Name: Identyfikacja biomarkerów swoistości płciowej choroby Alzheimera na podstawie profili transkryptomu glejowego (Wideo) | JoVE Journal
Uploaded: 2024-05-20T15:00:00.000+00:00
Duration: 4 min 22 s
Description: Odkryj analizę transkryptomów pojedynczych jąder z bazy GEO w celu identyfikacji płciowych genów różnicujących w komórkach glejowych w chorobie Alzheimera. Metoda bioinformatyczna ujawnia ścieżki molekularne i potencjalne cele terapeutyczne.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

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.

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
<ol>
	<li>Uzyskaj dostęp do publicznie dostępnej bazy danych Gene Expression Omnibus (GEO) w Narodowym Centrum Informacji Biotechnologicznej.</li>
	<li>Wyszukaj dane GEO o nazwie Choroba Alzheimera w polu wyszukiwania.</li>
	<li>Wybierz Top Organisms jako Homo sapiens po prawej stronie. 
	UWAGA: Wyniki wyszukiwania były danymi dotyczącymi choroby Alzheimera u Homo sapiens.</li>
	<li>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).</li>
</ol>
2. Łączenie próbek
<ol>
	<li>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.</li>
	<li>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.</li>
	<li>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.</li>
</ol>
3. Kontrola jakości (QC)
<ol>
	<li>Użyj funkcji PercentageFeatureSet, aby obliczyć proporcje genów mitochondrialnych, proporcje genów erytrocytów i proporcje genów rybosomów dla każdej komórki.</li>
	<li>Przechowuj te obliczone współczynniki w metadanych za pomocą operatora [[ ]], aby dołączyć te informacje bezpośrednio do metadanych każdej komórki.</li>
	<li>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.</li>
	<li>Wyklucz GSM5106107 z analizy.</li>
</ol>
4. Sprawdzanie efektów wsadowych
<ol>
	<li>Wykonywanie przetwarzania danych.
	<ol>
		<li>Znormalizuj dane za pomocą funkcji NormalizeData.</li>
		<li>Zidentyfikuj 2000 najważniejszych cech zmiennych w zestawie danych przy użyciu funkcji FindVariableFeatures.</li>
		<li>Przeprowadź analizę głównych składowych (PCA)17 na danych przy użyciu RunPCA, zachowując 50 głównych składników.</li>
		<li>Wygeneruj wykres kolanka za pomocą funkcji ElbowPlot, aby określić optymalną liczbę wymiarów do późniejszej analizy. Weź pod uwagę pierwsze 50 wymiarów.</li>
		<li>Skalowanie danych przy użyciu funkcji ScaleData w celu zapewnienia, że wszystkie funkcje są w porównywalnej skali.</li>
		<li>Zidentyfikuj najbliższych sąsiadów za pomocą funkcji FindNeighbors na podstawie 30 wymiarów.</li>
		<li>Zastosuj algorytm UMAP przy użyciu polecenia RunUMAP, aby zmniejszyć wymiarowość danych do 30 wymiarów.</li>
	</ol>
	</li>
	<li>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.</li>
</ol>
5. Integracja danych
<ol>
	<li>Normalizacja i standaryzacja danych przy użyciu funkcji SCTransform.</li>
	<li>Zastosuj algorytm harmonii18, aby zintegrować pozostałe 33 dane pojedyncze jądra. Użyj testu SCT do integracji i ustaw maksymalną liczbę iteracji harmonii na 20.</li>
	<li>Użyj funkcji FindClusters z parametrem resolution ustawionym na 0,07, aby zidentyfikować odrębne klastry w danych.</li>
	<li>Użyj funkcji RunUMAP z określoną liczbą wymiarów (dims = 30), aby jeszcze bardziej zmniejszyć wymiarowość danych i zwizualizować klastry w przestrzeni niskowymiarowej.</li>
</ol>
6. Adnotacja typu komórki
<ol>
	<li>Zbierz geny markerowe (Tabela uzupełniająca 2) komórek poprzez obszerny przegląd istniejącej literatury.</li>
	<li>Po zidentyfikowaniu niejednorodności klastra komórkowego należy sklasyfikować typ każdej komórki klastra według genów markerowych wyrażonych w określony sposób.</li>
	<li>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.</li>
	<li>Oblicz proporcje każdego typu komórki z podziałem na płcie.</li>
</ol>
7. Ekstrakcja danych z komórek glejowych
<ol>
	<li>Wyodrębnij dane astrocytów ze zintegrowanych danych zbiorczych za pomocą funkcji podzbioru.</li>
	<li>Wyodrębnij dane mikrogleju ze zintegrowanych danych zbiorczych za pomocą funkcji podzbioru.</li>
	<li>Wyodrębnij dane oligodendrocytów ze zintegrowanych danych zbiorczych za pomocą funkcji podzbioru.</li>
</ol>
8. Wyodrębnianie genów o zróżnicowanej ekspresji (DEG) specyficznych dla płci glejowej
<ol>
	<li>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.
	<ol>
		<li>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.</li>
	</ol>
	</li>
	<li>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.
	<ol>
		<li>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.</li>
	</ol>
	</li>
	<li>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.
	<ol>
		<li>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.</li>
	</ol>
	</li>
</ol>
9. Analizy wzbogacenia funkcjonalnego DEG specyficznych dla płci
<ol>
	<li>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.</li>
	<li>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.</li>
</ol>
10. Statystyki częstotliwości glejowych DEG w szlakach go i kegga, diagramy Venna dla każdego glejowego DEG specyficznego dla płci oraz budowa sieci PPI
<ol>
	<li>Oblicz częstość występowania DEG specyficznych dla płci glejowej w szlakach GO i KEGG za pomocą histogramu częstotliwości.</li>
	<li>Uzyskaj dostęp do bazy danych STRING, aby skonstruować sieci PPI.</li>
	<li>Wybierz opcję Wiele białek. Wyszukaj listę nazwisk w polu wyszukiwania. Ustaw "Organizmy" jako Homo sapiens.</li>
	<li>Zapoznaj się z listą białek uzyskanych w wyniku wyszukiwania. Kliknij Kontynuuj, aby kontynuować.</li>
	<li>Wyeksportuj sieci PPI, wybierając opcję pobierania, najlepiej w formacie PNG o wyższej rozdzielczości.</li>
	<li>Wizualizacja rozkładu koekspresji dla najważniejszych genów specyficznych dla płci za pomocą diagramów Venna.</li>
	<li>Zidentyfikuj wspólne geny jako kluczowe geny w badaniu na podstawie analizy diagramu Venna.</li>
</ol>
11. Wieloczynnikowa budowa sieci regulacyjnej
<ol>
	<li>Uzyskaj dostęp do narzędzia NetworkAnalyst.</li>
	<li>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.</li>
	<li>Wybierz opcję Interakcje gen-miRNA i wybierz pozycję miRTarBase v8.0. Potwierdź wybór, klikając OK.</li>
	<li>Przejdź do Interakcje TF-gen i wybierz bazę danych ENCODE. Kliknij OK, aby potwierdzić wybór.</li>
	<li>Następnie przejdź do sieci koregulacyjnej TF-miRNA i kliknij OK, aby kontynuować.</li>
	<li>Na koniec wybierz opcję Kontynuuj, aby wygenerować wieloczynnikową sieć regulacyjną obejmującą interakcje gen-miRNA i interakcje TF-gen.</li>
</ol>
12. Analiza genów i celu TCM
<ol>
	<li>Uzyskaj dostęp do internetowej bazy danych Coremine Medical.</li>
	<li>Wprowadź konkretną nazwę genu i wybierz odpowiadający mu gen z sufiksem gen/białko, człowiek w polu wyszukiwania w sekcji Eksploruj.</li>
	<li>Przejdź do sekcji Narkotyki i zidentyfikuj TCM powiązane z wyszukiwanymi narkotykami. 
	UWAGA: Leki istotne statystycznie oznaczono kolorem niebieskim.</li>
	<li>Określ pięć pierwszych TCM na podstawie ich wartości "istotności" jako terapeutycznych TCM.</li>
</ol>
13. Podsumowanie badań nad składnikami TCM w celowaniu w kluczowy gen
<ol>
	<li>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.</li>
	<li>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.</li>
	<li>Podsumuj i przeanalizuj zioła i odpowiadające im składniki działające na AD.</li>
</ol>
14. Potwierdzenie ukierunkowanej funkcji leczenia TCM w specyficzność płciową AD
<ol>
	<li>Zaimportuj zioła do TCMIP i przejdź do odpowiedniej strony opisu.</li>
	<li>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.</li>
	<li>Wizualizuj pobrane warunki wzbogacania dla każdego zioła za pomocą wykresów słupkowych.</li>
</ol>

Sex-Specific Glial Biomarkers in Alzheimer&#39;s Disease: A Transcriptome Analysis

<ol><li>Alzheimers Dement. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Alzheimer%27s+disease+facts+and+figures%5BTitle%5D)+AND+%22Alzheimers+Dement%22%5BJournal%5D)">Alzheimer's disease facts and figures.</a> Alzheimers Dement. 19 (4), 1598-1695 (2023).</li>
<li>Xie, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Electroacupuncture+improves+M2+microglia+polarization+and+glia+anti-inflammation+of+hippocampus+in+Alzheimer%27s+disease%5BTitle%5D)+AND+%22Front+Neurosci%22%5BJournal%5D)">Electroacupuncture improves M2 microglia polarization and glia anti-inflammation of hippocampus in Alzheimer's disease.</a> Front Neurosci. 15, 689629(2021).</li>
<li>Xie, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Inflammatory+factors+and+amyloid+beta-induced+microglial+polarization+promote+inflammatory+crosstalk+with+astrocytes%5BTitle%5D)+AND+%22Aging+%28Albany+NY%29%22%5BJournal%5D)">Inflammatory factors and amyloid beta-induced microglial polarization promote inflammatory crosstalk with astrocytes.</a> Aging (Albany NY). 12 (22), 22538-22549 (2020).</li>
<li>Hampel, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+amyloid-beta+pathway+in+Alzheimer%27s+disease%5BTitle%5D)+AND+%22Mol+Psychiatry%22%5BJournal%5D)">The amyloid-beta pathway in Alzheimer's disease.</a> Mol Psychiatry. 26 (10), 5481-5503 (2021).</li>
<li>Baik, S. H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+breakdown+in+metabolic+reprogramming+causes+microglia+dysfunction+in+Alzheimer%27s+disease%5BTitle%5D)+AND+%22Cell+Metab%22%5BJournal%5D)">A breakdown in metabolic reprogramming causes microglia dysfunction in Alzheimer's disease.</a> Cell Metab. 30 (3), 493-507 (2019).</li>
<li>Fisher, D. W., Bennett, D. A., Dong, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Sexual+dimorphism+in+predisposition+to+Alzheimer%27s+disease%5BTitle%5D)+AND+%22Neurobiol+Aging%22%5BJournal%5D)">Sexual dimorphism in predisposition to Alzheimer's disease.</a> Neurobiol Aging. 70, 308-324 (2018).</li>
<li>Pan, R. Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Positive+feedback+regulation+of+microglial+glucose+metabolism+by+histone+h4+lysine+12+lactylation+in+Alzheimer%27s+disease%5BTitle%5D)+AND+%22Cell+Metab%22%5BJournal%5D)">Positive feedback regulation of microglial glucose metabolism by histone h4 lysine 12 lactylation in Alzheimer's disease.</a> Cell Metab. 34 (4), 634-648 (2022).</li>
<li>Hansen, D. V., Hanson, J. E., Sheng, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Microglia+in+Alzheimer%27s+disease%5BTitle%5D)+AND+%22J+Cell+Biol%22%5BJournal%5D)">Microglia in Alzheimer's disease.</a> J Cell Biol. 217 (2), 459-472 (2018).</li>
<li>Brandebura, A. N., Paumier, A., Onur, T. S., Allen, N. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Astrocyte+contribution+to+dysfunction%2C+risk+and+progression+in+neurodegenerative+disorders%5BTitle%5D)+AND+%22Nat+Rev+Neurosci%22%5BJournal%5D)">Astrocyte contribution to dysfunction, risk and progression in neurodegenerative disorders.</a> Nat Rev Neurosci. 24 (1), 23-39 (2023).</li>
<li>Peng, L., Bestard-Lorigados, I., Song, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+synapse+as+a+treatment+avenue+for+Alzheimer%27s+disease%5BTitle%5D)+AND+%22Mol+Psychiatry%22%5BJournal%5D)">The synapse as a treatment avenue for Alzheimer's disease.</a> Mol Psychiatry. 27 (7), 2940-2949 (2022).</li>
<li>Tubi, M. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((White+matter+hyperintensities+and+their+relationship+to+cognition%3A+Effects+of+segmentation+algorithm%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">White matter hyperintensities and their relationship to cognition: Effects of segmentation algorithm.</a> Neuroimage. 206, 116327(2020).</li>
<li>Wu, H., Kirita, Y., Donnelly, E. L., Humphreys, B. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Advantages+of+single-nucleus+over+single-cell+RNA+sequencing+of+adult+kidney%3A+Rare+cell+types+and+novel+cell+states+revealed+in+fibrosis%5BTitle%5D)+AND+%22J+Am+Soc+Nephrol%22%5BJournal%5D)">Advantages of single-nucleus over single-cell RNA sequencing of adult kidney: Rare cell types and novel cell states revealed in fibrosis.</a> J Am Soc Nephrol. 30 (1), 23-32 (2019).</li>
<li>Soreq, L., Bird, H., Mohamed, W., Hardy, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Single-cell+RNA+sequencing+analysis+of+human+Alzheimer%27s+disease+brain+samples+reveals+neuronal+and+glial+specific+cells+differential+expression%5BTitle%5D)+AND+%22PLoS+One%22%5BJournal%5D)">Single-cell RNA sequencing analysis of human Alzheimer's disease brain samples reveals neuronal and glial specific cells differential expression.</a> PLoS One. 18 (2), e0277630(2023).</li>
<li>Sadick, J. S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Astrocytes+and+oligodendrocytes+undergo+subtype-specific+transcriptional+changes+in+Alzheimer%27s+disease%5BTitle%5D)+AND+%22Neuron%22%5BJournal%5D)">Astrocytes and oligodendrocytes undergo subtype-specific transcriptional changes in Alzheimer's disease.</a> Neuron. 110 (11), 1788-1805 (2022).</li>
<li>Chen, Y., Colonna, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Microglia+in+Alzheimer%27s+disease+at+single-cell+level.+Are+there+common+patterns+in+humans+and+mice%5BTitle%5D)+AND+%22J+Exp+Med%22%5BJournal%5D)">Microglia in Alzheimer's disease at single-cell level. Are there common patterns in humans and mice.</a> J Exp Med. 218 (9), e20202717(2021).</li>
<li>Brase, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Single-nucleus+RNA-sequencing+of+autosomal+dominant+Alzheimer+disease+and+risk+variant+carriers%5BTitle%5D)+AND+%22Nat+Commun%22%5BJournal%5D)">Single-nucleus RNA-sequencing of autosomal dominant Alzheimer disease and risk variant carriers.</a> Nat Commun. 14 (1), 2314(2023).</li>
<li>Ringner, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((What+is+principal+component+analysis%5BTitle%5D)+AND+%22Nat+Biotechnol%22%5BJournal%5D)">What is principal component analysis.</a> Nat Biotechnol. 26 (3), 303-304 (2008).</li>
<li>Korsunsky, I., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((sensitive+and+accurate+integration+of+single-cell+data+with+harmony%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">sensitive and accurate integration of single-cell data with harmony.</a> Nat Methods. 16 (12), 1289-1296 (2019).</li>
<li>Vegeto, E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+role+of+sex+and+sex+hormones+in+neurodegenerative+diseases%5BTitle%5D)+AND+%22Endocr+Rev%22%5BJournal%5D)">The role of sex and sex hormones in neurodegenerative diseases.</a> Endocr Rev. 41 (2), 273-319 (2020).</li>
<li>Hafemeister, C., Satija, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Normalization+and+variance+stabilization+of+single-cell+RNA-seq+data+using+regularized+negative+binomial+regression%5BTitle%5D)+AND+%22Genome+Biol%22%5BJournal%5D)">Normalization and variance stabilization of single-cell RNA-seq data using regularized negative binomial regression.</a> Genome Biol. 20 (1), 296(2019).</li>
</ol>

W niniejszym manuskrypcie nie występuje konflikt interesów, a wszyscy autorzy wyrazili zgodę na jego zgłoszenie do publikacji.

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.

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.

<table><tbody><tr><td>Database</td><td></td><td></td><td></td></tr><tr><td>Coremine Medical Baza danych</td><td>opracowana wspólnie przez Norwegię, Chińską Akademię Nauk, Chińską Akademię Nauk Medycznych, Narodową Bibliotekę Medyczną Stanów Zjednoczonych i inne instytucje</td><td></td><td>Podczas eksplorowania pojęć w CoreMine Medical uzyskujesz dostęp do bazy danych, która jest skonstruowana tak, aby powiązać ważne pojęcia, uszeregowane według trafności statystycznej, do twojego tematu. Na przykład, jeśli wpiszesz "choroba Alzheimera", oprócz pobierania dokumentów i zasobów omawiających chorobę będziesz mógł wyświetlać sieci i listy, które pokazują, w jaki sposób koncepcja kwerendy jest powiązana z innymi pojęciami biomedycznymi. Zawiera on przegląd pojęć związanych z wyszukiwaniem, a także jest interfejsem do nawigowania po informacjach na temat tych pojęć. Link internetowy: https://coremine.com/medical/</td></tr> <tr><td>Gene Expression Omnibus (GEO)</td><td>Narodowe Centrum Informacji Biotechnologicznej w Stanach Zjednoczonych (NCBI)</td><td></td><td>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/</td></tr> <tr><td>Integracyjna platforma badawcza Tradycyjnej Medycyny Chińskiej oparta na farmakologii (TCMIP, wersja: 2.0)</td><td>Brak</td><td></td><td>Wprowadzenie do zintegrowanej sieciowej platformy obliczeniowej opartej na farmakologii dla tradycyjnej medycyny chińskiej [TCMIP v2.0], http://www.tcmip.cn/ ) Jest to inteligentna eksploracja danych platforma oparta na internetowej bazie danych Encyklopedii Tradycyjnej Medycyny Chińskiej (ETCM), która integruje medyczne usługi zarządzania dużymi zbiorami danych i farmakologiczne usługi obliczeniowe. Ma na celu ujawnienie naukowych konotacji teorii tradycyjnej medycyny chińskiej oraz wartość naukową oryginalnego myślenia w tradycyjnej medycynie chińskiej, podsumowanie i przekazanie doświadczeń znanych lekarzy, kontrolę jakości tradycyjnej medycyny chińskiej, wyjaśnienie zasad działania tradycyjnej medycyny chińskiej, badania i rozwój nowej medycyny chińskiej, zwłaszcza odkrywanie i optymalizację nowoczesnych kombinacji leków, Zapewnij solidną podstawę danych i narzędzia analityczne. W oparciu o TCMIP v1.0 wdrażana jest kompleksowa aktualizacja, obejmująca pięć głównych baz danych i siedem modułów funkcjonalnych. Dzięki integracji systemów i modułów można szybko uzyskać kompleksową analizę wielopoziomowej korelacji sieci interakcji "recepty na zespół chorobowy". Jako inteligentna platforma eksploracji danych, TCMIP v2.0 zapewni solidną podstawę danych i platformę analityczną do ujawnienia naukowych konotacji teorii tradycyjnej medycyny chińskiej i wartości naukowej oryginalnego myślenia w tradycyjnej medycynie chińskiej, podsumowując i dziedzicząc doświadczenie znanych lekarzy, kontrolę jakości tradycyjnej medycyny chińskiej, wyjaśniając zasady działania tradycyjnej medycyny chińskiej, badania i rozwój nowych leków tradycyjnej medycyny chińskiej, w szczególności odkrywanie i optymalizacja nowoczesnych kombinacji leków. Weblink: http://www.tcmip.cn/TCMIP&nbsp;</td></tr><tr><td>NetworkAnalyst</td><td>Brak</td><td></td><td>Networkanalyze to internetowa platforma do analizy wizualizacji do analizy ekspresji genów i metaanalizy. Może wykonywać analizę porównawczą, ilościową, różnicową i wzbogacającą ekspresję genów, analizę interakcji białko-białko, analizę integracji wielu zestawów danych, a także może rysować obrazy o wysokiej wartości, takie jak PCA, diagram sieci interakcji białko-białko, mapa cieplna, diagram wulkanu, diagram Wayne'a itp. Weblink: Baza</td></tr> <tr><td>danych https://www.networkanalyst.ca/NetworkAnalyst/ PubMed</td><td>Narodowe Centrum Informacji Biotechnologicznej w Stanach Zjednoczonych (NCBI)</td><td></td><td>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:</td></tr> <tr><td>Oprogramowanie https://pubmed.ncbi.nlm.nih.gov/ R</td><td>Ross Ihaka i Robert Gentleman</td><td></td><td>R to język i środowisko do obliczeń statystycznych i grafiki. Jest to projekt GNU, który jest podobny do języka i środowiska S, które zostało opracowane w Bell Laboratories (dawniej AT& T, obecnie Lucent Technologies) autorstwa Johna Chambersa i współpracowników. R można uznać za inną implementację S. Istnieje kilka istotnych różnic , ale większość kodu napisanego dla S działa niezmieniona pod linkiem internetowym R. : https://www.r-project.org/</td></tr> <tr><td>Baza danych i platforma analizy farmakologii systemów tradycyjnej medycyny chińskiej (TCMSP)</td><td>Zhejiang Jiuwei Health Co., Ltd</td><td></td><td>TCMSP to nie tylko repozytorium danych, ale także platforma analityczna dla użytkowników do kompleksowego studiowania Tradycyjnej Medycyny Chińskiej (TCM): w tym identyfikacja składników aktywnych, badania przesiewowe celów leków i generowanie sieci związki-cele-choroby, jak również szczegółowe informacje farmakokinetyczne dotyczące podobieństwa do leku (DL), biodostępności po podaniu doustnym (OB), bariery krew-mózg (BBB), przepuszczalności nabłonka jelitowego (Caco-2), ALogP, frakcjonalnej powierzchni ujemnej (FASA-) i liczby &nbsp; Obligacje H&nbsp; Dawca/Akceptant &nbsp; (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</td></tr></tbody></table>

identyfikacja biomarkerów swoistości płciowej choroby alzheimera na podstawie profili transkryptomu glejowego

Biomarker Identification for Gender Specificity of Alzheimer's Disease Based on the Glial Transcriptome Profiles

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.

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.

Identyfikacja biomarkerów swoistości płciowej choroby Alzheimera na podstawie profili transkryptomu glejowego

Many sex-specific biomarkers have been recently revealed in Alzheimer&#39;s disease (AD); however, cerebral glial cells were rarely reported. This study ...

Nasze badania mają na celu zidentyfikowanie genów specyficznych dla płci w komórkach glejowych, zbadanie powiązanych szlaków i ocenę potencjalnych skutków terapeutycznych TCM na chorobę Alzheimera. Niniejszy protokół analizuje dużą liczbę transkryptomów pojedynczych jąder z bazy danych GEO za pomocą analizy bioinformatycznej. Nasz protokół oferuje korzyści, w tym rozdzielczość pojedynczych komórek, identyfikację CTAP w celu odkrycia biomarkerów oraz porównanie wzrostu u różnych płci.Nasze laboratorium będzie koncentrować się na dziedzinie neuronauki, z parametrem skoncentrowanym na wykorzystaniu akupunktury do poprawy leczenia zaburzeń neurologicznych. Aby rozpocząć, pobierz pliki danych choroby Alzheimera w celu scalenia próbek i skonfiguruj ścieżki danych, a także nazwy przykładów. Zaimportuj pobrane próbki i przypisz im nazwy specyficzne dla płci pod nazwami funkcji.Korzystając z listy funkcji w Read10X, wygeneruj obiekty Seurat dla wszystkich próbek w sposób przetwarzania wsadowego i określ parametry minimalnej liczby komórek do trzech i minimalnej liczby cech do 200. Za pomocą funkcji RenameCells można dodawać identyfikatory próbek jako prefiksy do kodów kreskowych komórek, aby zachować je podczas procesu scalania. W celu kontroli jakości, wykorzystując funkcję PercentageFeatureSet, oblicz proporcje mitochondrialnych erytrocytów i genów rybosomów dla każdej komórki.Przechowuj te obliczone współczynniki w metadanych przy użyciu operatora podwójnych nawiasów kwadratowych, aby dołączyć te informacje bezpośrednio do metadanych każdej komórki. Wykorzystując funkcję podzbioru, przeprowadź filtrację komórkową z odpowiednimi parametrami dla RNA, mitochondriów, rybosomów i erytrocytów. Znormalizuj dane za pomocą funkcji NormalizeData.Za pomocą funkcji FindVariableFeatures zidentyfikuj 2000 najważniejszych funkcji zmiennych w zestawie danych. Użyj RunPCA, aby przeprowadzić analizę głównych komponentów danych, zachowując 50 głównych składników. Korzystając z funkcji ElbowPlot, wygeneruj wykres kolanka, aby określić optymalną liczbę wymiarów do późniejszej analizy.Biorąc pod uwagę pierwsze 50 wymiarów, wybierz dane skali, aby przenieść wszystkie elementy w porównywalną skalę. Za pomocą funkcji FindNeighbors można zidentyfikować najbliższych sąsiadów na podstawie 30 wymiarów i algorytmu RunUMAP w celu zmniejszenia wymiarowości danych do 30 wymiarów. Wybierz funkcję DimPlot, aby zwizualizować przetworzone dane z parametrem redukcji ustawionym na UMAP i grupą.Według parametru ustawionego na oryginalną tożsamość. Korzystając z funkcji SCTransform, znormalizuj i ustandaryzuj dane oraz zastosuj algorytm harmonii do integracji pozostałych danych pojedynczych jąder. Wybierz test SCT do integracji i ustaw maksymalną liczbę iteracji harmonii na 20.Następnie uruchom funkcję FindClusters i ustaw parametr resolution na 0,07, aby zidentyfikować odrębne klastry w danych, jednocześnie wykorzystując funkcję RunUMAP w celu dalszego zmniejszenia wymiarowości danych i wizualizacji klastrów w przestrzeni o niższym wymiarze. W przypadku adnotacji typu komórki zidentyfikuj niejednorodność klastra komórkowego i sklasyfikuj typ każdej komórki klastra przy użyciu jawnie wyrażonych genów markerowych. Prezentuj różne typy komórek za pomocą wizualizacji UMAP za pomocą pakietu ggplot 2, w którym różne typy komórek są wyróżnione różnymi kodami kolorów.Na koniec oblicz proporcje każdego typu komórki z podziałem na płeć. Korzystając z tej metody, określono proporcje dla każdego typu komórek z podziałem na płeć w danych dotyczących 17 mężczyzn i 17 kobiet pacjentów z chorobą Alzheimera. Średnie ekspresje znanych markerów typu komórki dla każdego typu komórki glejowej zostały rzutowane na wykresy UMAP w celu identyfikacji populacji komórek.

biomarker-identification-for-gender-specificity-alzheimer-s-disease

Research

JoVE Journal

Neuroscience

Neuronauka

Opisujemy technikę przygotowania klarownych homogenatów kory mózgu człowieka, rozdziału białek metodą SDS-PAGE, odsłaniania antygenów oraz immunoblottingu z użyciem przeciwciała przeciwko peptydowi Aβ. Stosując ten protokół, konsekwentnie wykrywamy monomeryczne i multimeryczne Aβ w tkance korowej pobranej od ludzi z patologią choroby Alzheimera.

Detekcja multimerów A&beta; w homogenatach tkanki kory mózgowej człowieka za pomocą SDS-PAGE/immunoblottingu z zastosowaniem odzyskiwania epitopu antygenu

Powszechny protokół ekstrakcji białek przy użyciu buforu mocznikowego/tiomocznikowego/SDS dla tkanki mózgowej ludzi i myszy umożliwia identyfikację białek za pomocą 2D-DIGE i ich późniejszą charakterystykę za pomocą mini immunoblottingu 2DE. Metoda ta umożliwia uzyskanie bardziej powtarzalnych i wiarygodnych wyników z biopsji człowieka i modeli eksperymentalnych.

Konsensus białka pochodzenia mózgowego, protokół ekstrakcji do badania ludzkiego i mysiego proteomu mózgu przy użyciu immunoblottingu zarówno 2D-DIGE, jak i Mini 2DE

Opisujemy wysokoprzepustowy, multipleksowy i celowany test proteomicznego płynu mózgowo-rdzeniowego (CSF), opracowany z potencjałem do klinicznego tłumaczenia. Test może określić ilościowo potencjalne markery i czynniki ryzyka neurodegeneracji, takie jak warianty apolipoproteiny E (E2, E3 i E4), oraz zmierzyć ich ekspresję alleli.

Wysokoprzepustowy, multipleksowany i ukierunkowany test proteomiczny, płyn mózgowo-rdzeniowy do ilościowego określania biomarkerów neurodegeneracyjnych i statusu izoform apolipoproteiny E

Opracowaliśmy metodologię ilościowego modelowania 3D in silico (q3DISM) amyloid-β (Aβ) fagocytoza przez jednojądrzaste fagocyty w modelach gryzoni choroby Alzheimera. Metodę tę można uogólnić w celu ilościowego określenia praktycznie każdego zdarzenia fagocytarnego in vivo.

Ilościowe modelowanie 3D in silico (q3DISM) mózgowej fagocytozy beta-amyloidowej w modelach gryzoni choroby Alzheimera

Tutaj opisujemy konfigurację, nawigację po oprogramowaniu i analizę danych dla przestrzennie i czasowo precyzyjnej metody pomiaru tonicznych i fazowych zmian zewnątrzkomórkowego glutaminianu in vivo za pomocą układów mikroelektrod połączonych enzymami (MEA).

Wykorzystanie bioczujników opartych na enzymach do pomiaru toniku i glutaminianu fazowego w mysich modelach choroby Alzheimera

Ten protokół opisuje metodę śledzenia indywidualnych trajektorii starzenia się mózgu poprzez program dawstwa mózgu i właściwą charakterystykę mózgów. Dawcy mózgu biorą udział w długoterminowym badaniu podłużnym, w tym w seryjnych ocenach wielowymiarowych. Protokół zawiera szczegółowy opis przetwarzania przez mózg i dokładną metodologię diagnostyczną.

Protokół Abbiategrasso Brain Bank do gromadzenia, przetwarzania i charakteryzowania starzejących się mózgów

Dostarczamy protokół izolacji mikrogleju z różnych wypreparowanych obszarów półkuli mózgu dorosłej myszy, a następnie półautomatyczne przygotowanie biblioteki do głębokiego sekwencjonowania RNA pojedynczej komórki transkryptomów pełnej długości. Metoda ta pomoże wyjaśnić funkcjonalną heterogeniczność mikrogleju w zdrowiu i chorobie.

Izolacja specyficznego dla regionu mikrogleju z jednej dorosłej półkuli mózgu myszy w celu głębokiego sekwencjonowania RNA pojedynczej komórki

Przedstawiamy protokół do identyfikacji funkcjonalnych implikacji wariantów niekodujących zidentyfikowanych przez badania asocjacyjne całego genomu (GWAS) przy użyciu trójwymiarowych interakcji chromatyny.

Mapowanie wariantów choroby Alzheimera do ich docelowych genów przy użyciu obliczeniowej analizy konfiguracji chromatyny

DeepOmicsAE to przepływ pracy skoncentrowany na zastosowaniu metody głębokiego uczenia (tj. autoenkodera) w celu zmniejszenia wymiarowości danych multi-omicznych, zapewniając podstawę dla modeli predykcyjnych i modułów sygnalizacyjnych reprezentujących wiele warstw danych omicznych.

DeepOmicsAE: Reprezentowanie modułów sygnalizacyjnych w chorobie Alzheimera z analizą proteomiki, metabolomiki i danych klinicznych za pomocą głębokiego uczenia

Tutaj opisujemy układ drożdżowy rekonstytuujący ludzką γ-sekretazę. System ten umożliwia identyfikację i badanie mutacji wpływających na aktywność oraz badanie inhibitorów γ-sekretazy (GSI). Wykorzystując właściwości utraty funkcji u rodzinnych mutantów choroby Alzheimera, możliwe jest badanie przesiewowe pod kątem modulatorów γ-sekretazy (GSM).

Saccharomyces cerevisiae Modele choroby Alzheimera do badania genów, mutacji i substancji chemicznych wpływających na produkcję amyloidu beta przez γ-sekretazę

Odkryj analizę transkryptomów pojedynczych jąder z bazy GEO w celu identyfikacji płciowych genów różnicujących w komórkach glejowych w chorobie Alzheimera. Metoda bioinformatyczna ujawnia ścieżki molekularne i potencjalne cele terapeutyczne.

Identyfikacja biomarkerów swoistości płciowej choroby Alzheimera na podstawie profili transkryptomu glejowego

Przeglądaj więcej filmów