Atopowe zapalenie skóry (AD) to przewlekła zapalna choroba skóry o znacznej heterogeniczności molekularnej. Badanie to identyfikuje dwie transkryptomicznie odrębne podgrupy AD, napędzane różnicą ekspresji genów mitochondrialnych i infiltracją immunologiczną, oraz ujawnia cztery geny hubowe jako potencjalne biomarkery dla stratyfikacji pacjenta.
Artykuł badawczy
Analiza transkryptomiczna ujawnia podgrupy mitochondrialne w zmianach atopowego zapalenia skóry
W tym artykule
Podsumowanie
Streszczenie
Atopowe zapalenie skóry (AD) to powszechna i przewlekła zapalna choroba skóry o globalnej powszechności. Jej heterogeniczność kliniczna oraz złożone mechanizmy molekularne stanowią poważne wyzwania dla rozwoju skutecznych terapii. Badanie heterogeniczności molekularnej AD na podstawie danych transkryptomicznych skóry ze zmian, charakteryzacja ich profili biologicznych i immunologicznych oraz identyfikacja kluczowych genów leżących u podstaw różnicowania. Geny różnicowo ekspresyjne zostały zidentyfikowane za pomocą DESeq2, a następnie przeprowadzono analizy szlaków i współekspresji odpowiednio za pomocą GSEA i WGCNA. Geny związane z mitochondriami zostały wyodrębnione przez przecięcie modułów DEG i WGCNA z bazą danych MitoCarta3.0, a ich funkcjonalność oceniono poprzez wzbogacenie GO i KEGG. Geny hubów zostały zidentyfikowane za pomocą analizy sieci interakcji białko-białko, które następnie posłużyły do stworzenia modelu klasyfikacji. Regulatory transkrypcyjne przewidywano za pomocą hTFtarget, natomiast infiltrację komórek odpornościowych ilościowo określano za pomocą CIBERSORT. Zidentyfikowano dwie podgrupy molekularne. Klaster 1 był wzbogacony o szlaki sygnalizacji komórkowej i adhezji, podczas gdy Klaster 2 wykazywał wzrost fosforylacji oksydacyjnej i procesów związanych z proteasomem. Łącznie 85 genów związanych z mitochondriami, głównie zaangażowanych w metabolizm energii, zostało różnie ekspresowanych pomiędzy klastrami. Analiza sieci PPI wykazała cztery geny hubów (BAD, BOLA1, CHCHD5 i ISOC2), które zostały istotnie zwykłe w klastrze 1. Klasyfikator oparty na genach hubowych wykazał silną dyskryminacyjną moc (pole pod krzywą > 0,7). Przewidywane kluczowe regulatory transkrypcyjne to ATF3, BRD2, BRD4 i CEBPA. Profilowanie immunologiczne wykazało wyższą infiltrację komórek T regulujących w klastrze 1 oraz zwiększoną liczbę komórek pomocniczych pęcherzyków w klastrze 2. Badanie to ujawnia dwa molekularnie i immunologicznie odrębne podtypy AD, charakteryzujące się różnicową funkcją mitochondriów oraz sygnaturami immunologicznych w mikrośrodowisku.
Wprowadzenie
Atopowe zapalenie skóry (AD) to powszechna i przewlekła zapalna choroba skóry, która dotyka do 20% dzieci i 10% dorosłych1. Charakteryzuje się intensywnym swędzeniem i nawracającymi zmianami egzematycznymi2. Klinicznie AD wynika z dynamicznej interakcji podatności poligenowej (np. mutacji utraty funkcji u FLG), zaburzeń odporności oraz narażenia środowiskowego, takich jak niska wilgotność i dysbioza mikroorganizmów3. Chociaż AD dzieli pewne cechy patofizjologiczne z łuszczycą, ich objawy kliniczne są wzajemnie wykluczające się, z różnymi efektami genetycznymi w wspólnych szlakach i wyraźnymi zmianami immunologicznych4.
AD jest chorobą heterogeniczną, charakteryzującą się różnorodnymi profilami transkryptomowymi w różnych grupach pacjentów oraz objawami choroby5. Zintegrowane analizy tkanek skóry i komórek jednojądrowych krwi obwodowej wykazały, że cechy kliniczne, takie jak rumień i rozruch mięśnia, są powiązane z odrębnymi sygnaturami immunologicznymi, odzwierciedlając współdziałanie lokalnej skóry z ogólnoustrojową odpowiedzią immunologiczną6. Szeroko zakrojone badania transkryptomiczne dodatkowo podkreślają rolę szlaków IL-13 w patogenezie AD, podczas gdy AD wykazuje większą heterogeniczność molekularną niż łuszczyca, z różnicami w wzorcach ekspresji genów powiązanymi z nasileniem choroby, wiekiem wystąpienia choroby i tłem genetycznym 5,7. Te różnice podkreślają złożoność patogenezy AD oraz potrzebę indywidualnych podejść do badań i terapii.
Białka mitochondrialne odgrywają ważną rolę w patogenezie AD poprzez zaburzenia stresu oksydacyjnego i szlaków metabolicznych. Badania wykazały zwiększoną aktywność kompleksów mitochondrialnych I i II w nieuległych keratinocytach AD, co powoduje nadmierną utlenianie długołańcuchowych kwasów tłuszczowych oraz zwiększaną produkcję ROS, co zwiększa dysfunkcję bariery naskórnej 8,9. Równocześnie analizy proteomiczne wykrywają zmniejszone białka szlaku NRF2-antyoksydacyjnego oraz składniki mitochondrialne w naskórku AD, co zmniejsza rozwiązywanie stresu oksydacyjnego10. Uszkodzenia DNA mitochondrialnego dodatkowo przyczyniają się do reakcji zapalnych, podczas gdy interwencje takie jak stosowanie antyoksydantów ukierunkowanych na mitochondria wykazują skuteczność w przywracaniu homeostazy naskórka poprzez łagodzenie ROS11,12. Te odkrycia podkreślają białka mitochondrialne jako czynniki napędzające patologię AD oraz potencjalne cele terapeutyczne.
Najnowsze analizy transkryptomu AD znacząco pogłębiły zrozumienie jego architektury genetycznej i heterogeniczności molekularnej. Pierwsze sekwencjonowanie RNA AD wykazało zwiększoną ekspresję w szlaku TREM-1 oraz cytokinyIL-36 13. Analiza ważonej sieci współekspresji genów oparta na profilu ekspresji genów ujawniła także odrębne moduły molekularne i geny hubowe, takie jak HSPA4, LCE3E i LCE3D, które koordynują odpowiedzi zapalne i keratynizację, podkreślając potencjalne cele terapeutyczne14. Badania te podkreślają wartość wielotkankowej transkryptomiki oraz poligenicznego modelowania ryzyka w doskonaleniu przewidywania chorób i odkrywaniu złożonych podstaw choroby AD. Jednak istniejące badania koncentrowały się głównie na ogólnej transkryptomice AD, nie rozstrzygając konkretnie roli genów mitochondrialnych w definiowaniu podgrup molekularnych. Niniejsze badanie wykracza poza wcześniejsze analizy transkryptomiczne, integrując wiele zbiorów danych GEO w celu identyfikacji podgrup AD opartych na konsensusie oraz systematycznie przecięcie genów różnicowo ekspresyjnych, modułów WGCNA oraz starannie wyselekcjonowanego katalogu genów mitochondrialnych, aby wskazać geny mitochondrialne w centrum, które definiują tożsamość podgrup i mogą służyć jako nowe biomarkery.
Z hipotezą, że skóra z lezyjną chorobą AD posiada molekularnie odrębne podgrupy transkryptomiczne charakteryzujące się różnicową ekspresją mitochondrialnych genów, co może stanowić podstawę klinicznej heterogeniczności AD. Aby to przetestować, badanie to zintegrowało dane sekwencjonowania RNA z opublikowanych badań oraz zebrało dane o ekspresji genów próbek skóry zmian od 266 pacjentów z chorobą AD. Podgrupy molekularne zostały zidentyfikowane na podstawie konsensusowego skupienia ekspresji genów, a ekspresja genów porównana między tymi dwoma podgrupami molekularnymi. Geny generujące tę różnicę wykazują funkcjonalne wzbogacenie sygnalizacji komórkowej i fosforylacji oksydacyjnej. Ponadto zbadano geny mitochondrialne różniące dwie grupy molekularne, a kluczowe geny hubowe zidentyfikowano w sieci interakcji białko-białko. Te odkrycia podkreślają genetyczną heterogeniczność choroby Alzheimera i poszerzają wiedzę na temat roli białek mitochondrialnych w patologii AD.
Protokół
Badanie to wykorzystało publicznie dostępne zbiory danych o ekspresji genów z bazy Gene Expression Omnibus (GEO). Nie uzyskano dostępu do danych identyfikowalnych przez pacjenta ani pobrano nowe próbki pacjentów. Dlatego nie było wymagane zatwierdzenie przez instytucjonalną komisję przeglądową (IRB) ani zgoda pacjenta na tę wtórną analizę publicznie dostępnych danych. Oprogramowanie i używane bazy danych są wymienione w Tabeli Materiałów.
1 Dane i zasoby
Dane transkryptomowe pacjentów z atopowym zapaleniem skóry (AD) zostały pozyskane z bazy GEO, w tym z czterech badań: GSE121212 (N = 55)5, GSE157194 (N = 57)15, GSE193309 (N = 111)16 oraz GSE277961 (N = 43)17. Wszystkie zbiory danych zawierały surowe lub wstępnie znormalizowane dane liczebne z biopsji skóry po zmianie. Surowe macierze liczenia zostały pobrane i zintegrowane w różnych badaniach. Efekty wsadowe badań międzybadań zostały skorygowane metodą ComBat-seq (pakiet sva R, v3.44.0), aby ujednolicić profile ekspresji między czterema zbiorami danych GEO przed dalszą analizą. Wszystkie cztery zbiory danych opierają się na RNA-seq wykonanym na próbkach biopsji skóry ludzkiej i zostały dopasowane do referencyjnego genomu ludzkiego GRCh38 przy użyciu specyficznych dla badań pipeline'ów. Ilościowa ekspresja na poziomie genu została przeprowadzona za pomocą anotacji genu Ensembl (v105).
2 Skupianie konsensusu
Nienadzorowane klasteryzowanie konsensualne przeprowadzono przy użyciu pakietu ConsensusClusterPlus R (v1.64.0)18 , aby stratyfikować 266 próbek skóry z uszkodzeniem od pacjentów z AD na podstawie profili transkryptomicznych. Przed klastrowaniem surowe dane liczebne ze wszystkich badań były łączone, a efekty partii badań krzyżowych korygowane za pomocą funkcji removeBatchEffect z pakietu limma. Dane ekspresji genów zostały następnie przekształcone stabilizujące wariancję (VST) za pomocą DESeq2 i przefiltrowane, aby zachować 5 000 najbardziej zmiennych genów. Klasteryzacja przeprowadzono przy użyciu hierarchicznego klasteryzmu z korelacją Pearsona i średnim powiązaniem na 1000 iteracji, podpróbkując 80% próbek na iterację. Najlepsza liczba klastrów (k waha się od 2 do 10) została wyłoniona na podstawie oceny konsensualnej skumulowanej funkcji rozkładu (CDF), wykresów powierzchni delta oraz wyników konsensusu klastrów. Powstałe klastry zostały zweryfikowane za pomocą konsensusowych map cieplnych i PCA oraz wykorzystane w dalszych analizach biologicznych i klinicznych.
3 Różnicowa analiza ekspresji genów
Poziomy ekspresji genów porównano między podgrupami molekularnymi za pomocą pakietu DESeq2 R (v1.46.0)19. Dane z surowej liczby zostały wprowadzone w celu oszacowania dyspersji genowej i dopasowania do ujemnego modelu dwumianowego. Geny różnicowo ekspresyjne (DEG) zidentyfikowano za pomocą testu Walda, a wyniki filtrowano według progu istotności w postaci skorygowanej wartości p < 0,01 oraz bezwzględnej zmienności log2 > 1.
4 Analiza wzbogacania zbiorów genów
Analiza wzbogacania zbiorów genów (GSEA) została przeprowadzona przy użyciu pakietu clusterProfiler R (v4.12.6)20. Wszystkie geny zostały uszeregowane według ich log2 zmian stopni na podstawie analizy różnicowej ekspresji, a funkcja GSEA została zastosowana z parametrami eps = 0, minGSSize = 10 i maxGSSize = 500, podczas gdy inne ustawienia pozostały domyślne. Wzbogacenie zostało przeprowadzone na zestawach genów MSigDB Hallmark. Dla każdego klastra molekularnego (Klaster 1 i Klaster 2) wybrano trzy najwyżej wzbogacone szlaki na podstawie nominalnej wartości p oraz normalizowanego wyniku wzbogacenia (NES). Wyniki były wizualizowane za pomocą pakietu GseaVis R (v0.1.0)21.
5 Analiza ważonej sieci współekspresji genów
WGCNA została przeprowadzona na profilu ekspresji genów pacjentów z AD w celu identyfikacji modułów współekspresji genów związanych z transkryptomiczną tożsamością podtypu przy użyciu pakietu R WGCNA (v1.73)22. Geny zostały przefiltrowane, aby zachować górne 75% z największą wariancją we wszystkich próbkach. Skonstruowano sieć współwyrażeń ze znakiem, wykorzystując moc miękkiego progu wybranego od 1 do 30, aby przybliżyć topologię bezskalową. Moduły genowe identyfikowano poprzez hierarchiczne klastrowanie i dynamiczne cięcie drzew. Powiązania modułów z cechami badane były poprzez korelację współekspresowanych genów własnych modułów z oznakami podtypów molekularnych, a moduły wykazujące istotną korelację (p < 0,05) z podtypem molekularnym zostały wybrane do dalszej analizy.
6 Białka mitochondrialne w podgrupach molekularnych AD
Aby zidentyfikować geny związane z mitochondriami w modułach DEGs i WGCNA, zestawy tych zestawów genów zostały nałożone na listę białek mitochondrialnych z MitoCarta3.023. Przecinające się geny uznano za potencjalne białka mitochondrialne istotne dla kontekstu choroby AD.
7 Ontologia genów i analiza wzbogacania KEGG
Identyfikacja głównych funkcji komórek i procesów biologicznych, które różnicują podgrupy molekularne. Analizy wzbogacenia GO i KEGG przeprowadzono dla genów związanych z mitochondriami przy użyciu clusterProfilera. Wzbogacenie GO przeprowadzono osobno dla kategorii Procesów Biologicznych (BP), Składników Komórkowych (CC) i Funkcji Molekularnych (MF), używając funkcji enrichGO z OrgDb = "org. Hs.eg.db", ont = "WSZYSTKIE" oraz parametry domyślne. Wzbogacenie szlaku KEGG przeprowadzono za pomocą funkcji wzbogacania KEGG z organizmem ustawionym na "has". Wzbogacone składniki o skorygowanej wartości p < 0,05 uznano za istotne.
8 Sieci interakcji białko-białko
85 DEG oraz geny mitochondrialne powiązane z modułami AD zostały przeszukane w bazie danych STRING (https://string-db.org)24 w celu uzyskania znanych i przewidywanych PPI. Analiza topologii sieci została przeprowadzona przy użyciu siedmiu miar (stopień, bliskość, pomiędzy nimi, wektor własny, PageRank, hub oraz autorytet), aby uszeregować znaczenie każdego białka dla węzła. Wybrano 30 najwyżej ocenionych genów każdego stopnia, a przecięcia wszystkich siedmiu podejść zobrazowano za pomocą wykresu UpSet. Cztery przecinające się geny z tych miar zostały wykorzystane do stworzenia modelu klasyfikacyjnego opartego na poziomie ekspresji genów. Dokładność modelu, czułość, swoistość oraz pole pod krzywą ROC (AUC) zostały obliczone w celu oceny wydajności klasyfikacji.
9 Analiza regulacji transkrypcji
Baza danych hTFtarget (http://bioinfo.life.hust.edu.cn/hTFtarget)25 została przeszukana w celu uzyskania eksperymentalnie wspieranych interakcji TF-target dla czterech przecinających się genów hubów. Powstała w ten sposób sieć regulacyjna genu TF została zbudowana i zwizualizowana za pomocą pakietów igraph26 i ggraph27 R.
10 Analiza infiltracji komórek odpornościowych RNA-seq
Algorytm CIBERSORT28 (https://cibersort.stanford.edu/) został użyty do oszacowania względnych proporcji 22 typów komórek odpornościowych w danych transkryptomowych skóry uszkodzonych zmian. Dane o znormalizowanej ekspresji genów zostały wprowadzone do CIBERSORT (v0.1.0) wraz z macierzą sygnatur LM22. Analiza została przeprowadzona z 1 000 permutacji i wyłączoną normalizacją kwantylną. Próbki o wartościach p wyjściowych CIBERSORT < 0,05 były rozpatrywane do analizy dalszej. Szacowane frakcje komórek odpornościowych porównano między podgrupami molekularnymi za pomocą testu sumy rangi Wilcoxona z korektą FDR dla wielu porównań między 22 typami komórek odpornościowych (p.adjust.method = "FDR"), a wyniki zobrazowano za pomocą wykresów pudełkowych przy użyciu pakietu ggplot229 R.
Wyniki
Podgrupy transkrypcyjne w atopowym zapaleniu skóry
Dane z sekwencjonowania RNA (RNA-seq) pochodzące od 266 pacjentów z chorobą Alzheimera (AD) zostały przeanalizowane w celu zbadania heterogeniczności transkrypcyjnej w obrębie tej jednostki chorobowej. Po kontroli jakości i korekcie efektów serii (batch effects) w wielu badaniach, nienadzorowana analiza skupień konsensusowych (unsupervised consensus clustering) ujawniła dwie odrębne podgrupy molekularne (Rysunek 1A). Stabilność skupień oraz optymalna liczba klastrów zostały ocenione przy użyciu wykresu funkcji rozkładu skumulowanego (CDF) (Rysunek 1B), wykresu różnicy obszarów (delta area plot) (Rysunek 1C) oraz mapy ciepła macierzy konsensusowej (Rysunek 1D). Łącznie wyniki te potwierdzają istnienie dwóch stabilnych podtypów transkrypcyjnych w AD, co odzwierciedla leżącą u ich podstaw heterogeniczność genetyczną.
Geny różnicowo wyrażone pomiędzy podgrupami AD
Wykres t-SNE oparty na znormalizowanej macierzy ekspresji genów dodatkowo potwierdził podgrupy transkrypcyjne zidentyfikowane za pomocą klastrowania konsensusowego. Wykres t-SNE ujawnił dwa wyraźnie oddzielone klastry, z których każdy odpowiadał jednej z wcześniej zdefiniowanych podgrup (Rycina 2A), co potwierdza obecność odrębnych profili molekularnych u pacjentów z AD. Następnie przeanalizowano różnicową ekspresję między dwiema podgrupami za pomocą narzędzia DESeq2, przyjmując próg skorygowanego p < 0,01 oraz |log₂ fold change| > 1. Powstały wykres wulkaniczny (Rycina 2B) wykazał geny różnicowo wyrażone (DEGs), wskazując na silną dywergencję transkrypcyjną. 10 genów o najwyższej nadekspresji to ABHD2, ADAR, ADCY3, ADCY9, ADD1, ADIPOR2, AFF1, AGFG1, AGRN oraz AHNAK w klastrze 1 oraz C2orf68, CTTN, GPR108, HERPUD1, LRPAP1, MAP1LC3B2, NKIRAS2, NR1H2, PDE5D i PMPCA w klastrze 2 (Rycina 2C).
Zestaw genów powiązanych z podgrupą AD
Analiza wzbogacenia zestawu genów (GSEA) wykazała odmienne profile wzbogacenia funkcjonalnego pomiędzy dwoma klastrami transkrypcyjnymi (Rysunek 3A). Klaster 1 wykazał istotne wzbogacenie w szlakach związanych z sygnalizacją komórkową i adhezją, w tym w adhezję ogniskową (Rysunek 3B) oraz szlak sygnalizacyjny MAPK (Rysunek 3C), co sugeruje stan aktywny, charakteryzujący się nasilonymi oddziaływaniami między komórkami a macierzą zewnątrzkomórkową oraz proliferacją. Z kolei klaster 2 wykazał silne wzbogacenie w fosforylację oksydacyjną (Rysunek 3D) oraz funkcje proteasomów (Rysunek 3E), co sugeruje aktywny utleniający i proteolityczny fenotyp metaboliczny.
Geny współwyrażane w grupach molekularnych AD
W celu zidentyfikowania modułów koekspresji powiązanych z subtypami transkryptomicznymi, po wstępnym przetwarzaniu danych przeprowadzono analizę WGCNA. W pierwszej kolejności, aby zapewnić stabilność konstrukcji sieci, zidentyfikowano i usunięto próbki odstające na podstawie hierarchicznego grupowania odległości między próbkami (Rysunek 4A). Następnie, stosując kryterium topologii bezskalowej, wybrano wartość miękkiego progu (soft-thresholding power); wybrano wartość 6, aby uzyskać bezskalowy R2 > 0,85 (Rysunek 4B). Moduły genów zidentyfikowano za pomocą grupowania hierarchicznego i dynamicznego przycinania drzewa, a następnie zastosowano grupowanie eigengenów w celu połączenia ściśle powiązanych modułów (Rysunek 4C oraz Rysunek 4D). Powstałą sieć genów zwizualizowano za pomocą mapy ciepła nakładania topologicznego (topological overlap), co potwierdziło obecność wyraźnych wzorców koekspresji genów (Rysunek 4E). Analiza zależności między modułami a cechami wykazała silną i istotną korelację między modułem MEyellow (Ngene = 743) a molekularną podgrupą (Rysunek 4F).
Wzbogacenie funkcjonalne genów mitochondrialnych związanych z podgrupą AD
Następnie przeprowadzono analizę wzbogacenia GO i KEGG dla genów wspólnych (N = 85) dla DEG, genów w module MEyellow oraz listy białek mitochondrialnych z MitoCarta3.0 (Rycyna 5A), aby zbadać funkcjonalną rolę genów związanych z mitochondriami, które napędzają różnice transkrypcyjne między klastrami. Analiza szlaków KEGG wykazała wzbogacenie w zakresie fosforylacji oksydacyjnej oraz szlaków metabolicznych (Rycyna 5B). Analiza wzbogacenia GO ujawniła istotną nadreprezentację terminów związanych z funkcją mitochondriów, w tym mitochondrialnej syntezy ATP napędzanej siłą protonomotoryczną, kompleksu łańcucha oddechowego oraz aktywności dehydrogenazy NADH (Rycyna 5C), co sugeruje, że geny te są głównie powiązane z mitochondrialnym metabolizmem i regulacją energii.
Geny mitochondrialne jako węzły w różnicowaniu molekularnym AD
Aby zidentyfikować kluczowe geny spośród 85 genów związanych z podgrupą transkryptomu mitochondrialnego, skonstruowano sieć PPI (Rycina 6A). Na podstawie rankingu w każdym z siedmiu parametrów topologicznych (patrz metody) wybrano 30 najważniejszych genów, a ich części wspólne przeanalizowano i zwizualizowano na wykresie UpSet (Rycina 6B). Analiza ta pozwoliła wyłonić cztery geny hub, które konsekwentnie identyfikowano jako węzły centralne na podstawie wszystkich kryteriów rankingowych (BAD, BOLA1, CHCHD5, ISOC2). Zbadano profile ich ekspresji w dwóch klastrach transkrypcyjnych i stwierdzono, że wszystkie cztery geny hub były istotnie nadmiernie eksponowane w Klastrze 1 w porównaniu z Klastrem 2 (Rycina 6C). Analiza korelacji parowej ekspresji genów wykazała dodatnie korelacje pomiędzy wszystkimi czterema genami, co wskazuje na koordynowaną regulację, przy czym CHCHD5 i ISOC2 wykazywały najsilniejszą korelację (Rycina 6D). Ponadto model klasyfikacyjny zbudowany na podstawie ekspresji tych czterech genów wykazał wysoką zdolność dyskryminacyjną pomiędzy dwoma klastrami, a krzywa ROC wykazała pole pod krzywą (AUC) > 0,7 (Rycina 6E). Dodatkowo przeprowadzono analizę sieci regulacyjnej czynników transkrypcyjnych (TF), aby zbadać mechanizmy regulacyjne sterujące ekspresją czterech zidentyfikowanych genów hub. Wszystkie znane i przewidywane czynniki transkrypcyjne potencjalnie regulujące te geny hub zostały wyszukane w bazie hTFtarget, a wyniki zintegrowano i zwizualizowano jako transkrypcyjną sieć regulacyjną (Rycina 7). W sieci regulacyjnej TF-geny hub gen BAD posiadał największą liczbę TF, natomiast ATF3, BRD2, BRD4 i CEBPA wchodziły w interakcje ze wszystkimi czterema genami hub, co sugeruje wspólny mechanizm regulacyjny.
Porównanie infiltracji komórek odpornościowych pomiędzy podgrupami AD
W celu zbadania krajobrazu immunologicznego powiązanego z podgrupami transkrypcyjnymi przeprowadzono analizę infiltracji komórek odpornościowych przy użyciu narzędzia CIBERSORT, które szacuje względne proporcje 22 typów komórek odpornościowych na podstawie danych z masowej transkryptomiki (Rysunek 8). Wśród subpopulacji odpornościowych stwierdzono, że limfocyty T regulatorowe (Tregs) występowały w stopniu znaczącym w większej liczbie w Klastrze 1, co sugeruje immunosupresyjne mikrośrodowisko potencjalnie powiązane z aktywnością mitochondrialną i szlakami sygnalizacyjnymi ulegającymi nadekspresji w tej grupie. Z kolei w Klastrze 2 stwierdzono znaczące wzbogacenie o limfocyty T pomocnicze pęcherzykowe, co wskazuje na potencjalnie bardziej aktywną adaptacyjną odpowiedź immunologiczną w tej podgrupie.
DOSTĘPNOŚĆ DANYCH:
Dane transkrypcyjne analizowane w niniejszym badaniu są publicznie dostępne w repozytorium Gene Expression Omnibus (GEO) pod numerami dostępu GSE121212, GSE157194, GSE193309 oraz GSE277961 (https://www.ncbi.nlm.nih.gov/geo/).
Rycina 1: Klastrowanie konsensusowe próbek zmian skórnych w atopowym zapaleniu skóry na podstawie profili transkrypcyjnych. (A) Mapa ciepła i klastrowanie hierarchiczne macierzy konsensusu dla próbek z atopowym zapaleniem skóry (AD). (B) Wykres funkcji rozkładu skumulowanego (CDF) konsensusu użyty do wyznaczenia optymalnej liczby klastrów (k = 2–10). (C) Wykres obszaru delta pokazujący względną zmianę pola pod krzywą CDF dla każdego k. (D) Przypisanie do klastrów konsensusowych dla k = 2. Każda kolumna reprezentuje pojedynczą próbkę, a kolory wskazują przynależność do klastra (Klaster 1, czerwony; Klaster 2, morski). Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Rysunek 2: Różnicowa ekspresja genów w podtypach molekularnych atopowego zapalenia skóry. (A) Wykres t-rozkładu stochastycznego osadzenia sąsiadów (t-SNE) próbek AD. Każdy punkt reprezentuje próbkę rzutowaną na dwie wymiary, a kolor odpowiada przypisaniu do klastra. (B) Wykres wulkaniczny genów różnicowo wyrażonych (DEGs) pomiędzy Klastrem 1 a Klastrem 2. Każdy punkt reprezentuje gen, naniesiony według wartości log2 fold change (oś X) oraz −log10 skorygowanej wartości p (oś Y). Czerwone i niebieskie punkty wskazują geny istotnie nadrzędnie wyrażone odpowiednio w Klastrze 1 i Klastrze 2, natomiast punkty szare wskazują geny nieistotne. (C) Mapa ciepła 10 najwyżej wyrażonych genów w Klastrze 1 i Klastrze 2. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Rycina 3: Analiza wzbogacenia zestawów genów dla podtypów molekularnych atopowego zapalenia skóry. (A) Dwustronny wykres słupkowy przedstawiający wyniki GSEA pomiędzy Grupą 1 a Grupą 2, z najwyraźniej wzbogaconymi ścieżkami. Ścieżki wzbogacone w Grupie 1 przedstawiono po prawej stronie, a wzbogacone w Grupie 2 po lewej stronie. (B–E) Reprezentatywne wykresy wzbogacenia dla adhezji ogniskowej, ścieżki sygnalizacyjnej MAPK, fosforylacji oksydacyjnej oraz ścieżek proteasomu. Proszę kliknąć tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Rycina 4: Ważona analiza sieci koekspresji genów w próbkach z atopowym zapaleniem skóry. (A) Dendrogram klastrowania próbek na podstawie profili ekspresji genów. (B) Wskaźnik dopasowania topologii bezskalowej oraz średnia łączność w zależności od potęg miękkiego progu (1–30). (C) Klastrowanie i mapa ciepła eigengenów modułów, gdzie kolory wskazują korelacje parowe. (D) Dendrogram klastrowania hierarchicznego przedstawiający geny pogrupowane w moduły koekspresji. (E) Mapa ciepła macierzy nakładania topologicznego (TOM), reprezentująca podobieństwo koekspresji między parami genów. (F) Mapa ciepła relacji moduł–cecha, pokazująca korelacje między eigengenami modułów a cechami klinicznymi. Współczynniki korelacji są wyświetlane w każdej komórce, a intensywność koloru wskazuje siłę i kierunek korelacji (czerwony – dodatnia; niebieski – ujemna). Kliknij tutaj, aby zobaczyć powiększoną wersję tej ryciny.
Rycina 5: Ontologia genów i wzbogacenie szlaków KEGG dla genów mitochondrialnych powiązanych z podtypami. (A) Diagram Venna pokazujący nakładanie się DEG, genów modułów powiązanych z podtypami oraz genów mitochondrialnych. (B) Wykres bąbelkowy 20 najbardziej wzbogaconych szlaków KEGG dla genów wspólnych. (C) 10 najbardziej wzbogaconych terminów ontologii genów (GO) dla procesów biologicznych (BP), komponentów komórkowych (CC) i funkcji molekularnych (MF). Wszystkie analizy wzbogacenia przeprowadzono przy użyciu skorygowanej wartości p < 0.05 (false discovery rate) jako progu istotności. Prosimy kliknąć tutaj, aby zobaczyć powiększoną wersję tej ryciny.
Rycina 6: Analiza interakcji białko-białko i identyfikacja genów hubowych. (A) Sieć interakcji białko-białko (PPI) dla 85 przecinających się genów. Węzły reprezentują białka, a krawędzie wskazują przewidywane lub eksperymentalnie potwierdzone interakcje z bazy danych STRING. (B) Wykres UpSet pokazujący przecięcia wśród 30 najwyżej sklasyfikowanych genów na podstawie siedmiu miar centralności sieci. (C) Wykresy pudełkowe przedstawiające poziomy ekspresji czterech genów hubowych w klastrze 1 i klastrze 2. (D) Analiza korelacji parowej pomiędzy czterema genami hubowymi. (E) Krzywa charakterystyki operacyjnej odbiornika (ROC) pokazująca wydajność klasyfikacji, z czułością wykreśloną względem swoistości. Pole pod krzywą (AUC) wskazuje ogólną dokładność. Istotność statystyczną w panelu (C) oceniono za pomocą testu sum rang Wilcoxona (*p < 0,05). Kliknij tutaj, aby zobaczyć powiększoną wersję tej ryciny.
Rysunek 7: Sieć regulacyjna genów hub. Czerwone okręgi reprezentują geny hub, a niebieskie okręgi reprezentują powiązane z nimi czynniki transkrypcyjne (TFs). Krawędzie wskazują oddziaływania regulacyjne. Wielkość węzła każdego genu hub odzwierciedla liczbę oddziałujących z nim TF. Proszę kliknąć tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Rysunek 8: Porównanie infiltracji komórek odpornościowych pomiędzy podgrupami atopowego zapalenia skóry. Wykresy pudełkowe przedstawiające szacowane proporcje 22 typów komórek odpornościowych w każdym klastrze (Klaster 1, czerwony; Klaster 2, morski). Gwiazdki (*) wskazują statystycznie istotne różnice między klastrami, ocenione za pomocą testu sum rang Wilcoxona z korektą FDR (false discovery rate) dla wielokrotnych porównań. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Dyskusja
Atopowe zapalenie skóry to powszechne i genetycznie niejednorodne zapalenie skóry, które stanowi poważne wyzwanie dla spersonalizowanych strategii leczenia. Badanie to dostarcza wglądu w molekularną heterogeniczność AD poprzez identyfikację dwóch odrębnych podgrup transkrypcyjnych w 266 próbkach skóry z urazami u pacjentów z AD. Te podgrupy wykazują różne biologiczne wzbogacenie funkcji i infiltrację komórek odpornościowych, przy czym Klaster 1 charakteryzuje się aktywnym sygnalizowaniem komórkowym i szlakami adhezji oraz wzbogaceniem regulatorowych komórek T (Treg), natomiast Klaster 2 charakteryzuje się zwiększoną fosforylacją oksydacyjną i funkcją proteasomów, a także wzrostem liczby pęcherzykowych komórek pomocniczych T. Co istotne, zidentyfikowano cztery geny związane z mitochondriami (BAD, BOLA1, CHCHD5 i ISOC2), które są podwyższone w klastrze 1. Są to geny hubowe w sieci PPI składającej się z 85 genów, które definiują oba podtypy transkryptomiczne i mogą być regulowane jednocześnie przez czynniki transkrypcyjne, w tym ATF3, BRD2, BRD4 i CEBPA.
Dwa odrębne klastry zostały zidentyfikowane na podstawie wzorca ekspresji genów, co sugeruje, że AD wykazuje istotną heterogeniczność ekspresji genów. Wcześniejsze badania wykazały, że ta heterogeniczność może być napędzana przez mechanizmy genetyczne, epigenetyczne i immunologiczne, które definiują odrębne molekularne endotypy 5,30,31. Pomiędzy tymi dwoma klastrami zaobserwowano również różne infiltracje komórek odpornościowych: klaster 1 charakteryzował się regulacyjnymi komórkami T, a klaster 2 wzbogacony o pęcherzykowe komórki pomocnicze T (Tfh), co sugeruje podstawową heterogeniczność immunologiczną i potencjalnie odmienne mechanizmy choroby w kohorcie AD. Klaster zdominowany przez Treg sugeruje środowisko immunologiczne, w którym dominują mechanizmy regulacyjne, co może odzwierciedlać próby kontroli stanu zapalnego lub kompensacyjną odpowiedź na przewlekłą aktywację immunologiczną32,33. Jednak w AD funkcja Treg może być upośledzona mimo zwiększonej wartości, co może nie skutecznie hamować stanu zapalnego. Natomiast klaster wzbogacony o Tfh wskazuje na zwiększoną pomoc komórek B, zwiększoną aktywność ośrodków zarodkowych oraz prawdopodobnie podwyższoną produkcję IgE, które są cechami charakterystycznymi reakcji alergicznych oraz cięższych lub zewnętrznych form AD34,35. Komórki Tfh są znane z wspierania różnicowania komórek B i zmiany klas przeciwciał, a ich rozszerzanie koreluje z aktywnością choroby i uczuleniem alergicznym36. Obecność tych odrębnych klastrów może odzwierciedlać różne fenotypy kliniczne, nasilenie choroby lub reakcje na terapię, podkreślając znaczenie spersonalizowanych podejść w badaniach i leczeniu AD.
Wiadomo, że dysfunkcja mitochondrialna odgrywa istotną rolę w patogenezie AD poprzez mechanizmy takie jak utrzymanie bariery naskórnej37, produkcja reaktywnego rodzajutlenu 38 oraz regulacja odpowiedzi komórek odpornościowych39. Cztery białka mitochondrialne zostały zidentyfikowane jako centralne węzły genów związanych z różnicowaniem transkryptomicznym, które mogą z dużą dokładnością przewidywać podtyp molekularny (AUC>0.7). Chociaż żadne wcześniejsze badanie nie wykazało bezpośredniego związku tych genów z AD, wyniki te sugerują, że są one potencjalnymi biomarkerami do stratyfikacji pacjentów z AD oraz oceny dysfunkcji mitochondrialnej u pacjentów z AD. BAD (agonista śmierci komórkowej związany z BCL2) jest pro-apoptotycznym członkiem rodziny BCL-2, zaangażowanym w mitochondrialne sygnalizację apoptotyczną; jego wzrost w klastrze 1 może odzwierciedlać zwiększone apoptotyczne primowanie mitochondrialne u tego podtypu. BOLA1 to białko mitochondrialne zaangażowane w biogenezę klastrów żelaza i siarki oraz regulację stresu oksydacyjnego. CHCHD5 (domena spiralna-helis-spiralna-spiralna-helis-zawierająca 5) to białko błony mitochondrialnej związane z organizacją kryszt i efektywnością łańcucha transportu elektronów. ISOC2 (domena izochoryzmataza zawierająca 2) została powiązana z procesami metabolicznymi i funkcją mitochondriów. Skoordynowana zwiększouaktywność tych czterech genów w Klastrze 1 sugeruje stan zwiększonej aktywności metabolicznej mitochondrialnej oraz sygnałów apoptotycznych w tej podgrupie AD.
To badanie ma kilka ograniczeń. Chociaż badanie to zidentyfikowało dwie podgrupy molekularne z odmienną ekspresją genów w genach mitochondrialnych i infiltracją komórek odpornościowych oddzielonych, brakuje nam szczegółowych danych fenotypowych klinicznych, które pozwoliłyby powiązać warstwowość z nasileniem choroby i podłużnymi odpowiedziami na leczenie. Aby w pełni zrozumieć, co oznacza wysoka ekspresja tych czterech genów hubowych w Klastrze 1, przyszłe badania powinny integrować kompleksowe metadane kliniczne i najlepiej przeprowadzić walidację funkcjonalną w modelach keratynocytów lub myszy. Ponadto badanie opiera się na publicznie dostępnych zbiorowych danych RNA-seq; Chociaż jest potężny w analizie na dużą skalę, brakuje mu rozdzielczości w określonych typach komórek. To ograniczenie utrudnia określenie, czy obserwowana różnica ekspresji genów mitochondrialnych pochodzi z keratynocytów, komórek odpornościowych infiltrujących lub innych populacji komórek zamieszkujących skórę. Dzięki szerokiemu zastosowaniu podejść transkryptomicznych jednokomórkowych i przestrzennych, przyszłe badania znacznie skorzystają na mocy dekonwilacjonowania sygnałów ekspresji i dostarczania dokładniejszego obrazu profilu transkryptomicznego na poziomie komórkowym. Dodatkowo, wszystkie dane pochodzą z próbek biopsji punch, które pobierają pełną grubość skóry. Przyszłe badania z wykorzystaniem taśmowego RNA-seq mogą zaoferować komplementarne, nieinwazyjne podejście do profilowania powierzchownego transkryptomu naskórka i potwierdzić zidentyfikowane sygnatury podgrup w minimalnie inwazyjnych warunkach. Przyszła integracja danych RNA-seq z pojedynczych komórek oraz transkryptomii przestrzennej jeszcze bardziej przyspieszyłaby rozdzielczość specyficznych dla typu komórek sygnatur mitochondrialnych w skórze AD.
Podsumowując, badanie to analizowało transkryptomiczną heterogeniczność AD w 266 próbkach, zidentyfikowało kluczowe geny mitochondrialne oraz unikalną infiltrację komórek odpornościowych, różnicując podgrupy. Te odkrycia poprawiają zrozumienie heterogeniczności molekularnej AD i podkreślają potencjał do opracowania precyzyjnych metod leczenia opartych na konkretnych profilach molekularnych.
Oświadczenia
Autorzy deklarują brak konfliktu interesów.
Materiały
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| CIBERSORT | Uniwersytet Stanforda | v0.1.0; dekonwolucja komórek odpornościowych; https://cibersortx.stanford.edu | |
| clusterProfiler | Bioconductor | v4.12.6; Analiza wzbogacania GSEA i GO/KEGG; https://bioconductor.org/packages/clusterProfiler | |
| ConsensusClusterPlus | Bioconductor | v1.64.0; nienadzorowane skupianie konsensusu; https://bioconductor.org/packages/ConsensusClusterPlus | |
| DESeq2 | Bioconductor | v1.46.0; różnicową analizę ekspresji genów; https://bioconductor.org/packages/DESeq2 | |
| Omnibus ekspresji genów (GEO) | NCBI | Publiczne repozytorium danych transkryptomicznych; zbiory danych GSE121212, GSE157194, GSE193309, GSE277961; https://www.ncbi.nlm.nih.gov/geo | |
| ggplot2 | CRAN | wizualizacja danych; https://ggplot2.tidyverse.org | |
| ggraph | CRAN | Wizualizacja grafów i sieci; https://ggraph.data-imaginist.com | |
| GseaVis | GitHub (junjunlab) | v0.1.0; wizualizacja GSEA; https://github.com/junjunlab/GseaVis | |
| hTFtarget | Uniwersytet Nauki i Technologii Huazhong | baza docelowych czynników transkrypcji ludzkich; http://bioinfo.life.hust.edu.cn/hTFtarget | |
| igraph | CRAN | Konstrukcja i wizualizacja sieci; https://igraph.org | |
| Limma | Bioconductor | funkcję removeBatchEffect; https://bioconductor.org/packages/limma | |
| MitoCarta3.0 | Instytut Broad | Kuratorowana baza danych białek mitochondrialnych; https://www.broadinstitute.org/mitocarta | |
| MSigDB (zestawy genów Hallmark) | Instytut Broad | baza danych zbiorów genów dla GSEA; https://www.gsea-msigdb.org/gsea/msigdb | |
| org. Hs.eg.db | Bioconductor | baza danych adnotacji genomu ludzkiego; https://bioconductor.org/packages/org.Hs.eg.db | |
| R | Zespół R Core | Środowisko obliczeń statystycznych; https://www.r-project.org | |
| STRING | EMBL | v12.0; baza danych interakcji białko-białko; https://string-db.org | |
| sva (ComBat-seq) | Bioconductor | v3.44.0; korekcja efektu wsadowego; https://bioconductor.org/packages/sva | |
| WGCNA | CRAN | v1.73; analizę ważonej sieci współekspresji genów; https://cran.r-project.org/package=WGCNA |
Bibliografia
- Abuabara, K., Magyari, A., McCulloch, C. E., Linos, E., Margolis, D. J., et al. Prevalence of atopic eczema among patients seen in primary care: Data from the health improvement network. Ann Intern Med. 170, 354-356 (2019).
- Sroka-Tomaszewska, J., Trzeciak, M. Molecular mechanisms of atopic dermatitis pathogenesis. Int J Mol Sci. 22, 4130 (2021).
- Bieber, T. Disease modification in inflammatory skin disorders: opportunities and challenges. Nat Rev Drug Discov. 22, 662-680 (2023).
- Guttman-Yassky, E., Irvine, A. D., Brunner, P. M., Kim, B. S., Boguniewicz, M., et al. The role of Janus kinase signaling in the pathology of atopic dermatitis. J Allergy Clin Immunol. 152, 1394-1404 (2023).
- Tsoi, L. C., Rodriguez, E., Degenhardt, F., Baurecht, H., Wehkamp, U., et al. Atopic dermatitis is an IL-13-dominant disease with greater molecular heterogeneity compared to psoriasis. J Invest Dermatol. 139, 1480-1489 (2019).
- Sekita, A., Kawasaki, H., Fukushima-Nomura, A., Yashiro, K., Tanese, K., et al. Multifaceted analysis of cross-tissue transcriptomes reveals phenotype-endotype associations in atopic dermatitis. Nat Commun. 14, 6133 (2023).
- Tsoi, L. C., Rodriguez, E., Stölzl, D., Wehkamp, U., Sun, J., et al. Progression of acute-to-chronic atopic dermatitis is associated with quantitative rather than qualitative changes in cytokine responses. J Allergy Clin Immunol. 145, 1406-1415 (2020).
- Leman, G., Pavel, P., Hermann, M., Crumrine, D., Elias, P. M., et al. Mitochondrial activity is upregulated in nonlesional atopic dermatitis and amenable to therapeutic intervention. J Invest Dermatol. 142, 2623-2634.e12 (2022).
- Natarelli, N., Gahoonia, N., Aflatooni, S., Bhatia, S., Sivamani, R. K. Dermatologic manifestations of mitochondrial dysfunction: A review of the literature. Int J Mol Sci. 25, 3303 (2024).
- Koch, M., Kockmann, T., Rodriguez, E., Wehkamp, U., Hiebert, P., et al. Quantitative proteomics identifies reduced NRF2 activity and mitochondrial dysfunction in atopic dermatitis. J Invest Dermatol. 143, 220-231.e7 (2023).
- Fairley, L. H., Das, S., Dharwal, V., Amorim, N., Hegarty, K. J., et al. Mitochondria-targeted antioxidants as a therapeutic strategy for chronic obstructive pulmonary disease. Antioxidants (Basel). 12, 973 (2023).
- Zong, Y., Li, H., Liao, P., Chen, L., Pan, Y., et al. Mitochondrial dysfunction: mechanisms and advances in therapy. Signal Transduct Target Ther. 9, 124 (2024).
- Suárez-Fariñas, M., Ungar, B., Correa da Rosa, J., Ewald, D. A., Rozenblit, M., et al. RNA sequencing atopic dermatitis transcriptome profiling provides insights into novel disease mechanisms with potential therapeutic implications. J Allergy Clin Immunol. 135, 1218-1227 (2015).
- Wang, S., Sun, D., Liu, C., Guo, Y., Ma, J., et al. Weighted gene co-expression network analysis reveals the hub genes associated with pulmonary hypertension. Exp Biol Med (Maywood). 248, 217-231 (2023).
- Möbus, L., Rodriguez, E., Harder, I., Stölzl, D., Boraczynski, N., et al. Atopic dermatitis displays stable and dynamic skin transcriptome signatures. J Allergy Clin Immunol. 147, 213-223 (2021).
- Hu, T., Todberg, T., Ewald, D. A., Hoof, I., Correa da Rosa, J., et al. Assessment of spatial and temporal variation in the skin transcriptome of atopic dermatitis by use of 1.5 mm minipunch biopsies. J Invest Dermatol. 143, 612-620.e6 (2023).
- Tandon, R., Harder, I., Stölzl, D., Hübenthal, M., Sander, N., et al. Tralokinumab treatment of atopic dermatitis induces a progressive transcriptomic response. J Invest Dermatol. 145 (7), 1643-1652.e13 (2025).
- Wilkerson, M. D., Hayes, D. N. ConsensusClusterPlus: a class discovery tool with confidence assessments and item tracking. Bioinformatics. 26, 1572-1573 (2010).
- Love, M. I., Huber, W., Anders, S. Moderated estimation of fold change and dispersion for RNA-seq data with DESeq2. Genome Biol. 15, 550 (2014).
- Yu, G., Wang, L. G., Han, Y., He, Q. Y. clusterProfiler: an R package for comparing biological themes among gene clusters. OMICS. 16, 284-287 (2012).
- JunZhang, GseaVis: An implement R package to visualize GSEA results. GitHub. , (2022).
- Langfelder, P., Horvath, S. WGCNA: an R package for weighted correlation network analysis. BMC Bioinformatics. 9, 559 (2008).
- Rath, S., Sharma, R., Gupta, R., Ast, T., Chan, C., et al. MitoCarta3.0: an updated mitochondrial proteome now with sub-organelle localization and pathway annotations. Nucleic Acids Res. 49, D1541-D1547 (2021).
- Szklarczyk, D., Kirsch, R., Koutrouli, M., Nastou, K., Mehryary, F., et al. The STRING database in 2023: protein-protein association networks and functional enrichment analyses for any sequenced genome of interest. Nucleic Acids Res. 51, D638-D646 (2023).
- Zhang, Q., Liu, W., Zhang, H. M., Xie, G. Y., Miao, Y. R., et al. HTFtarget: A comprehensive database for regulations of human transcription factors and their targets. Genomics Proteomics Bioinformatics. 18, 120-128 (2020).
- Csardi, G., Nepusz, T. The igraph software package for complex network research. InterJournal Complex Syst. , 1695 (2006).
- Pedersen, T. L. . ggraph: An Implementation of Grammar of Graphics for Graphs and Networks. , (2024).
- Chen, B., Khodadoust, M. S., Liu, C. L., Newman, A. M., Alizadeh, A. A. Profiling tumor infiltrating immune cells with CIBERSORT. Methods Mol Biol. 1711, 243-259 (2018).
- Wickham, H. . ggplot2: Elegant Graphics for Data Analysis. , (2009).
- Nedoszytko, B., Reszka, E., Gutowska-Owsiak, D., Trzeciak, M., Lange, M., et al. Genetic and epigenetic aspects of atopic dermatitis. Int J Mol Sci. 21, 6484 (2020).
- Lefèvre-Utile, A., Saichi, M., Oláh, P., Delord, M., Homey, B., et al. Transcriptome-based identification of novel endotypes in adult atopic dermatitis. Allergy. 77, 1486-1498 (2022).
- Sawant, D. V., Vignali, D. A. A. Once a Treg, always a Treg?. Immunol Rev. 259, 173-191 (2014).
- van der Veeken, J., Gonzalez, A. J., Cho, H., Arvey, A., Hemmers, S., et al. Memory of inflammation in regulatory T cells. Cell. 166, 977-990 (2016).
- Kräutler, N. J., Suan, D., Butt, D., Bourne, K., Hermes, J. R., et al. Differentiation of germinal center B cells into plasma cells is initiated by high-affinity antigen and completed by Tfh cells. J Exp Med. 214, 1259-1267 (2017).
- Cyster, J. G., Allen, C. D. C. B cell responses: Cell interaction dynamics and decisions. Cell. 177, 524-540 (2019).
- Crotty, S. T follicular helper cell differentiation, function, and roles in disease. Immunity. 41, 529-542 (2014).
- Koch, M., Kockmann, T., Rodriguez, E., Wehkamp, U., Hiebert, P., et al. Quantitative proteomics identifies reduced NRF2 activity and mitochondrial dysfunction in atopic dermatitis. J Invest Dermatol. 143, 220-231.e7 (2023).
- Mizuguchi, S., Gotoh, K., Nakashima, Y., Setoyama, D., Takata, Y., et al. Mitochondrial reactive oxygen species are essential for the development of psoriatic inflammation. Front Immunol. 12, 714897 (2021).
- Zhao, L., Hu, X., Xiao, F., Zhang, X., Zhao, L., et al. Mitochondrial impairment and repair in the pathogenesis of systemic lupus erythematosus. Front Immunol. 13, 929520 (2022).