Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.

Исследовательская статья

Бенчмаркинг транскриптомов респираторных вирусов с учетом компартментализации для модулей ответа хозяина в носовых выделениях и крови: вычислительное исследование

85 просмотров

⸱

DOI:

10.3791/73334

⸱

18 сентября 2026 г.

 , 
1Comprehensive Rehabilitation Department, Beidahuang Industry Group General Hospital, 2Department of Pathology, First Affiliated Hospital of Harbin Medical University

В этой статье

Краткое содержание

В данном вычислительном исследовании представлен рабочий процесс с учетом компартментализации для бенчмаркинга общедоступных транскриптомов респираторных вирусов; показано, что ответы хозяина в носовых выделениях и крови демонстрируют ограниченную согласованность на уровне генов, однако позволяют выявить воспроизводимые, биологически интерпретируемые компартмент-специфичные модули в независимых наборах данных, при клинических сравнениях, в процессе лонгитюдного восстановления и в ходе анализа робастности.

Аннотация

Общедоступные транскриптомы респираторных вирусов представляют большую ценность для изучения ответов хозяина, однако различия в источнике тканей, определении контрольных групп и дизайне исследования могут привести к искажениям при проведении объединенных анализов. Мы разработали вычислительный рабочий процесс с учетом компартментализации, чтобы определить, можно ли выявить воспроизводимую активность ответа хозяина, сохраняя при этом биологический контекст носа и крови. В качестве опорного набора данных служила парная педиатрическая когорта GSE117827, включающая транскриптомы мазков из носа и цельной крови при симптоматической пикорнавирусной инфекции, симптоматической инфекции респираторно-синцитиальным вирусом, бессимптомном обнаружении пикорнавируса и вирусотрицательных контролях. После фильтрации по номенклатуре Комитета по номенклатуре генов человека (HGNC) было проанализировано 27 685 генов. На основе наиболее выраженных положительных ответов были определены отдельные модули из 50 белок-кодирующих генов для носа и крови, которые были зафиксированы перед внешней оценкой. Эффекты на уровне генов в носу и крови были почти независимы (r Пирсона = 0.015), а модули имели шесть общих генов при исследовании перекрытия рангов (индекс Жаккара = 0.064). Тем не менее, назальный модуль отделял инфекцию от контрольных групп в независимых когортах верхних дыхательных путей с показателями площади под ROC-кривой (AUROC) 0.749, 0.693 и 0.609, в то время как модуль крови достиг AUROC 0.832, 0.924 и 0.870 во внешних когортах крови. В лонгитюдных данных о естественном заражении соответствующие показатели снижались от стадии острого заболевания до выписки с парными дельтами 0.436 для образцов из носа и 0.30 для крови. Три дополнительных эталонных набора данных, включающих 6 внешних образцов, вместе с контрольными группами случайных генов, анализом влияния размера модуля, бутстреп-стабильностью, корреляциями маркеров и разделением дисперсии, определили надежность и ограничения рабочего процесса. Набор из 3 матричных рибонуклеиновых кислот (мРНК) Пандии оставался более эффективным для дифференциации вирусных и бактериальных инфекций, при этом показатели модуля крови также повышались при бактериальной пневмонии. Эти результаты подтверждают, что компартмент-специфические модули могут служить многократно используемыми показателями активности ответа хозяина для сравнения когорт и отслеживания выздоровления, а не универсальными пантканевыми биомаркерами или автономными классификаторами патогенов.

Введение

Транскриптомные профили хозяина широко используются для классификации инфекционных синдромов и сравнения иммунных ответов на различные патогены1,2,3,4,5. Респираторные вирусы часто активируют перекрывающиеся интерферон-стимулируемые гены (ISGs), воспалительные медиаторы и пути презентации антигенов6,7,8,9,10. Недавние парные и лонгитюдные исследования также показывают, что локальные ответы в дыхательных путях и системные ответы могут различаться по времени, клеточному составу и выраженности1. Эта проблема актуальна не только для гриппа, респираторно-синцитиального вируса (RSV), риновируса и SARS-CoV-2. Метапневмовирус человека остается важной причиной респираторных заболеваний, однако литература, посвященная ответу организма хозяина и методам вмешательства, все еще находится на стадии разработки12,13. Эти наблюдения при различных респираторных вирусных инфекциях дополнительно подчеркивают различия между локальным ответом в дыхательных путях и системным ответом хозяина14. Таким образом, при проведении вычислительных исследований взаимодействия хозяина и вируса практический вопрос заключается не только в том, существует ли ответ. Важно определить, можно ли повторно использовать общедоступные данные с помощью прозрачного рабочего процесса, который сохраняет тканевый контекст и позволяет получить воспроизводимые показатели ответа хозяина.

Большинство общедоступных наборов данных транскриптомов респираторных вирусов не были предназначены для чистого межвирусного или межтканевого анализа. Источник ткани, время забора, степень тяжести заболевания, возраст, определение контрольной группы и используемая платформа часто варьируются одновременно. Наборы данных экспрессии с высокой пропускной способностью также подвержены нежелательным техническим вариациям и вариациям на уровне конкретного исследования15,16. Таким образом, при объединенном анализе может быть выявлен выраженный интерфероновый или воспалительный сигнал, при этом его происхождение останется неясным. Образцы из носовых ходов отражают иммунную биологию эпителия и слизистых оболочек, тогда как цельная кровь отражает системные лейкоцитарные ответы. Рассматривание этих компартментов как взаимозаменяемых упрощает расчет показателей, но затрудняет их интерпретацию.

Мы построили анализ на основе GSE17827 — когорты с парными образцами из носа и крови из одного исследования, а не на основе самого крупного доступного набора данных для поиска17. Эта когорта невелика, но она позволяет снизить влияние межисследовательских искажающих факторов при сравнении величины эффекта в слизистой носа и крови. В нее включены пациенты с симптоматической пикорнавирусной инфекцией, симптоматической инфекцией RSV, бессимптомным выявлением пикорнавирусов и вирусоотрицательные контроли. Поэтому мы использовали ее только в качестве основы для отдельных модулей, специфичных для каждого компартмента. Состав модулей был зафиксирован до проведения внешнего тестирования. Стабильность отбора в малой когорте проверялась с помощью стратифицированного бутстреп-ресемплинга, анализа нулевых гипотез со случайными генами и анализа чувствительности к размеру модуля.

Мы добавили слой сравнительного анализа с бактериальными и неинфекционными контрольными группами. GSE63990 содержит образцы цельной крови при острых респираторных заболеваниях, помеченные как вирусные, бактериальные или неинфекционные18. GSE4012 содержит образцы при тяжелой внебольничной пневмонии, синдроме системного воспалительного ответа (SIRS) и образцы здоровых людей (контроль)19. Эти когорты позволяют проверить, отражает ли модуль общую активность иммунного ответа хозяина или специфичность к определенному классу патогенов. GSE53543 анализировался отдельно в качестве эталона воздействия риновируса на мононуклеарные клетки периферической крови (PBMC) ex vivo. Он измеряет реактивность лейкоцитов при контролируемом стимуле, но не эквивалентен естественной инфекции.

Наша исходная предпосылка намеренно консервативна. Мы не стремимся доказать существование универсального противовирусного профиля на основе гетерогенных общедоступных данных. Вместо этого мы проверяем, может ли рабочий процесс с учетом компартментализации генерировать оценки модулей, которые остаются полезными при внешней валидации. Данный подход предназначен для использования в качестве дополнения к диагностическим классификаторам, таким как Pandya 3-mRNA. Эти модули позволяют оценить активность ответа хозяина в носовых выделениях и крови в различных когортах, на разных стадиях выздоровления и при разной степени выраженности симптомов. Они не предназначены для определения класса патогена.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

В данном исследовании был проведен повторный анализ обезличенных, общедоступных данных; набор новых участников, вмешательства или сбор образцов не проводились. В связи с этим для настоящего вторичного анализа не требовалось одобрение институционального комитета по этике и повторного информированного согласия. Сведения об одобрении комитета по этике и информированном согласии для оригинальных исследований были представлены соответствующими поставщиками данных.

Дизайн исследования и логика рабочего процесса
Мы провели ретроспективное биоинформатическое исследование на основе общедоступных данных с использованием наборов данных, размещенных в Gene Expression Omnibus20,21. Новые образцы пациентов, эксперименты на клеточных культурах, модели на животных или лабораторная валидация не проводились. В рабочем процессе использовался дизайн с предварительным определением «якоря» (anchor-first design). Набор GSE17827 применялся для оценки величины эффекта, построения модулей, анализа согласованности между компартментами и анализа градиента симптомов. Независимые наборы данных вводились только после фиксации состава модулей. Рабочий процесс включал анкоринг парных компартментов, картирование по HGNC и фильтрацию белок-кодирующих генов, раздельное построение модулей для слизистой носа и крови, валидацию на соответствующих тканях и в лонгитюдном анализе, клинический бенчмаркинг и анализ робастности. Подтверждающие анализы включали фиксированные тесты на соответствующих тканях и лонгитюдные тесты. Анализы перекрывающихся генов, градиента симптомов, маркерных программ и дисперсии носили исследовательский или описательный характер.

Якорная когорта и основной контраст
GSE17827 содержит профили экспрессии из мазков из носа и цельной крови 26 детей: 9 случаев симптоматического заражения пикорнавирусом, 5 случаев бессимптомного обнаружения пикорнавируса, 6 случаев симптоматического заражения RSV и 6 бессимптомных вирусотрицательных контролей17. По двум случаям RSV отсутствовали образцы крови. Таким образом, полный якорный дизайн включал 50 образцов, а основной контраст «инфицированные против контролей» включал 40 образцов после исключения случаев бессимптомного обнаружения пикорнавируса из построения модулей. Для основного контраста образцы с симптоматическим течением пикорнавирусной и RSV-инфекций были помечены как «инфицированные», а бессимптомные вирусотрицательные образцы — как «контроли». Бессимптомные случаи обнаружения пикорнавируса не рассматривались в качестве контролей, поскольку обнаружение вируса без симптомов биологически отличается от здоровья при отсутствии вируса. Эти образцы были исключены из построения модулей и впоследствии использованы для анализа градиента симптомов.

Картирование и предварительная обработка зондов
Профилирование GSE17827 проводилось на GPL23126. Идентификаторы транскриптных кластеров были сопоставлены с символами генов с использованием файла аннотации Clariom D Human na36, hg38, распространяемого через платформу GEO GPL24539. Были сохранены только символы, одобренные HGNC2. Контрольные зонды, зонды ERCC, некартированные транскриптные кластеры и неодобренные символы были удалены. Несколько транскриптных кластеров, картированных на один и тот же одобренный символ, были объединены по медианному значению экспрессии. После фильтрации и объединения для якорного анализа стало доступно 27 685 генов. Преобразование log₂(x + 1) применялось только в тех случаях, когда 95-й процентиль матрицы экспрессии превышал 50, что указывало на нелогарифмированную шкалу интенсивности. Гены с более чем 20% пропущенных значений были удалены; остальные пропущенные значения были заменены медианой по данному гену. Затем каждый ген был стандартизирован по всем образцам в этом наборе данных как z = (x − mean)/sample standard deviation (ddof = 1). Генам с нулевой дисперсией было присвоено стандартизированное значение 0. Построение модулей было ограничено записями, классифицируемыми как белок-кодирующие гены в полном наборе HGNC.

Анализ величины эффекта и построение модулей
Назальный и гемодинамический компартменты анализировали раздельно. Симптоматические вирусные образцы сравнивали с вирусоотрицательными контролями с использованием g-статистики Хеджеса г стандартизированные средние разности и двусторонние критерии Уэлча23. Хеджирование г был рассчитан как разность средних значений между инфицированной и контрольной группами, деленная на объединенное стандартное отклонение и умноженная на поправку для малых выборок 1 − 3/(4df − 1), где df = нинфицированный + нконтроль − 2. Тесты Уэлча проводились с учетом неравенства дисперсий. Поправка Бенджамини — Хохберга для контроля частоты ложноположительных результатов (FDR) рассчитывалась для всех исследуемых генов в каждом компартменте.24Поскольку ни один белок-кодирующий ген не соответствовал заранее установленному строгому сочетанию показателей FDR < 0,05 и хеджс г > 0,8 в небольшой опорной когорте; гены с положительным эффектом были ранжированы в первую очередь по возрастанию двустороннего t-критерия Уэлча P значение, затем по убыванию g Хеджеса г, при этом символ гена использовался в качестве окончательного определяющего критерия при равенстве показателей. Топ-50 генов образовали каждый первичный модуль. Число пятьдесят было выбрано априори как умеренный размер модуля, обеспечивающий биологическую широту охвата при одновременном ограничении потерь из-за отсутствующих генов на разных платформах. Данный размер модуля не подбирался под внешние значения AUROC. Анализы чувствительности с использованием 10, 25, 50, 10 и 20 генов дали тот же качественный результат разделения якорей. Целью была воспроизводимость на уровне модулей, а не поиск отдельных генов.

Межкомпартментное соответствие
Оценки Hedges g для назальных проб и крови были сопоставлены по генам и сравнены с помощью корреляций Пирсона и Спирмена. Перекрытие между топ-50 модулями в носовых пробах и топ-50 модулями в крови было суммировано по количеству общих генов и индексу Жаккара. Общие гены интерпретировались как предварительные кандидаты на перекрытие рангов между компартментами, а не как валидированные консервативные биомаркеры.

Внешняя валидация на соответствующих тканях
Валидация баллов модулей проводилась с использованием независимых общедоступных наборов данных с интерпретируемыми исходными группами. Валидация по верхним дыхательным путям включала образцы промываний носа при RSV (GSE41374), а также наборы данных по SARS-CoV-2 (GSE152075 и GSE156063). Валидация по крови включала GSE17110 и два отдельно нормализованных блока GSE3890: GPL10558 (36 образцов; 28 RSV и 8 контролей) и GPL6884 (138 образцов; 107 RSV и 31 контроль). Для каждого внешнего набора данных зонды были сопоставлены с символами HGNC, а дублирующиеся символы объединялись по медианному значению экспрессии. В каждом наборе данных применялись те же правила трансформации, фильтрации пропущенных значений, импутации медианы и z-стандартизации по каждому гену, что и для опорного набора данных. Балл модуля рассчитывался как невзвешенное среднее стандартизированных значений экспрессии генов, представленных в данном модуле. AUROC, средняя точность и FDR по тесту Уэлча были представлены в качестве показателей переносимости, а не как оценки клинической диагностической эффективности.

Обширные клинические эталонные наборы данных и наборы данных ex vivo возмущений
Два набора данных цельной крови использовались в качестве клинических эталонов, а не когорт для первичного поиска. В GSE6390 образцы были распределены на основе метаданных о статусе инфекции по группам: вирусная респираторная инфекция (n = 17), бактериальная респираторная инфекция (n = 73) или неинфекционное заболевание (n = 90); образцы без одной из этих однозначных меток были исключены18. В GSE4012 поля диагнозов были сопоставлены с пневмонией, вызванной гриппом А (n = 39), бактериальной пневмонией без гриппа (n = 61), СРОР без пневмонии (n = 40), здоровым контролем (n = 36) или смешанной бактериальной/гриппозной пневмонией (n = 14)19. Образцы со смешанной бактериальной/гриппозной инфекцией были описаны, но исключены из бинарных эталонных сравнений.

Набор GSE53543 содержит 196 профилей PBMC ex vivo от 98 человек. От каждого человека был получен один образец только со средой и один образец, подвергнутый воздействию риновируса 16 в течение 24 h; идентификаторы субъектов подтвердили наличие 98 полных пар. Основной контрольный показатель AUROC был рассчитан для 98 стимулированных и 98 нестимулированных образцов, так как AUROC является метрикой разделения по рангам. Информация о парах субъектов была сохранена в метаданных и использована при проведении парного анализа чувствительности разностей показателей. Данный эксперимент анализировался отдельно от естественной клинической инфекции и не использовался для подтверждения клинических диагностических утверждений.

Были загружены исходные матрицы серий GEO для GSE6390, GSE4012 и GSE53543. Для GSE63990 использовалась GPL571, для GSE4012 — GPL6947, а для GSE53543 — GPL1058. Зонды были сопоставлены с символами, утвержденными HGNC, а дублирующие сопоставления были объединены по медиане экспрессии. Использовались депонированные нормализованные матрицы. Общее правило 95-го процентиля инициировало преобразование log₂(x + 1) только для матриц в нелогарифмическом масштабе. Данные GSE53543 уже были подвергнуты log₂-преобразованию, рангово-инвариантной нормализации и корректировке по дню обработки первоначальными исследователями, поэтому дополнительное логарифмическое преобразование не применялось. После удаления генов с более чем 20% пропущенных значений и заполнения оставшихся пропусков медианными значениями, каждый ген был подвергнут z-стандартизации по всем образцам внутри своего набора данных. Эталонный слой содержал 470 клинических образцов цельной крови и 196 образцов PBMC ex vivo.

Бенчмаркинг эталонных сигнатур
Базовые модули для назальных проб и крови были протестированы с помощью трех невзвешенных эталонных наборов. Официальный набор Pandya из 3 мРНК был перенесен из Дополнительной таблицы 1 оригинального отчета по классификатору5. Компаратор Andres-Terre включал 33 интерферон-ориентированных гена, отобранных из описанной многовирусной сигнатуры3. Компаратор Hallmark включал базовый поднабор из 3 генов интерферона-альфа, связанный с набором MSigDB HALLMARK_INTERFERON_ALPHA_RESPONSE25,26. Полные списки генов для всех трех эталонных наборов приведены в Дополнительных данных 1. Эти эталонные показатели не воспроизводят оригинальные взвешенные классификаторы. Для каждого набора данных показатель рассчитывался как невзвешенное среднее значение доступных z-показателей для каждого гена; требовалось наличие как минимум трех представленных генов, и количество представленных генов было зафиксировано. Сравнения при бенчмаркинге проводились между вирусной и бактериальной инфекциями, вирусной и неинфекционными состояниями, вирусной и бактериальными или неинфекционными состояниями, вирусной и здоровой/контрольной группами, а также бактериальной и здоровой/контрольной группами, если соответствующие группы были доступны. В качестве метрик бенчмаркинга интерпретировались AUROC и средняя точность (average precision). Значения P по тесту Уэлча были скорректированы с использованием процедуры Бенджамини–Хохберга для всех допустимых комбинаций «набор данных — сравнение — модуль» в таблице бенчмаркинга.

Независимая лонгитюдная валидация
Парные наборы данных острого периода и периода выписки GSE9741 и GSE9742 использовались только для лонгитюдной валидации27. Образцы, помеченные в переданных метаданных как одиночная инфекция RSV (RSVsi) или риновирус (hRV), составили основу основного анализа; коинфекции RSV (RSVco) были сохранены только в дополнительных результатах. Метки «острый период» и «выписка» были извлечены из названий образцов. Образцы сопоставлялись по набору данных, компартменту, вирусной группе и идентификатору субъекта, при этом были сохранены только субъекты с данными за обе временные точки. Основная комбинированная группа состояла из 38 пар RSVsi и 30 пар hRV (68 пар на один компартмент).

Для отбора генов, уточнения модулей или настройки пороговых значений наборы данных GSE9741 или GSE9742 не использовались. Эти наборы данных были зарезервированы для внешней валидации. Идентификаторы зондов были сопоставлены с утвержденными символами HGNC, а дублирующиеся символы были объединены по медианному значению экспрессии. Перед расчетом фиксированных показателей модулей GSE17827 были применены те же правила логарифмического преобразования по 95-му процентилю, фильтрация пропущенных значений, импутация медианы и процедуры внутринаборной z-стандартизации для каждого гена.

Для каждой ткани и модуля показатели острого периода и периода выписки были сопоставлены по испытуемому и группе вируса. Для каждой пары рассчитывалась разность между показателем острого периода и показателем периода выписки. Коэффициент Cohen dz рассчитывался как средняя парная разность, деленная на стандартное отклонение этой выборки. Были представлены результаты двухсторонних парных t-критериев и двухсторонних критериев знаковых рангов Уилкоксона, а также AUROC для разделения показателей острого периода и периода выписки. Значения FDR по методу Бенджамини–Хохберга рассчитывались для всех 20 валидных парных t-критериев в полном лонгитюдном выводе (два набора данных, два источника модулей и пять заранее определенных резюме по группам вирусов).

Анализ градиента симптомов и апостериорный анализ
После определения принадлежности к модулям данные о выявлении бессимптомных пикорнавирусов в GSE17827, которые были исключены из основного анализа, использовались только для анализа градиента симптомов. Порядковый клинический балл составлял 0 для вирусоотрицательных контролей, 1 для случаев бессимптомного выявления пикорнавируса и 2 для симптоматической инфекции. Для оценки порядкового тренда использовался коэффициент корреляции Спирмена, а общие различия между тремя группами оценивались с помощью критерия Краскела–Уоллиса. Для сравнения трех пар групп применялись двусторонние апостериорные тесты Манна–Уитни. Поправка Бенджамини–Хохберга применялась отдельно для каждого компартмента к семейству из трех попарных сравнений.

Функциональный анализ обогащения
Гены модулей из носовых выделений и крови были проанализированы с помощью Enrichr через gseapy с использованием библиотек MSigDB Hallmark 2020, Reactome 202 и GO Biological Process 202325,26,28,29,30,31. В Enrichr использовался стандартный метод анализа избыточного представления (over-representation analysis) на основе точного критерия Фишера. Значимыми считались скорректированные по методу Бенджамини — Хохберга P-значения < 0.05, полученные из библиотек. Восемь наиболее значимых терминов для каждого модуля по трем запрашиваемым библиотекам были ранжированы по скорректированному P-значению. Результаты обогащения использовались только для интерпретации.

Анализ робастности, программности маркеров и дисперсии
Анализ робастности проводился для проверки того, зависели ли результаты от размера модуля или случайного выбора. Оценивались модули размером 10, 25, 50, 10 и 20 генов. Для нулевого анализа со случайными генами совокупность подходящих объектов включала белок-кодирующие гены HGNC, представленные в обработанной матрице GSE17827. С помощью генератора случайных чисел NumPy с seed 2026062 было отобрано пятьсот наборов по 50 генов без возвращения. Бутстреп-перевыборка была ограничена 1 0 белок-кодирующими генами с положительным эффектом, имевшими наивысший ранг в исходном якорном анализе для каждого компартмента. В каждой повторной выборке белок-кодирующие гены с положительным эффектом ранжировали по возрастанию двустороннего значения P по критерию Уэлча, а затем по убыванию средней разности. Были отобраны 50 лучших генов. Стабильность генов рассчитывали как количество выборов, деленное на 10. Для каждого компартмента были представлены 20 генов с наибольшей частотой выбора.

Баллы программ-маркеров использовались в качестве описательных средств, а не для оценки клеточных фракций. Были оценены шесть курируемых программ: эпителиальная (EPCAM, KRT8, KRT18, KRT19, MUC1, KRT5, KRT14, SCGB1A1, FOXJ1), моноцитарно-макрофагальная (LYZ, LST1, S10A8, S10A9, FCGR3A, FCGR1A, CD14, MS4A7, CTSS), нейтрофильная (S10A8, S10A9, MPO, ELANE, CEACAM8, FCGR3B, OLFM4, MMP8), T/NK (CD3D, CD3E, TRAC, NKG7, GNLY, PRF1, GZMB, KLRD1, IL7R), B/плазматическая (MS4A1, CD79A, CD79B, MZB1, JCHAIN, IGHG1, SDC1) и миелоидный интерфероновый ответ (SIGLEC1, IFI27, IFI4L, ISG15, MX1, OAS1, RSAD2, IFIT3). Балл каждой программы рассчитывался как среднее значение доступных z-показателей для отдельных генов, при этом требовалось наличие как минимум трех представленных генов. Значения P по критерию Спирмена были скорректированы с использованием процедуры Бенджамини–Хохберга для всего семейства корреляций «набор данных–модуль–программа». Однофакторный показатель eta-квадрат рассчитывался как сумма квадратов между группами, деленная на общую сумму квадратов для каждой пары «модуль–фактор». Строки, в которых отсутствовал соответствующий фактор, исключались из этого расчета. Данный анализ носил описательный характер и не учитывал взаимно коррелирующие факторы.

Воспроизводимость
Все виды анализа выполнялись с использованием скриптов на языке Python 3.12.13 с применением программных пакетов и версий, указанных в Таблице материалов. Для рандомизированных процедур использовалось фиксированное начальное число (seed) 2026062. Публичные матрицы экспрессии из GEO обрабатывались с использованием единообразной структуры проекта, в которой были разделены необработанные входные данные, обработанные данные, результаты статистического анализа, таблицы и рисунки. Для обеспечения возможности независимой проверки были сохранены определения модулей, записи о курации образцов, оценки величины эффекта, статистика валидации, результаты обогащения, анализ робастности и исходные данные для рисунков. Код анализа, спецификации зависимостей и вспомогательные производные данные доступны в соответствии с разделом «Доступность данных».

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

Бенчмаркинг с использованием опорных этапов позволил разделить тканеспецифические и общетканевые эффекты генов
Курированная опорная матрица GSE17827 содержала 27 685 генов, одобренных HGNC. Основное сравнение по назальным пробам включало 15 образцов от инфицированных пациентов с симптомами и 6 контрольных образцов с отрицательным результатом на вирус; сравнение по крови включало 13 образцов от инфицированных пациентов с симптомами и 6 контрольных образцов (Таблица 1). Поскольку данна...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

Основной практический вывод заключается в следующем: начинать следует с анализа отдельных исследуемых компартментов, а не с анализа самого крупного объединенного массива данных. Набор GSE17827 невелик, однако его парный дизайн позволяет провести прямое сравнение показателей в носу и крови в рамках одного исследования. Корреляция эффектов на уровне генов, близкая к нулю, показывает, что объединенный общетканевый ранжированный список скрыл бы существенную компартментальную структуру. Таким образом, разделение на отдельные ...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

Авторы заявляют об отсутствии финансовых или нефинансовых конфликтов интересов, имеющих отношение к данной работе.

Благодарности

Авторы благодарят исследователей и участников открытых исследований GEO, данные которых были повторно проанализированы в данной работе. Другие лица не соответствовали критериям авторства. Данное исследование не получило специального гранта от какого-либо финансирующего агентства из государственного, коммерческого или некоммерческого секторов.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
Набор интерферон-стимулированных генов при мультивирусной инфекции по Andres-TerreAndres-Terre et al.компаратор из 3 генов; Supplementary Data 1Невзвешенный интерферон-ориентированный компаратор, составленный на основе опубликованной мультивирусной сигнатуры; полный список генов приведен в Supplementary Data 1.
EnrichrMa'ayan LaboratoryДата доступа: 18 августа 2026 г.; RRID:SCR_01575Ресурс для анализа гиперпредставленности генных наборов, доступ к которому осуществляется через gseapy.
Gene Expression OmnibusNational Center for Biotechnology InformationGEO; RRID:SCR_05012Общедоступный репозиторий транскриптомов, использованный для доступа к анализируемым наборам данных.
Gene OntologyGene Ontology ConsortiumGO Biological Process 2023; RRID:SCR_0281Библиотека функциональных аннотаций, использованная через Enrichr.
GPL10558NCBI GEOGPL1058Платформа для GSE53543 и валидационного модуля GSE3890 из 36 образцов.
GPL23126NCBI GEOGPL23126Платформа экспрессии для GSE17827.
GPL24539NCBI GEOClariom_D_Human.na36.hg38.
probeset.csv		Аннотация Clariom D Human na36, hg38, использованная для картирования кластеров транскриптов GSE117827.
GPL571NCBI GEOGPL571Аннотация платформы, примененная к GSE6390.
GPL684NCBI GEOGPL684Платформа для валидационного модуля цельной крови GSE3890 (138 образцов) при RSV.
GPL6947NCBI GEOGPL6947Аннотация платформы, примененная к GSE4012.
GSE17827NCBI GEOGSE17827Основной парный набор данных (якорный) по мазкам из носа и цельной крови.
GSE152075NCBI GEOGSE152075Внешний валидационный набор данных по верхним дыхательным путям при SARS-CoV-2.
GSE156063NCBI GEOGSE156063Внешний валидационный набор данных по верхним дыхательным путям при SARS-CoV-2.
GSE17110NCBI GEOGSE1710Внешний валидационный набор данных по цельной крови при SARS-CoV-2.
GSE3890NCBI GEOGSE3890; GPL1058 и GPL684Внешняя валидация по цельной крови при RSV, проанализированная как отдельные нормализованные модули платформ из 36 и 138 образцов.
GSE4012NCBI GEOGSE4012Контрольный набор данных: клиническая пневмония при гриппе А, бактериальная пневмония, SIRS и здоровый контроль.
GSE41374NCBI GEOGSE41374Внешний валидационный набор данных по промывным водам из носа при RSV.
GSE53543NCBI GEOGSE53543Контрольный набор данных парного ex vivo воздействия риновируса на PBMC, включающий 98 субъектов и 196 образцов.
GSE6390NCBI GEOGSE6390Клинический контрольный набор данных по цельной крови при вирусных, бактериальных и неинфекционных заболеваниях.
GSE9741NCBI GEOGSE97741Лонгитюдный валидационный набор данных по цельной крови (острый период против момента выписки).
GSE9742NCBI GEOGSE9742Лонгитюдный валидационный набор данных по носоглотке (острый период против момента выписки).
gseapyразработчики gseapyВерсия 1.3.1Интерфейс Python, использованный для запросов к Enrichr.
Ресурс символов генов HGNCHUGO Gene Nomenclature CommitteeДата доступа: 18 августа 2026 г.; RRID:SCR_02827Ресурс для нормализации утвержденных символов генов и классификации белок-кодирующих генов.
Matplotlibкоманда разработчиков MatplotlibВерсия 3.1.1Построение графиков.
Наборы генов MSigDB HallmarkBroad InstituteHallmark 2020; RRID:SCR_016863Библиотека обогащения Hallmark, доступ к которой осуществляется через Enrichr.
Набор генов ответа на интерферон-альфа MSigDB HallmarkBroad InstituteHALLMARK_INTERFERON_ALPHA_
RESPONSE; основной поднабор из 3 генов в Supplementary Data 1		Невзвешенный компаратор интерферона-альфа; точный поднабор приведен в Supplementary Data 1.
NumPyразработчики NumPyВерсия 2.5.2Вычислительная математика и случайная выборка с заданным зерном.
pandasкоманда разработчиков pandasВерсия 3.0.5Обработка табличных данных.
Набор генов ответа хозяина из 3 мРНК по PandyaPandya et al.Supplementary Table 1; Supplementary Data 1Официальный набор из 3 генов, оцененный как невзвешенный компаратор.
PythonPython Software FoundationВерсия 3.12.13Среда для вычислительного анализа.
ReactomeReactomeReactome 202; RRID:SCR_03485Библиотека обогащения путей, доступ к которой осуществляется через Enrichr.
scikit-learnразработчики scikit-learnВерсия 1.9.0Расчет AUROC и средней точности.
SciPyразработчики SciPyВерсия 1.18.0Тесты Уэлча, парный t-тест, критерии Вилкоксона, Манна–Уитни и корреляционные тесты.
Seabornкоманда разработчиков SeabornВерсия 0.13.2Статистическая графика.
statsmodelsразработчики statsmodelsВерсия 0.14.6Статистические инструменты.

Ссылки

  1. Zaas AK, et al. Gene expression signatures diagnose influenza and other symptomatic respiratory viral infections in humans. Cell Host Microbe. 2009;6(3):207-17.
  2. Woods CW, et al. A host transcriptional signature for presymptomatic detection of infection in humans exposed to influenza H1N1 or H3N2. PLoS One. 2013;8(1):e52198.
  3. Andres-Terre M, et al. Integrated, multi-cohort analysis identifies conserved transcriptional signatures across multiple respiratory viruses. Immunity. 2015;43(6):1199-211.
  4. Herberg JA, et al. Diagnostic test accuracy of a 2-transcript host RNA signature for discriminating bacterial vs viral infection in febrile children. JAMA. 2016;316(8):835-45.
  5. Pandya R, et al. A machine learning classifier using 33 host immune response mRNAs accurately distinguishes viral and non-viral acute respiratory illnesses in nasal swab samples. Genome Med. 2023;15(1):64.
  6. Ioannidis I, et al. Plasticity and virus specificity of the airway epithelial cell immune response during respiratory virus infection. J Virol. 2012;86(10):5422-36.
  7. Mejias A, et al. Whole blood gene expression profiles to assess pathogenesis and disease severity in infants with respiratory syncytial virus infection. PLoS Med. 2013;10(11):e1001549.
  8. Blanco-Melo D, et al. Imbalanced host response to SARS-CoV-2 drives development of COVID-19. Cell. 2020;181(5):1036-45.e9.
  9. Hadjadj J, et al. Impaired type I interferon activity and inflammatory responses in severe COVID-19 patients. Science. 2020;369(6504):718-24.
  10. Mick E, et al. Upper airway gene expression reveals suppressed immune responses to SARS-CoV-2 compared with other respiratory viruses. Nat Commun. 2020;11(1):5854.
  11. Yoshida M, et al. Local and systemic responses to SARS-CoV-2 infection in children and adults. Nature. 2022;602(7896):321-7.
  12. Jamali MC, et al. Respiratory infections by human metapneumovirus: epidemiological evidence and treatment prospects. Res J Pharm Technol. 2026;19(8):3905-12. doi:10.52711/0974-360X.2026.00549.
  13. Gao G, Lin R, Ma D. Human metapneumovirus: pathogenesis, epidemiology, diagnostic technologies, and potential intervention strategies. Virol J. 2025;22(1):376.
  14. Lim FY, et al. homeRNA self-blood collection enables high-frequency temporal profiling of presymptomatic host immune kinetics to respiratory viral infection: a prospective cohort study. EBioMedicine. 2025;112:105531.
  15. Johnson WE, Li C, Rabinovic A. Adjusting batch effects in microarray expression data using empirical Bayes methods. Biostatistics. 2007;8(1):118-27.
  16. Leek JT, et al. The sva package for removing batch effects and other unwanted variation in high-throughput experiments. Bioinformatics. 2012;28(6):882-3.
  17. Yu J, et al. Host gene expression in nose and blood for the diagnosis of viral respiratory infection. J Infect Dis. 2019;219(7):1151-61.
  18. Tsalik EL, et al. Host gene expression classifiers diagnose acute respiratory illness etiology. Sci Transl Med. 2016;8(322):322ra11.
  19. Parnell GP, et al. A distinct influenza infection signature in the blood transcriptome of patients with severe community-acquired pneumonia. Crit Care. 2012;16(4):R157.
  20. Edgar R, Domrachev M, Lash AE. Gene Expression Omnibus: NCBI gene expression and hybridization array data repository. Nucleic Acids Res. 2002;30(1):207-10.
  21. Barrett T, et al. NCBI GEO: archive for functional genomics data sets-update. Nucleic Acids Res. 2013;41(D1):D991-5.
  22. Tweedie S, et al. Genenames.org: the HGNC and VGNC resources in 2021. Nucleic Acids Res. 2021;49(D1):D939-46.
  23. Welch BL. The generalization of Student's problem when several different population variances are involved. Biometrika. 1947;34(1-2):28-35.
  24. Benjamini Y, Hochberg Y. Controlling the false discovery rate: a practical and powerful approach to multiple testing. J R Stat Soc Series B Stat Methodol. 1995;57(1):289-300.
  25. Subramanian A, et al. Gene set enrichment analysis: a knowledge-based approach for interpreting genome-wide expression profiles. Proc Natl Acad Sci U S A. 2005;102(43):15545-50.
  26. Liberzon A, et al. The Molecular Signatures Database Hallmark Gene Set Collection. Cell Syst. 2015;1(6):417-25.
  27. Do LAH, et al. Host transcription profile in nasal epithelium and whole blood of hospitalized children under 2 years of age with respiratory syncytial virus infection. J Infect Dis. 2018;217(1):134-46.
  28. Ashburner M, et al. Gene Ontology: tool for the unification of biology. Nat Genet. 2000;25(1):25-9.
  29. The Gene Ontology Consortium. The Gene Ontology resource: enriching a GOld mine. Nucleic Acids Res. 2021;49(D1):D325-34.
  30. Gillespie M, et al. The Reactome pathway knowledgebase 2022. Nucleic Acids Res. 2022;50(D1):D687-92.
  31. Kuleshov MV, et al. Enrichr: a comprehensive gene set enrichment analysis web server 2016 update. Nucleic Acids Res. 2016;44(W1):W90-7.
  32. Schoggins JW, et al. A diverse range of gene products are effectors of the type I interferon antiviral response. Nature. 2011;472(7344):481-5.
  33. Schneider WM, Chevillotte MD, Rice CM. Interferon-stimulated genes: a complex web of host defenses. Annu Rev Immunol. 2014;32:513-45.
  34. Perng YC, Lenschow DJ. ISG15 in antiviral immunity and beyond. Nat Rev Microbiol. 2018;16(7):423-39.
  35. Schioppa T, et al. Molecular basis for CCRL2 regulation of leukocyte migration. Front Cell Dev Biol. 2020;8:615031.
  36. Avila Cobos F, et al. Benchmarking of cell type deconvolution pipelines for transcriptomics data. Nat Commun. 2020;11(1):5650.
  37. Maden SK, et al. Challenges and opportunities to computationally deconvolve heterogeneous tissue with varying cell sizes using single-cell RNA-sequencing datasets. Genome Biol. 2023;24(1):288.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Больше статей

Транскриптомы назальных мазковтранскриптомы кровивычислительный рабочий процессанализ экспрессии геновкогорты с вирусной инфекциейвалидация биомаркеровробастность модулей
Связаться с нами
Порекомендовать библиотеке

Конфиденциальность

Условия использования

Политики

© 2026 MyJoVE Corporation. Все права защищены.