Повторный анализ публичных транскриптомов выявил общие иммунные сигнатуры между большим депрессивным расстройством и дерматомиозитом в контексте отдельных клеток

Краткое содержание

Целью данного исследования было использование интегративного биоинформатического реанализа публичных наборов данных GEO в сочетании с одноклеточной контекстуализацией для выявления кандидатов-общих генов между крупным депрессивным расстройством и дерматомиозитомитом их распределение их распределения по иммунным подмножествам в одноклеточном наборе данных, связанных с дерматомиозитом.

Аннотация

Целью этого исследования было выявление кандидатов на общие транскриптомические сигналы между большим депрессивным расстройством и дерматомиозитом посредством интегративного биоинформатического реанализа публичных наборов данных GEO с контекстуализацией отдельных клеток. Аналитический рабочий процесс включал анализ сетей взвешенной коэкспрессии генов (WGCNA) для идентификации ключевых модулей, анализ обогащения Gene Ontology (GO) и Kyoto Encyclopedia of Genes and Genomes (KEGG) для функциональной характеристики, сетевой анализ на базе GeneMANIA и платформы визуализации сети для приоритизации кандидатов по генам, а также оценку 113 моделей машинного обучения в сочетании с SHapley Additive exPlanations (SHAP) для выбора диагностических признаков. Впоследствии были проведены анализ обогащения наборов генов (GSEA), анализ иммунной инфильтрации и контекстуализация на основе секвенции РНК для дальнейшей характеристики иммунно-связанного клеточного контекста выявленных сигналов. Интеграция наборов GEO, связанных с дерматомиозитомитом, выявила 570 дифференцированно экспрессируемых генов, из которых 33 кандидата были получены с помощью WGCNA. Функциональное обогащение и сетевые анализы выявили иммунную защиту, цитотоксичность и пути, включая PPAR, IL-17 и обработку антигенов, при этом ELANE, PPBP и CTSG стали тесно связанными узлами. Приоритизация признаков на основе машинного обучения сохранила 8 генов-кандидатов, выбранных моделью: KIF4A, OLR1, KIR2DL4, KRT23, KIR3DS1, AZU1, SCG5 и LRRC37E. Анализ иммунной инфильтрации связывал эти общие гены с регуляторными Т-клетками (Treg), отдыхающими тучными клетками, дендритными клетками в покое, а также с классически активированными (M1) и альтернативно активированными (M2) макрофагами. Контекстуализация РНК-секвенции отдельных клеток также показала, что подмножества CD8⁺ Т-клеток с разными состояниями балла кандидат-генов демонстрируют различные межклеточные паттерны коммуникации. Среди них оси MIF–(CD74+CD44) и сигналы от наивных/центральных Т-клеток памяти были заметными, требующими дополнительной проверки. В целом, это исследование выявило общие транскриптомические сигналы кандидатов между большим депрессивным расстройством и дерматомиозитом и выделило иммунно-связанные клеточные контексты, заслуживающие дальнейшей проверки в истинных коморбидных когортах.

Введение

Дерматомиозит — хроническое системное аутоиммунное заболевание, характеризующееся воспалительным поражением кожи и скелетных мышц, клинически проявляющимся симметричной слабостью проксимальных мышц и характерными кожными поражениями, а в тяжёлых случаях — дисфункцией многих^{органов 1}. Накопление клинических данных показывает, что пациенты с дерматомиозитом часто сталкиваются с психическими сопутствующими заболеваниями, наиболее заметными — тяжелым ^{депрессивным расстройством 2,3,4}. Патогенез большого депрессивного расстройства, связанного с дерматомиозитомитом, является многофакторным и возникает в результате сложного взаимодействия между психосоциальным дискомфортом, нейроэндокринной дисрегуляцией и системным иммуновоспалением. Постоянная боль, усталость и прогрессирующая мышечная слабость могут существенно ухудшать физическую функцию и качество жизни. Эти нагрузки могут привести к нарушению социальной роли, хроническому психологическому стрессу и снижению^{автономии 5}. Кроме того, длительное воздействие глюкокортикоидов может нарушать ось гипоталамо-гипофиз-надпочечник (HPA) и снижать пластичность гиппокампа, тем самым увеличивая уязвимость к проявлениям, связанным с^{депрессией 6}. Кроме того, устойчивая иммунная активация и системное воспаление при дерматомиозите всё чаще признаются потенциальными факторами симптомов, связанных с^{депрессией 7}. Эти периферические медиаторы могут влиять на центральную нервную систему, модулируя метаболизм нейромедиаторов и нейропластичность, тем самым связывая системный аутоиммунитет с нейропсихиатрическими^{проявлениями} 7,8,9,10.

Важно, что это обоснование не означает, что одно из заболеваний является биологически однородным. Дерматомиозит включает клинически и серологически различительные подгруппы, включая фенотипы, ассоциированные с анти-MDA5 и анти-TIF1-γ, с разными воспалительными и клиническими профилями 11,12,13. Большое депрессивное расстройство также всё чаще признаётся гетерогенным заболеванием, и современные данные подтверждают существование иммунно-воспалительного подтипа, а не единого универсального воспалительного^{сигнала 14,15}. Соответственно, данное исследование не было разработано с целью предполагать единую молекулярную программу, подходящую для всех, а для выявления перекрывающихся иммунно-ассоциированных транскриптомических сигналов, которые можно было обнаружить на уровне когорт в независимых публичных наборах данных.

Помимо психосоциального стресса и воздействия лечения, более биологически проверяемой связью между тяжёлым депрессивным расстройством и дерматомиозитом является общая иммунновоспалительная дисрегуляция. Большое депрессивное расстройство — это гетерогенное состояние, и не следует предполагать, что оно имеет единый универсальный транскриптомический профиль. Однако сходящиеся данные подтверждают наличие подтипа большого депрессивного расстройства, связанного с воспалением, и периферические транскриптомические исследования выявили дисрегуляцию врожденных иммунных, нейрофилов, интерферонов и комплементарных путей у подгрупп^{поражённых людей} 14,16,17. Параллельно стресс-сигнализация, связанная с MAPK, также участвует в депрессивных^{фенотипах 18}. Дерматомиозит, напротив, является хорошо известным аутоиммунным заболеванием, вызванным интерфероном, и транскриптомические исследования в крови и поражённых тканях постоянно показывают активацию интерферона типа I и более широкие иммунновоспалительные программы; недавние мультиомические анализы дополнительно подчеркнули активность путей, связанную с ERK и p38 MAPK, при дерматомиозите 19,20,21. В совокупности эти результаты дают биологически правдоподобное обоснование для изучения, может ли подмножество иммунно-ассоциированных транскриптомических сигналов пересекаться между тяжёлым депрессивным расстройством и дерматомиозитом в независимых публичных наборах данных.

Несмотря на эти наблюдения, молекулярная основа, лежащая в основе пересечения между тяжёлым депрессивным расстройством и дерматомиозитом, остаётся недостаточно изученной. Важно отметить, что доступные в настоящее время публичные наборы данных не дают полноценной когорты пациентов, одновременно диагностированных с тяжелым депрессивным расстройством и дерматомиозитом. Поэтому, вместо прямого анализа депрессии у пациентов с дерматомиозитом, данное исследование было направлено на выявление кандидатов, общих транскриптомических сигналов в отдельных публичных наборах данных о большом депрессивном расстройстве и дерматомиозите с помощью интегративной биоинформатической реанализной^{рамки 22}. В частности, были проанализированы публично доступные транскриптомические наборы данных с использованием анализа дифференциальной экспрессии, взвешенного анализа коэкспрессии генов (WGCNA), анализа функционального обогащения, сетевого анализа и приоритизации признаков на основе машинного обучения для выявления генов-кандидатов и путей кросс-заболевания²³. Кроме того, был проанализирован набор одноклеточных данных, связанных с дерматомиозитом, для контекстуализации этих кандидатских генов на уровне иммунных клеток. Как показано на рисунке 1, общий аналитический рабочий процесс суммируется в пошаговой блок-схеме. Вместо того чтобы устанавливать окончательный механизм сопутствующей формы, это исследование было направлено на создание гипотеза-ориентированной структуры для выявления кандидатов на общие молекулярные сигналы между большим депрессивным расстройством и дерматомиозитомитом.

Соответственно, в этом исследовании была использована поэтапная система приоритизации. Модули коэкспрессии, связанные с болезнью, впервые были выделены отдельно в наборах данных по большому депрессивному расстройству и дерматомиозиту, и их пересечение использовалось для определения кандидатов, общих сигналов между заболеваниями. Эти кандидаты затем были функционально контекстуализованы с помощью анализа сетей на основе обогащения и GeneMANIA, приоритизированы в рамках классификации, ориентированной на дерматомиозит, с использованием методов машинного обучения, и в конечном итоге изучены в одноклеточном наборе данных, связанном с дерматомиозитомитомитом, для обеспечения клеточного контекста.

Рисунок 1: Блок-схема процесса сбора и анализа данных. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

Для изучения молекулярного перекрытия между заболеваниями использовалось несколько альтернативных подходов. Простое пересечение списков дифференциально экспрессированных генов (DEG) вычислительно просто, но не содержит модульной контекстной информации, предоставляемой коэкспрессионным анализом, и чувствительно к произвольным порогам изменения сверстки и P-значения. Традиционные мета-аналитические пулы влияют на размеры в исследованиях одного и того же заболевания, но не предназначены для выявления общих сигналов по двум разным состояниям. Текущий рабочий процесс интегрирует несколько дополняющих аналитических уровней — перекрытие модулей коэкспрессии, функциональное обогащение, анализ сетей, приоритизация признаков на основе машинного обучения, иммунная деконволюция и контекстуализация отдельных клеток — каждый из которых служит определённой цели в рамках последовательного приоритизирования. Такой многоуровневый дизайн помогает поэтапно сократить количество кандидатов в гены и обеспечивает перекрёстную валидацию биологического контекста на нескольких уровнях. Протокол применим к любой паре заболеваний, для которых существуют общедоступные массовые транскриптомические и, по желанию, наборы данных для отдельных клеток, особенно когда настоящие коморбидные когорты недоступны. Однако рабочий процесс является наблюдательным и не включает формальные структуры причинно-следственных выводов; Все результаты должны интерпретироваться как генерирующие гипотезу и требовать независимой экспериментальной проверки.

В целом, аналитический рабочий процесс был разработан как последовательная стратегия приоритизации, а не как прямая причинно-следственная структура. Каждый этап имел определённую функцию: перекрытие модулей на основе WGCNA для идентификации кандидатов по совместному сигналу, анализ обогащения/сети для биологической контекстуализации, машинное обучение для приоритизации признаков в классификации, связанной с дерматомиозитом, и анализ отдельных клеток для контекстуализации на уровне типов клеток.

Протокол

В этом исследовании использовались только общедоступные, деидентифицированные наборы данных из базы данных Gene Expression Omnibus (GEO). Поскольку работа включала вторичный анализ существующих публичных данных и не включала прямой контакт участников, вмешательство или доступ к идентифицируемой личной информации, дополнительное одобрение этического комитета и информированное согласие не требовались.

Источники данных и предварительная обработка

Вся экспрессия генов и одноклеточный набор данных были получены из базы данных^{GEO 24}. Для большого депрессивного расстройства использовался набор данных GSE98793, включающий образцы периферической крови 128 пациентов и 64 здоровых контрольных групп. Для дерматомиозита наборы данных отбирались на основе заранее определённых критериев, включая профилирование экспрессии Homo sapiens, чётко определяемые группы заболеваний и контрольных групп, доступную аннотацию платформы для картирования зонда в ген, а также пригодность для анализа обнаружения или валидации. Когда в серии GEO было несколько подтипов воспалительной миопатии, для настоящего исследования были извлечены только дерматомиозит и нормальные контрольные образцы. GSE1551, GSE46239 и GSE128470 использовались в качестве наборов данных для обнаружения и обучения, тогда как GSE5370, GSE39454 и GSE11971 — как независимые наборы валидации. Анализированные в этом исследовании данные дерматомиозита были получены преимущественно из поражённых мышц или кожных тканей, а не из периферической крови. Одноклеточные данные по дерматомиозиту были получены из набора данных GSE190510.

Исходные матрицы выражения скачивались из базы данных GEO вместе с соответствующими файлами аннотации платформы. Идентификаторы зонда были сопоставлены с официальными символами генов согласно аннотации GPL, предоставленной производителем. Зонды, которые нельзя было однозначно сопоставить с одним официальным символом гена, были удалены. Когда несколько зондов отображались в один ген, они схлопывались на уровне гена с использованием среднего значения экспрессии, реализованного функцией 'avereps' в лимма-пакете, создавая таким образом матрицу экспрессии по образцу.

Для снижения смещения, зависящего от интенсивности, и стабилизации дисперсии, при необходимости применялось преобразование log2 в зависимости от распределения значений выражения. Нормализация между массивами затем выполнялась с помощью функции 'normalizeBetweenArrays' в лимма-пакете. Отсутствующие значения, при наличии, вставлялись с помощью импутации ближайших соседей K. Для интегрированных наборов данных по обучению дерматомиозиту пакетная коррекция выполнялась с использованием функции 'ComBat' в пакете sva, при этом набор данных/происхождение платформы рассматривалось как пакетная переменная и группа выборки (дерматомиозит против здорового контроля), включённые в матрицу проектирования для сохранения интересующих биологических вариаций при пакетной корректировке.

Все анализы проводились в R с использованием интегрированной среды разработки для R на настольной операционной системе. Пакет лиммы использовался для суммирования и нормализации зондов. Пакет sva использовался для пакетной коррекции в ComBat. Недостающие значения были введены с помощью импутации ближайших соседей K, при этом k = 10.

Взвешенный анализ коэкспрессии генов

Взвешенный анализ коэкспрессии генов (WGCNA) был проведён отдельно для наборов данных по большому депрессивному расстройству и дерматомиозиту с использованием пакета WGCNA^{R 25,26}. Выборки были иерархически кластеризованы с помощью flashClust для выявления выбросов; Были исключены образцы, превышающие высоту дендрограммы 100, и гены из нижних 25% дисперсии. Для каждой сети с помощью pickSoftThreshold выбиралась степень мягкого порога (β) для достижения приблизительной топологии без масштаба (R² > 0,8). Матрица смежности была преобразована в топологическую матрицу перекрытия (TOM), а модули идентифицировались с помощью динамического вырезания дерева с минимальным размером модуля 60 и высотой слияния 0,25²⁷. Пакет WGCNA R использовался вместе с flashClust для иерархической кластеризации. Случайное семя было установлено в 12345 для воспроизводимости. Собственные генгены модулей коррелировали со статусом болезни с помощью корреляции Пирсона, при этом P-значения корректировались методом Бенджамини–Хохберга. Для каждого заболевания в качестве ключевого модуля, показывающего наиболее сильную и значимую связь со статусом болезни, сохранялся в качестве ключевого модуля. Пересечение ключевых модулей генов из основного набора данных по депрессивным расстройствам и генами из набора дерматомиозита было определено как кандидат-общий набор генов для дальнейших анализов. Дифференциальный анализ экспрессии интегрированной когорты дерматомиозита был проведён отдельно для характеристики транскрипционных изменений, связанных с дерматомиозитом.

Анализ функционального обогащения

Анализ обогащения генной онтологии (GO) проводился с использованием R. Символы генов были преобразованы в идентификаторы Entrez с помощью org. Hs.eg.db и значительно обогащённые термины GO (p < 0,05) были выявлены с помощью enrichGO в clusterProfiler. Для многомерной визуализации результатов с помощью пакета enrichplot создавались барообразные и пузырьковые графики, а круговой график был построен с помощью пакета circlize для отображения категорий GO, количества генов и коэффициентов обогащения. Легенды были добавлены с пакетом ComplexHeatmap. Анализ обогащения путей дифференциально экспрессированных генов в Киотской энциклопедии генов и геномов (KEGG) также проводился в R. Символы генов были конвертированы в идентификаторы Entrez на основе организации. Hs.eg.db базе данных и значительно обогащённые пути (FDR < 0.05) были идентифицированы с помощью функции enrichKEGG из пакета^{clusterProfiler} 28,29,30,31. Результаты обогащения визуализировались с помощью графиков баров и пузырьков.

Анализ функциональных ассоциаций на основе GeneMANIA

На основе ранее выявленных общих генов была построена функциональная ассоциация на базе GeneMANIA для изучения контекста взаимодействия между этими генами и их родственными партнёрами. Список генов был отправлен в GeneMANIA с использованием Homo sapiens в качестве эталонного вида. GeneMANIA интегрирует несколько типов доказательств, включая коэкспрессию, физические взаимодействия, пути, ко-локализацию, генетические взаимодействия и общие белковые домены. Получившаяся сеть экспортировалась и импортировалась в платформу визуализации сети для визуализации и анализа. Затем был проведён топологический анализ сети на платформе визуализации сети для визуализации и анализа с целью выявления высокосвязанных кандидатов-узлов^{32, 33, 34}.

Построение диагностической модели на основе машинного обучения

Для диагностической классификации использовались несколько алгоритмов машинного обучения, включая Random Forest (RF), Support Vector Machine (SVM), Linear Discriminant Analysis (LDA), Naive Bayes, Gradient Boosting Machine (GBM), XGBoost, glmBoost, Elastic Net (Enet), Ridge, Least Absolute Rinkage and Selection Operator (LASSO), Stepwise Generalized Linear Model (Stepglm) и Partial Least Squares Regression Generalized Linear Model (plsRglm)³⁵. Для генерации 113 кандидатных комбинаций моделей была применена двухэтапная модельная структура. На первом этапе начальный алгоритм использовался для скрининга переменных в обучающей когорте; На втором этапе сохранённые переменные использовались для соответствия диагностической модели классификации. Модели с ≤5 выбранными переменными были исключены из дальнейшего сравнения. Объединённые наборы данных по дерматомиозиту служили когортой для обучения, с метками, определяемыми как дерматомиозит и здоровые контрольные группы, тогда как независимые валидационные когорты использовались для внешней оценки эффективности. Внутреннее пересэмплирование и настройка были специфичны для алгоритма: модели на основе glmnet (LASSO, Ridge и Elastic Net) использовали 10-кратную кросс-валидацию для выбора lambda.min; GBM использовал 10-кратную внутреннюю кросс-валидацию для определения оптимального количества деревьев; XGBoost использовал пятикратное передискретирование для выбора финального ускоряющего раунда с минимальными лог-потерями в тесте; glmBoost использовал внутреннюю кросс-валидацию на основе cvrisk для определения остановки итерации; а LDA был включён в рамки перекрёстной валидации Caret. Для алгоритмов без явных шагов настройки в данной реализации использовались фиксированные или стандартные настройки пакета. Для снижения утечки информации выбор признаков, подгонка модели и внутренняя настройка выполнялись только с использованием учебной когорты, тогда как валидационные когорты использовались исключительно для независимого прогнозирования и оценки эффективности на основе AUC. Пакет caret использовался для управления рабочими процессами машинного обучения, с glmnet, randomForest, e1071, gbm, xgboost, mboost, plsRglm и MASS для отдельных алгоритмов. Анализ SHAP проводился с использованием пакета shapviz . Случайный сид устанавливался на 12345 перед каждой посадкой модели. Модели с менее чем 5 выбранными функциями были исключены. Интерпретируемость моделей и вклад на уровне генов дополнительно оценивались с помощью SHapley Additive exPlanations (SHAP), а наиболее информативные гены были приоритизированы как кандидаты, выбранные моделью для биологической интерпретации.

Оценка диагностической эффективности

Кривые операционных характеристик приёмника (ROC) были сгенерированы с помощью пакета R "pROC" для оценки диагностической эффективности кандидатов на биомаркеры. Уровни экспрессии и предсказательная точность кандидат-маркеров были подтверждены в независимых наборах данных (GSE5370, GSE11971 и GSE39454). Производительность модели дополнительно оценивалась с помощью матриц путаницы. Дифференциальная экспрессия ключевых модульных генов визуализировала с помощью вулканических и бокс-графиков, а также были построены ROC-кривые для оценки диагностической ценности отдельных генов.

Анализ обогащения множеств генов

Для изучения координированных функциональных изменений, связанных с общими транскриптомными сигналами кандидата, был проведён анализ обогащения множества генов (GSEA) с использованием clusterProfiler^36,37. Данные экспрессии генов из дерматомиозита и контрольных образцов ранжировались по дифференциальной экспрессии. Заранее определённые наборы генов, соответствующие путям KEGG (c2.cp.kegg.Hs.symbols.gmt), использовались для оценки того, проявляют ли гены в каждом пути скоординированную тенденцию к повышению или снижению. Статистическая значимость была определена как P < 0,05.

Анализ инфильтрации иммунных клеток

Для иммунной деконволюции использовалась нормализованная, лог2-трансформированная и пакетно корректированная матрица дерматомиозита. Алгоритм CIBERSORT был применён для оценки относительной численности подтипов иммунных клеток с использованием референсной матрицы^{LM22 38}. Образцы с деконволюцией P < 0,05 были сохранены для дальнейшего анализа. Различия в предполагаемых пропорциях иммунных клеток между группами визуализировались с помощью коробочных графиков, а также был проведён анализ корреляции Спирмана для оценки ассоциаций между подмножествами иммунных клеток и кандидатами с общими генами.

Анализ секвенирования РНК для клеточного контекстуализации

Анализы РНК-секвенции отдельных клеток проводились в R с использованием Seurat. Harmony использовался для пакетной коррекции, DoubletFinder — для обнаружения дублетов, celda/decontX — для оценки окружающей РНК, Monocle — для анализа траектории псевдовремени, CellChat — для анализа коммуникации между клетками, AUCell — для оценки активности генетических наборов, а GSVA — для оценки ssGSEA. Исходные матрицы счёта импортировались в объекты Seurat с параметрами min.cells = 5 и min.features = 300. Для каждой клетки были рассчитаны показатели контроля качества, включая пропорции генов митохондриальной, рибосомной и гемоглобина. Клетки сохранялись только при условии, что они соответствовали всем следующим критериям: nFeature_RNA > 500, nCount_RNA < 5 000, percent_mito < 25, percent_ribo > 3 и percent_hb < 1. Гены, обнаруженные менее чем в 3 клетках, были исключены. Кроме того, гены MALAT1 и митохондрий были удалены перед следующим анализом. После начальной фильтрации дублеты были выявлены в каждой выборке с помощью DoubletFinder: PC = 1:30, pN = 0,25; Ожидаемые частоты дублетов устанавливались в зависимости от количества клеток, специфичных для выборки (<4 000 клеток: 2,5%; 4 000–8 000 клеток: 5%; >8 000 клеток: 6,5%). Остались только синглеты. Дополнительное оценение загрязнения окружающей среды РНК было дополнительно оценено с помощью decontX, и клетки с баллами загрязнения < 0,2 сохранялись.

Отфильтрованные данные нормализовались с помощью метода LogNormalize с коэффициентом масштабирования 10 000, после чего следовали идентификация переменных генов, масштабирование данных и анализ основных компонентов. Пакетные эффекты между выборками корректировались с помощью Harmony с orig.ident в качестве пакетной переменной. Первые 15 измерений Harmony использовались для визуализации UMAP и построения графов соседей. Кластеризация проводилась с помощью FindNeighbors и FindClusters, а итоговый результат кластеризации был определён с разрешением 0,05. Типы клеток были аннотированы вручную согласно каноническим маркерным генам вместе с результатами^{FindAllMarkers 39}.

Для дальнейшей функциональной контекстуализации активность кандидат-генов оценивалась на уровне одной клетки, а соответствующая подгруппа иммунных клеток подвергалась анализу траектории и межклеточной коммуникации. Анализ псевдовремени проводился с использованием Monocle с уменьшением размерности на основе DDRTree и последующим порядком ячеек. Анализ коммуникации между клетками проводился с помощью CellChat с базой данных человеческих лиганд-рецепторов, ограниченной категорией секретируемых сигналов, а коммуникации с участием менее 10 клеток фильтровались.

Для каждой клетки активность кандидат-генов количественно оценивалась с помощью трёх комплементарных подходов: AUCell, ssGSEA и AddModuleScore. Баллы AUCell рассчитывались на основе матриц ранжирования генов, а баллы ssGSEA — с использованием фреймворка GSVA. AddModuleScore вычислялся с помощью встроенной функции Seurat. Полученные значения AUCell, ssGSEA и AddModuleScore затем объединялись в одну матрицу оценок. Каждый тип баллов сначала стандартизировался с помощью Z-баллового преобразования, а затем перемасштабирован до диапазона 0–1 с помощью нормализации min–max. Итоговый составный балл («Scoring») для каждой ячейки определялся как сумма трёх нормализованных оценок:

Оценка = нормализованный AUCell + нормализованный ssGSEA + нормализованный AddModuleScore.

Для анализов подгрупп ниже по цепочке была извлечена подгруппа CD8⁺ Т-клеток, и клетки дихотомизированы по медианному значению Scoring внутри этого подмножества. Клетки с оценочными значениями выше медианы были отнесены к High_Hub_genes группе, тогда как оставшиеся клетки — в Low_Hub_genes-группу.

Результаты

Идентификация кандидатных общих генов между тяжёлым депрессивным расстройством и дерматомиозитом

После объединения данных, нормализации и пакетной коррекции наборов GEO, связанных с дерматомиозитом (рисунок 2A,B), было выявлено в общей сложности 570 дифференциально экспрессированных генов (рисунок 2C,D), из которых 517 генов с повышенной регуляцией и ...

Обсуждение

Дерматомиозит — это хроническое системное аутоиммунное заболевание с заметным поражением кожи и мышц, и накопленные клинические наблюдения показывают, что пациенты с дерматомиозитом могут испытывать значительную психиатрическую нагрузку, включая симптомы, соответствующие тяжёлому депрессивному расстройству. В этом контексте настоящее исследование применило интегративную биоинформатическую реанализацию для выявления кандидатов на общие транскриптомические сигналы между тяжёлым депрессивны...

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
AddModuleScore	функция Seurat	версия 4.4.0	Расчёт модульного балла в рамках Seurat RRID: NA
AUCell	Bioconductor	версия 1.32.0	Оценка активности генов на уровне одной клетки RRID: SCR_021327
caret	CRAN	версия 7.0.1	Поддержка рабочих процессов машинного обучения RRID: SCR_022524
celda / decontX	Bioconductor	версия 1.24.0	Оценка загрязнения окружающей РНК RRID: NA
CellChat	GitHub / CellChat	версия 2.2.0	Анализ взаимодействия клетка-клетка RRID: SCR_021946
CIBERSORT / LM22 signature matrix	CIBERSORT	LM22	Оценка инфильтрации иммунных клеток RRID: NA
clusterProfiler	Bioconductor	версия 4.12.6	Функциональный анализ обогащения RRID: SCR_016884
Cytoscape	Cytoscape Consortium	версия 3.10	платформа для визуализации и анализа сетей RRID: SCR_003032
DoubletFinder	GitHub / McGinnis Lab	версия 2.0.4	Обнаружение двойников в наборах данных с анализом на уровне одной клетки RRID: NA
e1071	CRAN	версия 1.7.16	Моделирование с вектором опоры и наивным байесовским моделированием RRID: NA
gbm	CRAN	версия 2.2.2	Моделирование с машиной градиентного бустинга RRID: NA
Gene Expression Omnibus (GEO) database	National Center for Biotechnology Information (NCBI)	GSE98793	Набор данных транскриптомов при расстройстве большой депрессии RRID: NA
Gene Expression Omnibus (GEO) database	NCBI	GSE1551	Обучающий набор данных по дерматомиозиту; образцы биопсий скелетных мышц RRID: NA
Gene Expression Omnibus (GEO) database	NCBI	GSE46239	Обучающий набор данных по дерматомиозиту; образцы биопсий кожи RRID: NA
Gene Expression Omnibus (GEO) database	NCBI	GSE128470	Обучающий набор данных по дерматомиозиту; образцы дерматомиозита, извлечённые из когорт воспаления миопатий RRID: NA
Gene Expression Omnibus (GEO) database	NCBI	GSE5370	Независимый набор данных по валидации дерматомиозита; образцы мышечной ткани взрослых людей, не получавших лечение RRID: NA
Gene Expression Omnibus (GEO) database	NCBI	GSE11971	Независимый набор данных по валидации дерматомиозита RRID: NA
Gene Expression Omnibus (GEO) database	NCBI	GSE39454	Независимый набор данных по валидации дерматомиозита; образцы дерматомиозита, извлечённые из когорт воспаления миопатий RRID: NA
Gene Expression Omnibus (GEO) database	NCBI	GSE190510	Набор данных по дерматомиозиту на основе РНК-секвенирования на уровне одной клетки RRID: NA
GeneMANIA	University of Toronto / GeneMANIA	версия сервера веб-приложения, использованная в этом исследовании	Построение функциональной ассоциативной сети RRID: RRID:SCR_005709
glmnet	CRAN	версия 4.1.8	Моделирование LASSO, Ridge и Elastic Net RRID: NA
GSVA	Bioconductor	версия 2.0.7	оценка ssGSEA RRID: NA
Harmony	CRAN	версия 1.2.4	Коррекция пачек для интеграции данных на уровне одной клетки RRID: NA
limma	Bioconductor	версия 3.60.6	Дифференциальный анализ экспрессии, суммирование проб и утилиты нормализации RRID: SCR_010943
MASS	CRAN	версия 7.3.61	Линейный дискриминантный анализ RRID: NA
mboost	CRAN	версия 2.9.11	моделирование glmBoost RRID: NA
Monocle	Bioconductor	версия 2.38.0	Анализ псевдовременной траектории RRID: SCR_016339
org.Hs.eg.db	Bioconductor	версия 3.19.1	база данных аннотации генов человека RRID: NA
plsRglm	CRAN	версия 1.5.1	Генерализованное линейное моделирование с частичными наименьшими квадратами RRID: NA
pROC	CRAN	версия 1.18.5	Анализ кривой ROC RRID: SCR_024286
R statistical software