konkretną nazwę genu i wybierz odpowiadający mu gen z sufiksem gen/białko, człowiek w polu wyszukiwania w sekcji Eksploruj.
  3. Przejdź do sekcji Narkotyki i zidentyfikuj TCM powiązane z wyszukiwanymi narkotykami.
    UWAGA: Leki istotne statystycznie oznaczono kolorem niebieskim.
  4. Określ pięć pierwszych TCM na podstawie ich wartości "istotności" jako terapeutycznych TCM.

13. Podsumowanie badań nad składnikami TCM w celowaniu w kluczowy gen

  1. 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.
  2. 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.
  3. Podsumuj i przeanalizuj zioła i odpowiadające im składniki działające na AD.

14. Potwierdzenie ukierunkowanej funkcji leczenia TCM w specyficzność płciową AD

  1. Zaimportuj zioła do TCMIP i przejdź do odpowiedniej strony opisu.
  2. 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.
  3. Wizualizuj pobrane warunki wzbogacania dla każdego zioła za pomocą wykresów słupkowych.

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 58 902 astrocytów, 14 265 mikroglejów, 77 466 oligodendrocytów, 3 520 komórek śródbłonka, 25 252 neuronów pobudzających, 31 268 neuronów hamujących oraz 9 422 komórek progenitorowych oligodendrocytów (Rycina 1C). Średnia ekspresja znanych markerów typów komórek dla każdego rodzaju gleju została rzutowana na wykresy UMAP w celu identyfikacji populacji komórkowych (Rycina 1D).

Specyficzne dla płci geny różnicowo wyrażone (DEG) w astrocytach
Przeanalizowano 58 902 jądra astrocytów (Rysunek 2A), z czego 27 504 pochodziło od samców z AD (46,69%), a 31 398 od samic z AD (53,31%). Specyficzne dla płci DEG ujawniły nadekspresję 138 genów, w tym DST, CACNA2D3 oraz AC016831.7, niedoekspresję 105 genów, w tym CNTN5, RORA, RASSF8 oraz CADM2, a także 4995 genów bez zmian w ekspresji (Rysunek 2B). Ponadto analizy GO i KEGG wykazały, że DEG te koncentrują się głównie w szlakach dotyczących neuronów, synaps i hormonów; szlaki neuronalne obejmowały m.in. regulację rozwoju wypustek neuronowych i kolców dendrytycznych, szlaki synaptyczne obejmowały organizację synaptyczną oraz synapsy glutaminergiczne/cholinergiczne, a szlaki hormonalne obejmowały syntezę hormonów tarczycy i sekrecję insuliny (Rysunek 2C,D). Wyłoniono trzydzieści genów o najwyższej częstotliwości występowania (Rysunek 2E), wśród których na pierwszym miejscu znalazł się PLCB1. W celu zbadania relacji między tymi genami skonstruowano sieci PPI (Rysunek 2F), które pozwoliły zidentyfikować DLG2, CAMK2D, CALM2 oraz PRKACB jako geny kluczowe. Wykresy UMAP wykazały różnice w ekspresji wybranych DEG: KCND2, CAMK2D, MT3, LINC00278 oraz XIST wykazywały wyższy poziom u samic z AD i niższy u samców z AD, natomiast w przypadku NLGN4Y, DLG2, PRKACB, CALM2, UTY oraz TTTY14 zależności były odwrotne (Rysunek 2G). Ostatecznie, jak pokazano w Tabeli 1, jako specyficzne dla płci DEG astrocytów określono geny MT3, CALM2, DLG2, KCND2, PRKACB, CAMK2D oraz NLGN4Y.

Swoiste dla płci DEGs w mikrogleju
Przeanalizowano 14 265 jąder mikrogleju (Rycyna 3A), z czego 5 327 (37,34%) pochodziło od samców z AD, a 8 938 (62,66%) od samic z AD. Analiza swoistych dla płci DEGs wykazała nadekspresję 224 genów, w tym KCNIP4 i LRRTM4, niedoekspresję 930 genów, w tym APOE, MT-CO3 i FTL, oraz brak zmian w 13 111 genach (Rycyna 3B). Ponadto analizy GO i KEGG wykazały, że DEGs te koncentrowały się głównie w szlakach neuronów, fagosomów, hormonów i innych; szlaki neuronalne obejmowały synapsy neuron-neuron, szlaki fagocytarne obejmowały fagosom i regulację fagocytozy, szlaki hormonalne obejmowały szlak sygnalizacyjny estrogenów, szlak sygnalizacyjny oksytocyny itp., a pozostałe obejmowały regulację odpowiedzi zapalnej, uczenie się lub pamięć, usuwanie amyloidu-beta itp. (Rycyna 3C,D). Wyłoniono trzydzieści genów o najwyższej częstotliwości, przy czym TLR2 i TREM2 zajęły ex aequo drugie miejsce (Rycyna 3E). W celu zbadania relacji między tymi genami skonstruowano sieci PPI (Rycyna 3F), które pozwoliły zidentyfikować ACTB, APP i FYN jako geny kluczowe. Wykresy UMAP wykazały różnice w ekspresji wybranych DEGs: APP, FOS, XIST i CTSD miały wyższy poziom u samic z AD i niższy u samców z AD, natomiast w przypadku NLGN4Y, TREM2, LINC0028, APOE, UTY i TTTY14 obserwowano sytuację odwrotną (Rycyna 3G). Ostatecznie jako swoiste dla płci DEGs mikrogleju określono TREM2, FOS, APOE, APP i NLGN4Y, co przedstawiono w Tabeli 2.

Seksowo specyficzne DEGs w oligodendrocytach
Przeanalizowano 77 466 jąder oligodendrocytów (Rysunek 4A), z czego 42 469 pochodziło od mężczyzn z AD (54,82%), a 34 997 od kobiet z AD (45,18%). Analiza seksowo specyficznych DEGs ujawniła nadekspresję 384 genów, w tym PCDH9, MT-CO1, NEAT1 i NPAS3, niedoekspresję 188 genów, w tym FRMD4A, PLP1 i LSAMP, natomiast pozostałe 76 894 geny nie uległy zmianie (Rysunek 4B). Ponadto analizy GO i KEGG wykazały, że DEGs te koncentrowały się głównie w szlakach dotyczących neuronów, synaps i hormonów; szlaki neuronalne obejmowały kolce dendrytyczne, szlaki synaptyczne obejmowały synapsy neuron-neuron oraz synapsy glutaminergiczne/dopaminergiczne, a szlaki hormonalne obejmowały m.in. szlak sygnalizacyjny neurotrofin, syntezę i sekrecję aldosteronu oraz szlak sygnalizacji wapniowej (Rysunek 4C,D). Wyłoniono trzydzieści genów o najwyższej częstotliwości występowania (Rysunek 4E), przy czym GRIN2A i PSEN1 zajęły ex aequo drugie miejsce. Konstrukcje sieci PPI posłużyły do zbadania relacji między tymi genami (Rysunek 4F), co pozwoliło zidentyfikować GRIN2A i GRIA2 jako geny kluczowe. Wykresy UMAP wykazały różnice w wybranych DEGs: GRIN2A, ITPR2, GNAS i XIST charakteryzowały się wyższym poziomem u kobiet z AD i niższym u mężczyzn z AD, natomiast w przypadku NLGN4Y, UTY i TTTY14 obserwowano zjawisko przeciwne (Rysunek 4G). Ostatecznie jako seksowo specyficzne DEGs oligodendrocytów określono GRIN2A, ITPR2, GNAS oraz NLGN4Y, co przedstawiono w Tabeli 3.

Interakcje między kluczowymi genami a 30 najważniejszymi genami komórek glejowych oraz NLGN4Y jako wspólny gen
Diagramy Venna oraz sieci PPI zapewniły przegląd bliskich interakcji między kluczowymi genami (Rysunek 5A,B) a 30 najważniejszymi genami (Rysunek 5C, D) każdej komórki glejowej. Wyniki wykazały, że ACYB, APP, JUN, PRKACB oraz DLG2 znajdowały się w centrum sieci PPI, a NLGN4Y był wspólnym genem dla specyficznych dla płci DEG we wszystkich komórkach glejowych.

Konstrukcja sieci gen-TF-miRNA
Sieć NLGN4Y-TF-miRNA składała się z 13 węzłów i 12 krawędzi (Rycyna 6A). Ekspresja NLGN4Y była regulowana przez 1 TF, a mianowicie CTCF, oraz 11 miRNA, w tym hsa-miR-185, hsa-miR-137 i hsa-miR-9.

Wyświetlanie leku docelowego i TCM dla NLGN4Y wraz z siecią
W bazie Coremine Medical zidentyfikowano łącznie 1 lek docelowy dla NLGN4Y oraz 64 pośrednie docelowe TCM. TCM wykazujące istotność statystyczną w wynikach zostały zaznaczone na niebiesko. Zwizualizowano lek Antithrombin III oraz pięć TCM wchodzących w skład sieci, mianowicie Heikunbu, Wulingzhi, Xiazhicao, Shuizhi i Mahuang, które uznano za istotne statystycznie (Rysunek 6B).

Wpływ docelowych TCM i odpowiadających im składników aktywnych na AD
W przypadku Kunbu w bazie TCMIP wyszukano 10 składników, a w TCMSP 48 składników. Poprzez przeszukiwanie bazy danych PubMed zidentyfikowano 5 składników związanych z AD: fukosterol, saringosterol, tiaminę, kwas stearydonowy oraz phlorofucofuroeckol-A, z których dwa pierwsze charakteryzowały się biodostępnością doustną (OB) ≥30% i podobieństwem do leku (DL) ≥0,18. Szczegóły przedstawiono w Tabeli 4. W odniesieniu do Mahuang wyszukano 28 składników w TCMIP i 363 składniki w TCMSP. Stosując tę samą metodę co w przypadku Kunbu, zidentyfikowano 25 składników związanych z AD. Spośród nich 6 składników z OB ≥30% i DL ≥0,18: kwercetyna, eriodyktyol, naringenina, taksifolina, stigmasterol i luteolina, wymieniono w górnej części Tabeli 5.

Analiza wzbogacenia i sieć hub-gen-choroba
Sieć hub-gen-choroba została przedstawiona na Rysunku 6C. Wspólnym genem docelowym dla Kunbu i Mahuang był ACHE, z którym związane choroby to AD oraz deficyty poznawcze. Genami docelowymi wyłącznie dla Kunbu były ALKBH3 i ELOVL4, z którymi związane choroby to odpowiednio starzenie się i zanik mózgu.

Wyniki wzbogaceń GO (BP, MF i CC) dla Kunbu (Rysunek 7A, Rysunek 8A, Rysunek 9A) i Mahuang (Rysunek 7B, Rysunek 8B, Rysunek 9B) przedstawiono na wykresach słupkowych. Pokazano również ścieżki Reactome dla Kunbu (Rysunek 10A) i Mahuang (Rysunek 10B). Wzbogacone terminy zaznaczone strzałkami były związane z osią „hormon-synapsa-neuron”, takie jak aktywność receptora hormonów steroidowych, projekcja neuronów i szlak sygnalizacyjny zależny od hormonów steroidowych w przypadku Kunbu oraz chemiczna transmisja synaptyczna, estrogenowo-zależna ekspresja genów i procesy układu nerwowego w przypadku Mahuang.

Sekwencjonowanie RNA pojedynczych komórek, kora przedczołowa; diagram klastrowania UMAP, ekspresja genów w typach komórek.
Rycina 1: Pozyskiwanie danych o ekspresji genów, profilowanie RNA-seq pojedynczych jąder oraz charakterystyka typów komórek. (A) Próbki pobrane z GEO DataSets w celu przygotowania analizy. (B) Dwuwymiarowy wykres UMAP sumy jąder (N = 116,101 dla samców; N = 103,994 dla samic). (C) Proporcje poszczególnych typów komórek z podziałem na płeć. (D) Średnia ekspresja 5 dobrze ustanowionych markerów typów komórek rzutowana na wykres UMAP. Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.

Klasteryzacja UMAP, ekspresja genów, wykres wulkaniczny, funkcjonalne terminy GO, sieć białkowa, analiza wykresu słupkowego.
Rysunek 2: Astrocyty są heterogeniczne i wykazują specyficzne dla płci zmiany transkrypcyjne w chorobie Alzheimera. (A) Wykres UMAP jąder astrocytów (N = 59 010). (B) Specyficzne dla płci DEGs. (C,D) Wykresy kołowe ilustrujące istotne funkcjonalnie wzbogacone terminy dla astrocytarnych DEGs uzyskane z baz danych GO i KEGG (GO: C, KEGG: D). (E) 30 najczęściej występujących astrocytarnych DEGs specyficznych dla płci w ścieżkach GO i KEGG. (F) Sieć PPI dla 30 najczęściej występujących astrocytarnych DEGs specyficznych dla płci w ścieżkach GO i KEGG. (G) Średnia ekspresja istotnych, specyficznych dla płci DEGs rzutowana na wykresy UMAP. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Analiza ekspresji genów; log2 fold change; wykres UMAP, diagram sieciowy, wykres słupkowy, porównanie danych.
Rysunek 3: Mikroglej jest heterogenny i wykazuje specyficzne dla płci zmiany transkrypcyjne w chorobie Alzheimera. (A) Wykres UMAP jąder mikrogleju (N = 14 265). (B) Specyficzne dla płci DEGs. (C,D) Wykresy kołowe ilustrujące istotne funkcjonalnie wzbogacone terminy mikroglejowych DEGs uzyskane z baz danych GO i KEGG (GO: C, KEGG: D). (E) 30 najczęstszych mikroglejowych DEGs specyficznych dla płci w szlakach GO i KEGG. (F) Sieć PPI 30 najczęstszych mikroglejowych DEGs specyficznych dla płci w szlakach GO i KEGG. (G) Średnia ekspresja istotnych specyficznych dla płci DEGs rzutowana na wykresy UMAP. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.

Analiza ekspresji genów; diagramy i wykresy; log2FC vs różnica ∆%; geny o zwiększonej ekspresji; wizualizacja danych.
Rysunek 4: Oligodendrocyty są heterogeniczne i wykazują specyficzne dla płci zmiany transkrypcyjne w chorobie Alzheimera. (A) Wykres UMAP jąder oligodendrocytów (N = 77 466). (B) Specyficzne dla płci geny różnicowo wyrażone (DEG). (C,D) Wykresy kołowe ilustrujące istotne funkcjonalnie wzbogacone terminy dla DEG oligodendrocytów uzyskane z baz danych GO i KEGG (GO: C, KEGG: D). (E) 30 najczęstszych DEG oligodendrocytów specyficznych dla płci w szlakach GO i KEGG. (F) Sieć interakcji białko-białko (PPI) dla 30 najczęstszych DEG oligodendrocytów specyficznych dla płci w szlakach GO i KEGG. (G) Średnia ekspresja wybranych specyficznych dla płci DEG rzutowana na wykresy UMAP. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.

Diagram Venna i diagramy sieciowe przedstawiające specyficzne dla typu komórek interakcje genów w komórkach neuronalnych.
Rysunek 5: Części wspólne DEG oraz sieci PPI dla najczęściej występujących DEG. (A,B) Diagram Venna ilustrujący kluczowe geny dla każdego typu gleju oraz odpowiadająca im sieć PPI. (C,D) Diagram Venna ilustrujący 30 najczęstszych płciowo specyficznych DEG dla każdego typu gleju, wzbogaconych w ścieżki GO i KEGG, oraz odpowiadająca im sieć PPI. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Schemat sieci regulacji genów; interakcje NLGN4Y-miRNA, choroby, relacje z lekami TCM.
Rycina 6: Schemat sieci z NLGN4Y i celowanymi lekami TCM jako rdzeniem. (A) Sieć koregulacyjna gen-TF-miRNA. (B) Sieć gen-lek-TCM dla NLGN4Y. (C) Sieć TCM-gen-choroba dla Kunbu i Mahuang. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Wykres słupkowy analizy ekspresji genów; szlaki biologiczne; porównanie FDR i wartości P; dane naukowe.
Rycina 7: Analiza wzbogacenia GO (BP) dla Kunbu i Mahuang. (A) 20 najlepiej wzbogaconych procesów biologicznych dla Kunbu. (B) 20 najlepiej wzbogaconych procesów biologicznych dla Mahuang. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Wykres słupkowy porównujący FDR i wartość P w aktywności polimerazy RNA, z wyróżnieniem aktywności receptorów jądrowych.
Rycina 8: Analiza wzbogacenia GO (MF) dla Kunbu i Mahuang. (A) 20 najlepiej wzbogaconych funkcji molekularnych Kunbu. (B) 20 najlepiej wzbogaconych funkcji molekularnych Mahuang. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Wykres słupkowy analizy ekspresji genów, porównanie FDR i wartości P, wzbogacenie procesów biologicznych.
Rysunek 9: Analiza wzbogacenia GO (CC) dla Kunbu i Mahuang. (A) 20 najlepiej wzbogaconych komponentów komórkowych Kunbu. (B) 20 najlepiej wzbogaconych komponentów komórkowych Mahuang. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Analiza ekspresji genów; wykres słupkowy; FDR, wartość P; szlaki biologiczne; porównanie danych statystycznych.
Rycina 10: Szlaki Reactome dla Kunbu i Mahuang. (A) Szlaki Reactome dla Kunbu. (B) Szlaki Reactome dla Mahuang. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Tabela 1: Kluczowe geny specyficznych dla płci różnicowo wyrażonych genów (DEG) w astrocytach. Kliknij tutaj, aby pobrać tę tabelę.

Tabela 2: Kluczowe geny płciowo specyficznych DEGs w mikrogleju. Kliknij tutaj, aby pobrać tę tabelę.

Tabela 3: Kluczowe geny wśród specyficznych dla płci DEGs w oligodendrocytach. Kliknij tutaj, aby pobrać tę tabelę.

Tabela 4: Aktywne składniki Kunbu w chorobie AD. Kliknij tutaj, aby pobrać tę tabelę.

Tabela 5: Aktywne składniki Mahuang w chorobie AD. Kliknij tutaj, aby pobrać tę tabelę.

Rycina uzupełniająca 1: Zrzut ekranu z użycia oprogramowania R. Kliknij tutaj, aby pobrać ten plik.

Tabela uzupełniająca 1: Informacje o próbkach. Kliknij tutaj, aby pobrać ten plik.

Tabela uzupełniająca 2: Geny markerowe. Kliknij tutaj, aby pobrać ten plik.

Plik uzupełniający 1: KOD R. Kliknij tutaj, aby pobrać ten plik.

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 nerwowego. Co więcej, uznano, że docelowe TCM Kunbu i Mahuang potencjalnie wpływają na oś "hormon-synapsa-neuron" i zidentyfikowano, że działają jako kandydaci terapeutyczni na AD poprzez regulację swoistości płciowej.

Algorytm Harmony zapewnił wyraźną przewagę nad innymi algorytmami integracji, integrując dane w rzadkich komórkach, optymalizując wykorzystanie pamięci i szybkość obliczeniową dla dużych prób oraz dostosowując się do złożonych projektów eksperymentalnych z różnymi źródłami komórkowymi i platformami technologicznymi18. Sekcje dotyczące kontroli jakości i integracji danych były kluczowymi elementami zwiększającymi dokładność i wiarygodność analizy, umożliwiając naukowcom uzyskanie głębszego wglądu w biologię choroby Alzheimera i innych chorób neurodegeneracyjnych. Skrupulatne wykonanie tych etapów ma kluczowe znaczenie dla osiągnięcia ogólnej jakości i trafności wyników eksperymentów sekwencjonowania RNA pojedynczych jąder.

Jedną z modyfikacji wprowadzonych w tym protokole było użycie funkcji SCTransform do normalizacji i standaryzacji danych20. Ten krok zapewnił, że dane były porównywalne i ustandaryzowane do dalszej analizy. Aby złagodzić efekt wsadowy, podjęto dodatkowy etap integracji danych, który pomógł skorygować efekt wsadowy i poprawić dokładność wyników. Rozwiązywanie problemów prowadzono, gdy jedna z próbek (GSM5106107) wykazywała nietypową wydajność w porównaniu z innymi próbkami i została wykluczona z analizy.

Jedno z ograniczeń tego badania dotyczyło stosunkowo małej wielkości zastosowanej próby, co może ograniczać reprezentatywność wyników dla szerszej populacji. Co więcej, wykorzystanie danych z wielu laboratoriów i grup badawczych wprowadziło nieodłączną heterogeniczność, potencjalnie ograniczając odtwarzalność i możliwość uogólnienia wyników. Chociaż identyfikacja kluczowych czynników regulacyjnych dla NLGN4Y została osiągnięta za pomocą sieci koregulacyjnej gen-TF-miRNA, konieczna była dalsza weryfikacja eksperymentalna, aby ustalić role funkcjonalne i mechanizmy leżące u podstaw tych czynników regulacyjnych. Podczas gdy analiza wzbogacenia sugerowała, że Mahuang i Kunbu są potencjalnymi kandydatami do leczenia choroby Alzheimera specyficznej dla płci, poleganie wyłącznie na przewidywaniach bioinformatycznych było niewystarczające do ustalenia ich skuteczności i bezpieczeństwa. Dodatkowe eksperymenty i badania kliniczne były niezbędne, aby potwierdzić efekty terapeutyczne tych obiecujących leków.

Podejście nakreślone w tym badaniu wykazało znaczny potencjał w różnych dziedzinach badań, w szczególności w zakresie rozpoznawania specyficznych dla płci DEG w komórkach glejowych w chorobie Alzheimera. Takie badania dają nadzieję na wyjaśnienie niuansów różnic patogennych między osobnikami płci męskiej i żeńskiej, co w konsekwencji ułatwi formułowanie interwencji terapeutycznych specyficznych dla płci. Co więcej, możliwość zastosowania metody została rozszerzona na inne schorzenia neurodegeneracyjne, oferując możliwości identyfikacji DEG specyficznych dla płci i lepszego zrozumienia mechanizmów leżących u podstaw tych chorób.

Podsumowując, w badaniu przedstawiono kompleksowy i solidny protokół analizy danych sekwencjonowania RNA pojedynczych jąder od pacjentów z chorobą Alzheimera, potencjalnie torując drogę do opracowania dostosowanych interwencji terapeutycznych. Co więcej, metodologia zastosowana w tym badaniu może zostać rozszerzona na inne schorzenia neurodegeneracyjne, oferując możliwości odkrycia specyficznych dla płci wzorców ekspresji genów i pogłębienia zrozumienia tych złożonych chorób.

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.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Database
Coremine Medical Baza danychopracowana wspólnie przez Norwegię, Chińską Akademię Nauk, Chińską Akademię Nauk Medycznych, Narodową Bibliotekę Medyczną Stanów Zjednoczonych i inne instytucjePodczas 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)BrakWprowadzenie 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 
NetworkAnalystBrakNetworkanalyze 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/ PubMedNarodowe 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/ RRoss Ihaka i Robert GentlemanR 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., LtdTCMSP 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

  1. Alzheimers Dement. Alzheimer's disease facts and figures. Alzheimers Dement. 19 (4), 1598-1695 (2023).
  2. Xie, L., et al. Electroacupuncture improves M2 microglia polarization and glia anti-inflammation of hippocampus in Alzheimer's disease. Front Neurosci. 15, 689629(2021).
  3. 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).
  4. Hampel, H., et al. The amyloid-beta pathway in Alzheimer's disease. Mol Psychiatry. 26 (10), 5481-5503 (2021).
  5. Baik, S. H., et al. A breakdown in metabolic reprogramming causes microglia dysfunction in Alzheimer's disease. Cell Metab. 30 (3), 493-507 (2019).
  6. Fisher, D. W., Bennett, D. A., Dong, H. Sexual dimorphism in predisposition to Alzheimer's disease. Neurobiol Aging. 70, 308-324 (2018).
  7. 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).
  8. Hansen, D. V., Hanson, J. E., Sheng, M. Microglia in Alzheimer's disease. J Cell Biol. 217 (2), 459-472 (2018).
  9. 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).
  10. Peng, L., Bestard-Lorigados, I., Song, W. The synapse as a treatment avenue for Alzheimer's disease. Mol Psychiatry. 27 (7), 2940-2949 (2022).
  11. Tubi, M. A., et al. White matter hyperintensities and their relationship to cognition: Effects of segmentation algorithm. Neuroimage. 206, 116327(2020).
  12. 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).
  13. 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).
  14. Sadick, J. S., et al. Astrocytes and oligodendrocytes undergo subtype-specific transcriptional changes in Alzheimer's disease. Neuron. 110 (11), 1788-1805 (2022).
  15. 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).
  16. Brase, L., et al. Single-nucleus RNA-sequencing of autosomal dominant Alzheimer disease and risk variant carriers. Nat Commun. 14 (1), 2314(2023).
  17. Ringner, M. What is principal component analysis. Nat Biotechnol. 26 (3), 303-304 (2008).
  18. Korsunsky, I., et al. sensitive and accurate integration of single-cell data with harmony. Nat Methods. 16 (12), 1289-1296 (2019).
  19. Vegeto, E., et al. The role of sex and sex hormones in neurodegenerative diseases. Endocr Rev. 41 (2), 273-319 (2020).
  20. 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).

Przedruki i uprawnienia

Tagi

Biomarkery specyficzne dla płcitranskryptomy pojedynczych jądergeny różnicowo wyrażanebiomarkery astrocytówbiomarkery mikroglejubiomarkery oligodendrocytówwizualizacja UMAPanaliza bioinformatyczna
Identyfikacja biomarkerów swoistości płciowej choroby Alzheimera na podstawie profili transkryptomu glejowego
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.