Reanaliza publicznych transkryptomów ujawnia wspólne sygnatury immunologiczne między zaburzeniem depresyjnym a dermatomiozitis z kontekstem pojedynczych komórek

Fei Teng; Sisi Zheng; Xiatian Zhang; Zhongwen Lu; Pengrui Wang; Peng Wang; Dongqing Yin

doi:10.3791/71024

Artykuł badawczy

Reanaliza publicznych transkryptomów ujawnia wspólne sygnatury immunologiczne między zaburzeniem depresyjnym a dermatomiozitis z kontekstem pojedynczych komórek

DOI:

10.3791/71024

⸱

26 czerwca 2026

Fei Teng^*¹^,² , Sisi Zheng^*¹ , Xiatian Zhang³ , Zhongwen Lu² , Pengrui Wang² , Peng Wang⁴ , Dongqing Yin¹

¹Beijing Key Laboratory of Mental Disorders, National Clinical Research Center for Mental Disorders & National Center for Mental Disorders, Beijing Anding Hospital, Capital Medical University, ²Beijing University of Chinese Medicine Third Affiliated Hospital, ³Institute for Regeneration and Repair, University of Edinburgh, ⁴The Second Department of Healthcare, China-Japan Friendship Hospital

^* These authors contributed equally

W tym artykule

Podsumowanie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Celem niniejszej badania było zastosowanie integracyjnej reanalizy bioinformatycznej publicznych zestawów danych GEO, połączonej z kontekstualizowaną analizą pojedynczych komórek, w celu zidentyfikowania kandydatów do wspólnych genów między zaburzeniem depresyjnym a dermatomiozitis i scharakteryzowania ich dystrybucji w podzbiorach komórek odpornościowych w związanym z dermatomiozitis zestawie danych pojedynczych komórek.

Streszczenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Niniejsze badanie miało na celu zidentyfikowanie kandydackich wspólnych sygnałów transkryptomicznych między zaburzeniem depresyjnym a dermatomiozitis za pomocą integracyjnej bioinformatycznej ponownej analizy publicznych zestawów danych GEO z kontekstualizowaniem na poziomie pojedynczych komórek. Przepływ analityczny obejmował Weighted Gene Co-expression Network Analysis (WGCNA) do identyfikacji kluczowych modułów, analizy wzbogacania Gene Ontology (GO) i Kyoto Encyclopedia of Genes and Genomes (KEGG) do charakterystyki funkcjonalnej, analizę sieciową opartą na GeneMANIA i platformie do wizualizacji sieci do priorytetyzacji genów kandydackich oraz ewaluację 113 modeli uczenia maszynowego połączoną z SHapley Additive exPlanations (SHAP) do selekcji cech diagnostycznych. Analiza wzbogacania zestawów genów (GSEA), analiza infiltracji immunologicznej i kontekstualizowanie oparte na sekwencjonowaniu RNA z pojedynczych komórek zostały następnie wykonane, aby dalej scharakteryzować immunologiczny kontekst komórkowy zidentyfikowanych sygnałów. Integracja zestawów danych GEO związanych z dermatomiozitis zidentyfikowała 570 różnicowych genów ekspresowanych, z których 33 kandydackich wspólnych genów zostało uzyskanych za pomocą WGCNA. Funkcjonalne wzbogacanie i analizy sieciowe podkreśliły obronę immunologiczną, cytotoksyczność oraz szlaki, w tym PPAR, IL-17 i przetwarzanie antygenów, przy czym ELANE, PPBP i CTSG wyłoniły się jako bardzo połączone węzły. Priorytetyzowanie cech oparte na uczeniu maszynowym zachowało 8 genów wybranych przez model, mianowicie KIF4A, OLR1, KIR2DL4, KRT23, KIR3DS1, AZU1, SCG5 i LRRC37E. Analiza infiltracji immunologicznej skojarzyła te wspólne geny z komórkami T regulatorowymi (Tregs), spoczynkowymi komórkami tucznymi, spoczynkowymi komórkami dendrytycznymi oraz makrofagami klasycznie aktywowanymi (M1) i alternatywnie aktywowanymi (M2). Kontekstualizowanie oparte na sekwencjonowaniu RNA z pojedynczych komórek dodatkowo sugerowało, że podzbiory limfocytów T CD8⁺ z różnymi stanami punktacji genów kandydackich wykazywały odrębne wzorce komunikacji międzykomórkowej. Wśród nich, oś MIF–(CD74+CD44) i sygnały z naiwnych/centralnych komórek pamięci T były zauważalnymi cechami wymagającymi dalszej walidacji. Ogólnie, to badanie zidentyfikowało kandydackie wspólne sygnały transkryptomiczne między zaburzeniem depresyjnym a dermatomiozitis i podkreśliło konteksty komórkowe związane z immunologią, które wymagają dalszej walidacji w prawdziwych kohortах z współistniejącymi chorobami.

Wprowadzenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dermatomiozyta to przewlekła, układowa choroba autoimmunologiczna charakteryzująca się zapalnym zajęciem skóry i mięśni szkieletowych, klinicznie objawiająca się symetrycznym osłabieniem mięśni proksymalnych i charakterystycznymi zmianami skórnymi, aw przypadkach ciężkich, dysfunkcją wielonarządową¹. Rosnące dowody kliniczne wskazują, że pacjenci z dermatomiozytą często doświadczają współistniejących zaburzeń psychiatrycznych, przede wszystkim zaburzenia depresyjne typu wielkiego²^,³^,⁴. Patogeneza zaburzeń depresyjnych związanych z dermatomiozytą jest wieloczynnikowa, wynikająca ze złożonej interakcji między dystresem psychospołecznym, dysregulacją neuroendokrynną i ogólnoustrojowym zapaleniem immunologicznym. Uporczywy ból, zmęczenie i postępujące osłabienie mięśni mogą znacząco pogorszyć funkcjonowanie fizyczne i jakość życia. Ciężary te mogą prowadzić do zaburzenia roli społecznej, przewlekłego stresu psychicznego i zmniejszenia autonomii⁵. Ponadto, długotrwała ekspozycja na glikokortykoidy może zakłócić oś podwzgórze-przysadka-nadnercza (HPA) i upośledzić plastyczność hipokampu, tym samym zwiększając podatność na objawy związane z depresją⁶. Co więcej, utrzymująca się aktywacja odpornościowa i ogólnoustrojowe zapalenie w dermatomiozycie są coraz częściej rozpoznawane jako potencjalne przyczyny objawów związanych z depresją⁷. Te czynniki obwodowe mogą wpływać na ośrodkowy układ nerwowy poprzez modulacje metabolizmu neuroprzekaźników i plastyczności neuronowej, łącząc tym samym ogólnoustrojową autoimmunizację z objawami neuropsychiatrycznymi⁷^,⁸^,⁹^,¹⁰.

Co ważne, ta racjonalizacja nie sugeruje, że żadna z chorób jest biologicznie jednorodna. Dermatomiozyta obejmuje klinicznie i serologicznie odrębne podgrupy, w tym fenotypy związane z anty-MDA5 i anty-TIF1-γ o różnych profilach zapalnych i klinicznych¹¹^,¹²^,¹³. Podobnie, zaburzenie depresyjne typu wielkiego jest coraz częściej rozpoznawane jako heterogeniczny stan, a aktualne dowody przemawiają za istnieniem immunologiczno-zapalnego podtypu zamiast jednolitego uniwersalnego podpisu zapalnego¹⁴^,¹⁵. W związku z tym, niniejsze badanie nie zostało zaprojektowane z założeniem jednolitego, wspólnego programu molekularnego, lecz raczej w celu przeszukania kandydatów do nakładających się sygnałów transkryptomowych związanych z odpornością, wykrywalnych na poziomie kohorty w niezależnych publicznych zbiorach danych.

Poza stresem psychospołecznym i ekspozycją na leczenie, bardziej biologicznie testowalnym powiązaniem między zaburzeniem depresyjnym typu wielkiego a dermatomiozytą jest wspólna dysregulacja immunologiczno-zapalna. Zaburzenie depresyjne typu wielkiego jest stanem heterogenicznym i nie powinno się zakładać, że ma ono jednolity profil transkryptomowy. Jednak zbieżne dowody przemawiają za podtypem związanym z zapaleniem zaburzenia depresyjnego typu wielkiego, a obwodowe badania transkryptomowe wykazały dysregulację wrodzonej odporności, związanych z neutrofilami, interferonu i szlaków dopełniacza w podgrupach osób dotkniętych chorobą¹⁴^,¹⁶^,¹⁷. Równolegle, sygnalizowanie stresu związane z MAPK zostało również związane z fenotypami depresyjnymi¹⁸. Dermatomiozyta, natomiast, jest dobrze rozpoznaną chorobą autoimmunologiczną napędzaną interferonem, a badania transkryptomowe we krwi i dotkniętych tkankach konsekwentnie wykazały aktywację interferonu typu I i szerszych programów immunologiczno-zapalnych; ostatnie analizy multi-omiczne dodatkowo podkreśliły aktywność ścieżek związanych z ERK i p38 MAPK w dermatomiozycie¹⁹^,²⁰^,²¹. W sumie, te znaleziska dostarczają biologicznie wiarygodnej racjonalizacji do zbadania, czy podzbiór sygnałów transkryptomowych związanych z odpornością może nakładać się między zaburzeniem depresyjnym typu wielkiego a dermatomiozytą w niezależnych publicznych zbiorach danych.

Mimo tych obserwacji, podstawy molekularne leżące u podstaw nakładania się zaburzenia depresyjnego typu wielkiego i dermatomiozyty pozostają niedostatecznie zrozumiałe. Co ważne, obecnie dostępne publiczne zestawy danych nie zapewniają prawdziwej kohorty pacjentów z jednoczesnym rozpoznaniem zaburzenia depresyjnego typu wielkiego i dermatomiozyty. Dlatego też, zamiast bezpośrednio analizować depresję u pacjentów z dermatomiozytą, niniejsze badanie zostało zaprojektowane w celu zidentyfikowania kandydatów do wspólnych sygnałów transkryptomowych w oddzielnych publicznych zbiorach danych dotyczących zaburzenia depresyjnego typu wielkiego i dermatomiozyty poprzez integracyjną ramę ponownej analizy bioinformatycznej²². W szczególności, publicznie dostępne zestawy

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

W tym badaniu wykorzystano tylko publicznie dostępne, anonimowe zestawy danych z bazy Gene Expression Omnibus (GEO). Ponieważ praca polegała na wtórnej analizie istniejących publicznych danych i nie obejmowała bezpośredniego kontaktu z uczestnikami, interwencji lub dostępu do identyfikowalnych informacji osobowych, dodatkowa zgoda komitetu etycznego i zgoda na udział w badaniu nie były wymagane.

Źródła danych i przetwarzanie wstępne

Wszystkie dane dotyczące ekspresji genów i pojedynczych komórek pochodziły z bazy GEO²⁴. W przypadku zaburzeń depresyjnych użyto zestawu danych GSE98793, który obejmuje próbki krwi obwodowej od 128 pacjentów i 64 zdrowych osób kontrolnych. W przypadku dermatomiozyty zestawy danych zostały wybrane na podstawie wcześniej określonych kryteriów, w tym profilowania ekspresji Homo sapiens, wyraźnie identyfikowalnych grup chorych i kontrolnych, dostępnej platformy adnotacji do mapowania sond na geny oraz przydatności do analizy odkrywczej lub walidacji. Gdy seria GEO zawierała wiele podtypów zapalenia mięśni, do niniejszego badania wyodrębniono tylko dermatomiozytę i normalne próbki kontrolne. Zestawy danych GSE1551, GSE46239 i GSE128470 zostały użyte jako zestawy danych do odkrycia/treningu, podczas gdy zestawy danych GSE5370, GSE39454 i GSE11971 zostały użyte jako niezależne zestawy danych do walidacji. Zestawy danych dotyczące dermatomiozyty analizowane w niniejszym badaniu pochodziły głównie z dotkniętych mięśni lub tkanek skóry, a nie z krwi obwodowej. Dane dotyczące pojedynczych komórek dla dermatomiozyty pochodzą z zestawu danych GSE190510.

Surowe macierze ekspresji zostały pobrane z bazy GEO razem z odpowiednimi plikami adnotacji platformy. ID sond zostały zmapowane na oficjalne symbole genów zgodnie z dostarczoną przez producenta adnotacją GPL. Sondy, których nie można było jednoznacznie przypisać do pojedynczego oficjalnego symbolu genu, zostały usunięte. Kiedy wiele sond mapowano na ten sam gen, zostały one zredukowane na poziomie genu przy użyciu średniej wartości ekspresji, implementowanej przez funkcję `avereps` w pakiecie limma, tworząc w ten sposób macierz ekspresji gen-próbka.

Aby zmniejszyć zniekształcenie zależne od intensywności i ustabilizować wariancję, zastosowano transformację log2, gdy było to odpowiednie zgodnie z rozkładem wartości ekspresji. Następnie normalizację między tablicami przeprowadzono za pomocą funkcji `normalizeBetweenArrays` w pakiecie limma. Wartości brakujące, jeśli występowały, zostały wypełnione za pomocą interpolacji K-najbliższych sąsiadów. W przypadku zintegrowanych zestawów danych treningowych dotyczących dermatomiozyty, korekcję wsadową przeprowadzono za pomocą funkcji `ComBat` w pakiecie sva, z uwzględnieniem pochodzenia zestawu danych/platformy jako zmiennej wsadowej, a grupy próbek (dermatomiozyta w porównaniu ze zdrowych kontrolami) włączono do macierzy projektowej w celu zachowania zainteresowania biologicznego podczas korekcji wsadowej.

Wszystkie analizy zostały przeprowadzone w R przy użyciu zintegrowanego środowiska programistycznego dla R na systemie operacyjnym komputera stacjonarnego. Pakiet limma został użyty do sumaryzacji i normalizacji sond. Pakiet sva został użyty do korekcji wsadowej ComBat. Wartości brakujące zostały wypełnione za pomocą interpolacji K-najbliższych sąsiadów z k = 10.

Analiza ważonych ekspresji współwystępujących genów

Analiza ważonych ekspresji współwystępujących genów (WGCNA) została przeprowadzona osobno dla zestawów danych dotyczących zaburzeń depresyjnych i dermatomiozyty za pomocą pakietu WGCNA w R²⁵^,²⁶. Próbki zostały hierarchicznie sklastryzowane za pomocą flashClust w celu zidentyfikowania wybiegów; próbki przekraczające wysokość dendrogramu 100 i geny w dolnej 25% wariancji zostały wykluczone. Dla każdej sieci miękka potęga progowa (β) została wybrana za pomocą pickSoftThreshold w celu osiągnięcia aproksymowanej topologii wolnej od skali (R² > 0.8). Macierz sąsiedztwa została przekształcona w Macierz Nakładania Topologicznego (TOM), a moduły zostały zidentyfikowane za pomocą dynamicznego cięcia drzewa z minimalną wielkością modułu 60 i wysokością cięcia łączenia 0.25²⁷. Pakiet WGCNA w R został użyty razem z flashClust do hierarchicznego klasteryzowania. Losowe nasienie zostało ustawione na 12345 w celu zapewnienia powtarzalności. Własne geny modułów zostały skorelowane ze stanem choroby za pomocą korelacji Pearson, a wartości P zostały skorygowane metodą Benjamini-Hochberg. Dla każdej choroby moduł wykazujący najsilniejsze i najbardziej znaczące skorelowanie ze stanem choroby został zachowany jako kluczowy moduł związany z chorobą. Nakładanie się genów kluczowego modułu z zestawu danych dotyczącego zaburzeń depresyjnych i tych z zestawu danych dotyczącego dermatomiozyty zostało zdefiniowane jako zestaw kandydatów do wspólnych genów dla dalszych analiz. Analiza różnicowej ekspresji zintegrowanej kohorty dermatomiozyty została przeprowadzona osobno w celu scharakteryzowania zmian transkrypcyjnych związanych z dermatomiozytą.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Identyfikacja kandydackich wspólnych genów między zaburzeniem depresyjnym a dermatomiozytytem

Po połączeniu danych, normalizacji i korekcie wsadowej zestawów danych związanych z dermatomiozytytem z bazy GEO (Rysunek 2A,B), zidentyfikowano łącznie 570 różniczkowo ekspresowanych genów (Rysunek 2C,D), w tym 517 wzmacnianiych i 53 obniżanych. Ta analiza różnicowej ekspresji dermatomiozyty...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dermatomiozyta to przewlekła, układowa choroba autoimmunologiczna z wyraźnym wpływem na skórę i mięśnie, a gromadzące się obserwacje kliniczne sugerują, że pacjenci z dermatomiozytą mogą również doświadczać znacznego obciążenia psychiatrycznego, w tym objawów zgodnych z zaburzeniem depresyjnym wieloma objawami. W tym kontekście, niniejsze badanie zastosowało integracyjną ramę reanalizy bioinformatycznej w celu zidentyfikowania kandydatów do wspólnych sygnałów transkryptomowych między zaburzeniem depresyjnym wieloma objaw...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy nie zgłaszają żadnych konfliktów interesów w niniejszej pracy.

Podziękowania

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy z wdzięcznością wyrażają uznanie za wsparcie finansowe udzielone przez Program Doskonałego Badania Klinicznego Komisji Zdrowia Publicznego Pekinu (Numer grantu: BRWEP2024072120118), “Program Upowszechniania” Centrum Zarządzania Szpitalem Municypalnym w Pekinie (Numer grantu: PZ2025030), Młodzieżowy Projekt Szpitala Przyjaźni Chińsko-Japońskiej (Nr.2020-1-QN-8).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
Nazwa	Firma	Numer katalogowy	Komentarze
AddModuleScore	Funkcja Seurat	wersja 4.4.0	Obliczanie wyników modułu w Seurat RRID: NA
AUCell	Bioconductor	wersja 1.32.0	Wynik aktywności genu pojedynczej komórki RRID: SCR_021327
caret	CRAN	wersja 7.0.1	Obsługa przepływu pracy uczenia maszynowego RRID: SCR_022524
celda / decontX	Bioconductor	wersja 1.24.0	Estymacja zanieczyszczenia RNA otoczenia RRID: NA
CellChat	GitHub / CellChat	wersja 2.2.0	Analiza komunikacji międzykomórkowej RRID: SCR_021946
CIBERSORT / LM22 signature matrix	CIBERSORT	LM22	Estymacja infiltracji komórek odpornościowych RRID: NA
clusterProfiler	Bioconductor	wersja 4.12.6	Analiza wzbogacania funkcjonalnego RRID: SCR_016884
Cytoscape	Cytoscape Consortium	wersja 3.10	platforma wizualizacji sieci do wizualizacji i analizy RRID: SCR_003032
DoubletFinder	GitHub / McGinnis Lab	wersja 2.0.4	Wykrywanie podwójnych w zestawach danych jednokomórkowych RRID: NA
e1071	CRAN	wersja 1.7.16	Modelowanie maszyn wektorowych i Naive Bayesa RRID: NA
gbm	CRAN	wersja 2.2.2	Modelowanie Gradient Boosting Machine RRID: NA
Gene Expression Omnibus (GEO) database	National Center for Biotechnology Information (NCBI)	GSE98793	Zestaw danych trankryptomu z zaburzeniem depresyjnym RRID: NA
Gene Expression Omnibus (GEO) database	NCBI	GSE1551	Zestaw danych szkoleniowych dermatomiozitis; próbki biopsji mięśni szkieletowych RRID: NA
Gene Expression Omnibus (GEO) database	NCBI	GSE46239	Zestaw danych szkoleniowych dermatomiozitis; próbki biopsji skóry RRID: NA
Gene Expression Omnibus (GEO) database	NCBI	GSE128470	Zestaw danych szkoleniowych dermatomiozitis; próbki dermatomiozitis wyodrębnione z kohorty zapalenia mięśni RRID: NA
Gene Expression Omnibus (GEO) database	NCBI	GSE5370	Niezależny zestaw danych do walidacji dermatomiozitis; próbki mięśni dorosłych bez leczenia RRID: NA
Gene Expression Omnibus (GEO) database	NCBI	GSE11971	Niezależny zestaw danych do walidacji dermatomiozitis RRID: NA
Gene Expression Omnibus (GEO) database	NCBI	GSE39454	Niezależny zestaw danych do walidacji dermatomiozitis; próbki dermatomiozitis wyodrębnione z kohorty zapalenia mięśni RRID: NA
Gene Expression Omnibus (GEO) database	NCBI	GSE190510	Zestaw danych z sekwencjonowania RNA jednokomórkowego związanego z dermatomiozitis RRID: NA
GeneMANIA	University of Toronto / GeneMANIA	wersja serwera internetowego dostępna w tej pracy	Konstrukcja sieci skojarzeń funkcjonalnych RRID: RRID:SCR_005709
glmnet	CRAN	wersja 4.1.8	Modelowanie LASSO, Ridge i Elastic Net RRID: NA
GSVA	Bioconductor	wersja 2.0.7	Wynik ssGSEA RRID: NA
Harmony	CRAN	wersja 1.2.4	Korekta wsadowa dla integracji danych jednokomórkowych RRID: NA
limma	Bioconductor	wersja 3.60.6	Analiza różnicowej ekspresji, sumaryzacja sond i narzędzia normalizacyjne RRID: SCR_010943
MASS	CRAN	wersja 7.3.61	Analiza liniowej dyskryminacji RRID: NA
mboost	CRAN	wersja 2.9.11	Modelowanie glmBoost RRID: NA
Monocle	Bioconductor	wersja 2.38.0	Analiza trajektorii pseudoczasu RRID: SCR_016339
org.Hs.eg.db	Bioconductor	wersja 3.19.1	Baza danych adnotacji genów ludzkich RRID: NA
plsRglm	CRAN	wersja 1.5.1	Modelowanie częściowych najmniejszych kwadratów ogólnych RRID: NA
pROC	CRAN	wersja 1.18.5	Analiza krzywych ROC RRID: SCR_024286
R statistical software	R Foundation for Statistical Computing	wersja 4.4.2	Główne środowisko komputerów statystycznych RRID: SCR_001905
randomForest	CRAN	wersja 4.7.1.2	Modelowanie Random Forest RRID: SCR_015718
RStudio	Posit Software, PBC	wersja 2024.4.1.748	Zintegrowane środowisko programist

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Medicine depression Dermatomyositis Machine Learning Single Cell Analysis Bioinformatics analysis

Reanaliza publicznych transkryptomów ujawnia wspólne sygnatury immunologiczne między zaburzeniem depresyjnym a dermatomiozitis z kontekstem pojedynczych komórek

W tym artykule

Podsumowanie

Streszczenie

Wprowadzenie

Protokół

Wyniki

Dyskusja

Oświadczenia

Podziękowania

Materiały

Przedruki i uprawnienia

Tagi

Powiązane artykuły