Yöntem makalesi

Alzheimer Hastalığının Cinsiyet Özgüllüğü için Glial Transkriptom Profillerine Dayalı Biyobelirteç Tanımlaması

2K görüntülenme

⸱

DOI:

10.3791/66552

⸱

20 Mayıs 2024

 ,  ,  ,  ,  ,  ,  ,  ,  , 
1Chengdu University of Traditional Chinese Medicine, 2Chengdu Shuangliu Hospital of Traditional Chinese Medicine, 3Department of Automation, Tsinghua University, 4Affiliated Reproductive & Women-Children Hospital, Chengdu University of Traditional Chinese Medicine, 5Department of Neurology, Dalian Municipal Central Hospital, Central Hospital of Dalian University of Technology

* These authors contributed equally

Bu makalede

Özet

Bu çalışma, Alzheimer hastalığı (AD) olan otuz üç bireyin tek çekirdekli transkriptomlarını analiz etti ve glial hücrelerde cinsiyete özgü DEG'leri ortaya çıkardı. Fonksiyonel zenginleştirme analizi sinaptik, nöral ve hormonla ilişkili yolakları vurguladı. Anahtar genler, yani NLGN4Y ve düzenleyicileri tanımlandı ve cinsiyete özgü AD için potansiyel terapötik adaylar önerildi.

Özet

Alzheimer hastalığında (AD) son zamanlarda cinsiyete özgü birçok biyobelirteç ortaya çıkmıştır; Bununla birlikte, serebral glial hücreler nadiren bildirilmiştir. Bu çalışma, GEO veritabanındaki otuz üç AD bireyinin frontal korteksinden 220.095 tek çekirdekli transkriptomu analiz etti. Cinsiyete özgü Diferansiyel Olarak İfade Edilen Genler (DEG'ler), astrositlerde 243, mikroglialarda 1.154 ve oligodendrositlerde 572 dahil olmak üzere glial hücrelerde tanımlanmıştır. Gen Ontolojisi (GO) fonksiyonel açıklama analizleri ve Kyoto Genler ve Genomlar Ansiklopedisi (KEGG) yolak zenginleştirme analizleri, sinaptik, nöral ve hormonla ilgili yolaklarda fonksiyonel konsantrasyonu ortaya çıkardı. Protein-protein etkileşim ağı (PPI), astrositlerde MT3, CALM2, DLG2, KCND2, PAKACB, CAMK2D ve NLGN4Y'yi, mikroglia'da TREM2, FOS, APOE, APP ve NLGN4Y'yi ve oligodendrositlerde GRIN2A, ITPR2, GNAS ve NLGN4Y'yi anahtar genler olarak tanımladı. NLGN4Y, üç glia tarafından paylaşılan tek gendi ve AD'nin cinsiyet özgüllüğü için biyobelirteç olarak tanımlandı. Gen transkripsiyon faktörü (TF)-miRNA düzenleyici ağı, NLGN4Y ve hedef TCM'leri için anahtar düzenleyicileri tanımladı. Ecklonia kurome Okam (Kunbu) ve Herba Ephedrae (Mahuang) tanımlandı ve aktif bileşenlerin AD üzerindeki etkileri gösterildi. Son olarak, Kunbu ve Mahuang'ın zenginleştirme analizi, AD'nin cinsiyet özgüllüğü için terapötik adaylar olarak hareket edebileceklerini düşündürmektedir.

Giriş

Alzheimer hastalığı (AH), görülme sıklığı yüksek küresel bir hastalıktır ve demansın %60-80'ini oluşturur1. Yüksek insidansına rağmen, AH'nin mekanik patogenezi net olarak tanımlanmamıştır ve şimdiye kadar etkili bir terapötik yoktur2. AD'deki ana patolojiler nöronal atrofi ve başta mikrotübül ilişkili protein Tau ve β-amiloid (Aβ) olmak üzere patolojik döküntü birikimi olarak tanımlandı3,4. AD'nin patogenezi anormal otofaji, oksidatif stres, mitokondriyal disfonksiyon, inflamasyon ve enerji metabolizması bozukluğu ile ilişkilidir5. Prevalans araştırmaları, Alzheimer hastalarının üçte ikisinin kadın olduğunu kanıtlamıştır6. Alzheimer'da etiyoloji, klinik bulgular, korunma ve tedavide cinsiyete özgü farklılıklar vardır. Bu nedenle, AH'de cinsiyete özgü farklılıklara neden olan biyolojik mekanizmayı ortaya çıkarmak ve geleneksel Çin tıbbını (TCM) hedeflemek, AH'nin patogenezini anlamak ve doğru tedavi stratejisine daha fazla rehberlik etmek için potansiyel olarak daha kapsamlı bir teorik çerçeve sağlayabilir.

Nöroglial hücreler, özellikle mikroglia, astrositler ve oligodendrositler, potansiyel olarak AD patogenezine katkıda bulunur. AD'de, mikroglia aktive edilir ve genetik olarak değiştirilir, bu da inflamatuar yanıta, fagositoza ve Aβ klerensinekatkıda bulunur 7,8; astrosit genetik olarak değiştirilmiştir, bu da sinaptik aktiviteyi, iyon homeostazını ve enerji ve lipid metabolizmasını etkiler9; Oligodendrosit, nöronal kayba, nörofibriler yumaklara ve beyaz cevher lezyonlarına katkıda bulunan cinsiyet özgüllüğü ile genetik olarak değiştirilir10,11.

Bu çalışmada üstün bir teknik olarak tek çekirdekli RNA dizileme (snRNA-seq) kullanılmıştır. Tek hücreli RNA dizilimi (scRNA-dizilimi) ile karşılaştırıldığında, snRNA-dizimi, örneklem zenginliği, hücre tipi bütünlüğü ve veri güvenilirliği açısından avantajlar sunar 12,13. SnRNA-seq, AD'ye odaklanan ve glial hücrelerin rolünü araştıran çalışmalarda yaygın olarak kullanılmaktadır 14,15,16. Bu araştırma alanlarındaki geniş kabulü, AD'deki glial hücrelerin transkripsiyonel özellikleri hakkında değerli bilgiler sağlamadaki etkinliğini vurgulamaktadır. Araştırmacılar, snRNA-seq'in avantajlarından yararlanarak, GLAL hücrelerin AD patolojisine katılımı ile ilgili önemli bilgileri ortaya çıkarabildiler ve potansiyel terapötik hedefleri belirleyebildiler. AD'de cinsiyete özgü nöroglial transkripsiyonel özellikleri ve AD'nin cinsiyet özgüllüğü için potansiyel TCM'leri araştırmak için, bu çalışma, NCBI GEO genel veri tabanından AD hastalarının frontal korteksinden snRNA-seq verilerini analiz etti. Cinsiyete özgü diferansiyel olarak ifade edilen genler (DEG'ler), Gen Ontolojisi (GO), Kyoto Genler ve Genomlar Ansiklopedisi (KEGG), Protein-protein etkileşimi (PPI) ağı ve gen-TF-miRNA ağı, temel biyobelirteçleri ve potansiyel patogenezi ortaya çıkarmak için daha fazla analiz edilir. Son olarak, potansiyel TCM'ler önerildi ve aktif bileşenleri Coremine Medical, TCMIP ve TCMSP veri tabanlarında arama yapılarak tablolarla gösterildi.

Protokol

Analizin 2'den 9'a kadar olan adımları R yazılımı kullanılarak uygulandı (Ek Şekil 1 ve Ek Dosya 1'e bakınız), geri kalan adımlar ise çevrimiçi platformlarda yürütüldü. Bu protokolde kullanılan veri tabanlarının ayrıntıları (web bağlantıları ile birlikte) Materyal Tablosunda verilmiştir.

1. Veri toplama

  1. Ulusal Biyoteknoloji Bilgi Merkezi'nde halka açık Gene Expression Omnibus (GEO) veritabanına erişin.
  2. Arama kutusunda Alzheimer hastalığı adlı GEO verilerini arayın.
  3. Sağ tarafta En İyi Organizmaları Homo sapiens olarak seçin.
    NOT: Arama sonuçları, Homo sapiens'teki Alzheimer hastalığına ilişkin verilerdi.
  4. Aranan bilgileri filtreledikten sonra, her bir tek çekirdek örneği için features.tsv, barcode.tsv ve matrix.mtx'i kapsayan GSE167490 ve GSE183068 veri dosyalarını indirin. Veri setleri, frontal korteksten kaynaklanan 34 AD örneğinden oluşmakta olup, 17 erkek örnek ve 17 kadın örnek eşit dağılım göstermiştir (Ek Tablo 1).

2. Örnek birleştirme

  1. Veri yollarını ve örnek adlarını bilgisayarda uygun şekilde yapılandırın. İndirilen 34 örneği içe aktarın ve işlev adlarını kullanarak örneklere cinsiyete özgü adlar atayın.
  2. Parametreleri min.cells = 3 ve min.features = 200 olarak belirterek, fonksiyon listesini ve Read10X'i kullanarak tüm örnekler için toplu işleme tarzında Seurat nesneleri oluşturun.
  3. Birleştirme işlemi sırasında hücre barkodlarını korumak üzere örnek kimliklerini hücre barkodlarına önek olarak eklemek için RenameCells işlevini kullanın. Bu, her hücrenin benzersiz kimliğini korumasını ve birleşmeden sonra orijinal örnek kaynağına kadar izlenebilmesini sağladı.

3. Kalite kontrol (QC)

  1. Her hücre için mitokondriyal gen oranlarını, eritrosit gen oranlarını ve ribozom gen oranlarını hesaplamak için PercentFeatureSet işlevini kullanın.
  2. Bu hesaplanan oranları, bu bilgileri doğrudan her hücrenin meta verilerine eklemek için [[ ]] operatörünü kullanarak meta verilerde saklayın.
  3. Parametreleri nFeature_RNA > 200, nFeature_RNA < 10000, nCount_RNA < 60000, percent.mt < 10, yüzde.rb < 5 ve yüzde olarak belirterek hücre filtrasyonu yapmak için alt küme işlevini kullanın. HB < 75.
  4. GSM5106107 analizden hariç tutun.

4. Toplu etki kontrolü

  1. Veri işlemeyi gerçekleştirin.
    1. NormalizeData işlevini kullanarak verileri normalleştirin.
    2. FindVariableFeatures işlevini kullanarak veri kümesindeki ilk 2000 değişken özelliğini belirleyin.
    3. RunPCA kullanarak veriler üzerinde temel bileşen analizi (PCA)17 gerçekleştirin ve 50 temel bileşeni koruyun.
    4. Sonraki analiz için en uygun ölçümlendirme sayısını belirlemek için ElbowPlot işlevini kullanarak bir dirsek grafiği oluşturun. İlk 50 boyutu düşünün.
    5. Tüm özelliklerin karşılaştırılabilir bir ölçekte olduğundan emin olmak için ScaleData kullanarak verileri ölçeklendirin.
    6. 30 boyuta göre FindNeighbors'ı kullanarak en yakın komşuları belirleyin.
    7. Verilerin boyutsallığını 30 boyuta indirmek için RunUMAP kullanarak UMAP algoritmasını uygulayın.
  2. Azaltma parametresi umap olarak ve group.by parametresi orig.ident olarak ayarlanmış olarak DimPlot işlevini kullanarak işlenen verileri görselleştirin.
    NOT: Bu adım, orijinal hücre kimliklerine göre gruplandırılmış, küçültülmüş UMAP alanındaki verileri görselleştiren bir çizim oluşturabilir. UMAP grafikleri incelendiğinde, toplu etkinin varlığı olduğu ortaya çıktı. Hücrelerin parti veya deneysel kökenlerine göre farklı kümelenmesi veya ayrılması, deneysel partilerin gen ekspresyon profillerini etkilediğini düşündürdü.

5. Veri entegrasyonu

  1. SCTransform işlevini kullanarak verileri normalleştirin ve standartlaştırın.
  2. Kalan 33 tek çekirdekli veriyi entegre etmek için uyum algoritmasını18 uygulayın. Entegrasyon için SCT tahlilini kullanın ve maksimum uyum yinelemesi sayısını 20 olarak ayarlayın.
  3. Verilerdeki farklı kümeleri tanımlamak için 0,07 olarak ayarlanmış bir çözünürlük parametresiyle FindClusters işlevini kullanın.
  4. Verilerin boyutsallığını daha da azaltmak ve kümeleri daha düşük boyutlu bir alanda görselleştirmek için belirli sayıda boyutla (dims = 30) RunUMAP işlevini kullanın.

6. Hücre tipi ek açıklaması

  1. Mevcut literatürün kapsamlı bir incelemesi yoluyla hücrelerin işaretleyici genlerini (Ek Tablo 2) toplayın.
  2. Hücresel küme heterojenliğinin tanımlanmasını takiben, her bir küme hücresinin tipini, spesifik olarak ifade edilen işaretleyici genlere göre sınıflandırın.
  3. Oligodendrosit renk kodu #DB7093, uyarıcı nöronun #FF69B4, astrositin #1874CD, mikroglia ile #63B8FF, oligodendrosit öncü hücresinin #DB7093, inhibitör nöronun #FFC0CB ve endotel hücresinin #FF69B4 ile vurgulandığı ggplot2 paketini kullanarak UMAP görselleştirmesi ile çeşitli hücresel tipleri sunun.
  4. Cinsiyete göre tabakalandırılmış her hücre tipinin oranlarını hesaplayın.

7. Glial hücre veri ekstraksiyonu

  1. Alt küme işlevini kullanarak entegre toplu verilerden astrosit verilerini çıkarın.
  2. Alt küme işlevini kullanarak entegre toplu verilerden mikroglia verilerini çıkarın.
  3. Alt küme işlevini kullanarak entegre toplu verilerden oligodendrosit verilerini ayıklayın.

8. Glial cinsiyete özgü diferansiyel olarak ifade edilen genlerin (DEG'ler) yakalanması

  1. FindMarkers fonksiyonunu kullanarak astrositlerin cinsiyete özgü DEG'lerini tanımlayın (ident.1 = erkek, ident.2 = dişi, group.by = group.sum, assay = RNA) eşik değerlerle: p-değeri < 0.05 ve |avg_log2FC| > 30. Yukarı regüle edilmiş DEG'leri Yukarı, aşağı regülasyonlu DEG'leri Aşağı ve geri kalanını Kararlı olarak etiketleyin.
    1. X ekseni iki koşul arasındaki yüzde farkını temsil eden (pct.1 - pct.2) ve y ekseni avg_log2FC gösteren ggplot fonksiyonunu kullanarak DEG'leri görselleştirin. Yukarı regüle edilmiş genler PaleVioletRed rengi, aşağı regüle edilmiş genler Pink ile ve kararlı genler DodgerBlue3 ile vurgulandı.
  2. FindMarkers fonksiyonunu (ident.1 = erkek, ident.2 = dişi, group.by = group.sum, assay = RNA) kullanarak mikroglia'nın cinsiyete özgü DEG'lerini eşik değerlerle tanımlayın: p-değeri < 0.05 ve |avg_log2FC| > 1. Yukarı regüle edilmiş DEG'leri Yukarı, aşağı regülasyonlu DEG'leri Aşağı ve geri kalanını Kararlı olarak etiketleyin.
    1. X ekseni iki koşul arasındaki yüzde farkını temsil eden (pct.1 - pct.2) ve y ekseni avg_log2FC gösteren ggplot fonksiyonunu kullanarak DEG'leri görselleştirin. Yukarı regüle edilmiş genler OrangeRed rengi, aşağı regüle edilmiş genler LightSalmon ile ve kararlı genler SteelBlue1 kullanılarak vurgulandı.
  3. FindMarkers fonksiyonunu kullanarak oligodendrositin cinsiyete özgü DEG'lerini tanımlayın (ident.1 = erkek, ident.2 = dişi, group.by = group.sum, assay = RNA) eşik değerlerle: p-değeri < 0.05 ve |avg_log2FC| > 10. Yukarı regüle edilmiş DEG'leri Yukarı, aşağı regülasyonlu DEG'leri Aşağı ve geri kalanını Kararlı olarak etiketleyin.
    1. x ekseni iki koşul arasındaki yüzde farkını temsil eden (pct.1 - pct.2) ve y ekseni avg_log2FC gösteren ggplot fonksiyonunu kullanarak DEG'leri görselleştirin. Yukarı regüle edilmiş genler DeepPink rengi, aşağı regüle edilmiş genler HotPink ile ve kararlı genler DeepSkyBlue3 ile vurgulandı.

9. Cinsiyete özgü DEG'lerin fonksiyonel zenginleştirme analizleri

  1. Zenginleştirme işlevini kullanarak her glial hücre tipi için cinsiyete özgü DEG'ler üzerinde Gen ontolojisi (GO) zenginleştirme analizi gerçekleştirin. Aşağıdaki parametreleri ayarlayın: OrgDb = org. Hs.eg.db, keyType = SYMBOL, ont = ALL, pAdjustMethod = BH, pvalueCutoff = 0,01 ve qvalueCutoff = 0,05.
  2. Fonksiyon bitr'sini kullanarak gen sembollerini karşılık gelen gen kimliklerine dönüştürün. Kyoto Genler ve Genomlar Ansiklopedisi (KEGG) zenginleştirme analizini, enrichKEGG fonksiyonunu kullanarak her glial hücre tipi için cinsiyete özgü DEG'ler üzerinde gerçekleştirin. Ayarları şu şekilde yapın: organism = has, keyType = kegg, pAdjustMethod = BH, pvalueCutoff = 0,01 ve qvalueCutoff = 0,05.

10. Go ve kegg yollarındaki glial DEG'lerin frekans istatistikleri, her glial cinsiyete özgü DEG'lerin venn diyagramları ve PPI ağ yapısı

  1. Bir frekans histogramı kullanarak GO ve KEGG yollarındaki glial cinsiyete özgü DEG'lerin frekansını hesaplayın.
  2. PPI ağlarını oluşturmak için STRING veritabanına erişin.
  3. Çoklu proteinleri seçin. Arama kutusunda İsim Listesi'ni arayın. "Organizmalar"ı Homo sapiens olarak ayarlayın.
  4. Aramadan elde edilen proteinlerin listesini gözden geçirin. Devam etmek için Devam'a tıklayın.
  5. İndirme seçeneğini seçerek, tercihen daha yüksek çözünürlüklü PNG formatında PPI ağlarını dışa aktarın.
  6. Venn diyagramlarını kullanarak en önemli cinsiyete özgü genler için ortak ifade dağılımını görselleştirin.
  7. Venn diyagramı analizine dayalı olarak çalışmada paylaşılan gen(ler)i anahtar gen(ler) olarak tanımlayın.

11. Çok faktörlü düzenleyici ağ yapısı

  1. NetworkAnalyst'e erişin.
  2. Gen Listesi Girişi'ne tıklayın ve organizmayı H. sapiens (insan) olarak belirtin. Kimlik türünü Resmi Gen Sembolü olarak ayarlayın. Arama alanına gen adını girin ve ardından Yükle ve Devam Et'e tıklayın.
  3. Gen-miRNA Etkileşimleri'ni seçin ve miRTarBase v8.0'ı seçin. Tamam'a tıklayarak seçimi onaylayın.
  4. TF-gen Etkileşimlerine ilerleyin ve ENCODE veritabanını seçin. Seçimi onaylamak için Tamam'a tıklayın.
  5. Ardından, TF-miRNA Düzenleyici Ağı'na gidin ve devam etmek için Tamam'a tıklayın.
  6. Son olarak, gen-miRNA etkileşimlerini ve TF-gen etkileşimlerini içeren çok faktörlü düzenleyici ağı oluşturmak için Devam Et'i seçin.

12. Gen ve hedef TCM analizi

  1. Coremine Medical online veritabanına erişin.
  2. Spesifik gen adını girin ve Keşfet bölümünün altındaki arama kutusuna gen/protein, insan sonekine sahip ilgili geni seçin.
  3. İlaçlar bölümünde gezinin ve aranan ilaçlarla ilişkili TCM'leri tanımlayın.
    NOT: İstatistiksel olarak anlamlı ilaçlar mavi ile işaretlenmiştir.
  4. Terapötik TCM'ler olarak "önem" değerlerine göre ilk beş TCM'yi belirleyin.

13. Anahtar geni hedeflemede TCM bileşenlerinin araştırma özeti

  1. Geleneksel Çin Tıbbı Bütünleştirici Farmakoloji Tabanlı Araştırma Platformu (TCMIP) ve Geleneksel Çin Tıbbı Sistemleri Farmakoloji Veritabanı ve Analiz Platformuna (TCMSP) erişin. İlgili bileşenlerini almak için bitkilerin adlarını arama çubuğuna girin.
  2. PubMed veritabanındaki malzemeleri 10 Nisan 2023'e kadar bir süre sınırı ile alın. Kullanılan arama terimleri, arama terimleri olarak TCMSP'deki Molekül Adını ve TCMIP'deki Kimyasal Bileşenleri içeriyordu ve İngilizce olarak yayınlanan makalelerle sınırlıydı.
  3. AD'ye etki eden bitkileri ve bunlara karşılık gelen bileşenleri özetleyin ve analiz edin.

14. AD'nin cinsiyet özgüllüğünde TCM'lerin tedavi işlevini hedeflemenin doğrulanması

  1. Bitkileri TCMIP'ye aktarın ve ilgili açıklama sayfasına gidin.
  2. GO - Biyolojik Süreç, GO - Hücresel Bileşen, GO - Moleküler Fonksiyon ve Reactome Yolu zenginleştirme terimlerini indirmek için Verileri Dışa Aktar işlevini kullanın ve CSV biçimini seçin.
  3. Çubuk grafikleri kullanarak her bitki için indirilen zenginleştirme terimlerini görselleştirin.

Sonuçlar

Frontal glial transkriptom profillerinin SnRNA-seq analizi ve hücre tiplerinin açıklanması
Toplamda, 17 erkek AD ve 17 kadın AD'nin frontal korteksinde 220.095 çekirdek ve 32.077 gen elde edildi (Şekil 1A). UMAP grafiği, boyut azaltma analizinden sonra farklı çekirdek tiplerini gösteren toplam tek çekirdekli frontal transkriptomları görselleştirdi (Şekil 1B). 58.902 astrosit, 14.265 mikroglia, 77.466 oligodendrosit, 3.520 endotelyal, 25.252 uyarıcı nöron, 31.268 inhibitör nöron ve 9.422 oligodendrosit progenitör hücresinin toplamını oluşturan cinsiyete göre yakalanan toplam açıklamalı çekirdek sayısı gösterilmiştir (Şekil 1C). Her glia için bilinen hücre tipi belirteçlerinin ortalama ifadeleri, hücre popülasyonlarını tanımlamak için UMAP grafiklerine yansıtıldı (Şekil 1D).

Astrositlerde cinsiyete özgü DEG'ler
58.902 astrositik çekirdek analiz edildi (Şekil 2A), 27.504'ü erkek AD'den (F.69) ve 31.398'i kadın AD'den (S.31) analiz edildi. Cinsiyete özgü DEG'ler, DST, CACNA2D3 ve AC016831.7 dahil olmak üzere 138 genin yukarı regülasyonunu, CNTN5, RORA, RASSF8 ve CADM2 dahil olmak üzere 105 genin aşağı regülasyonunu ve değişmemiş 4995 geni ortaya çıkardı (Şekil 2B). Ayrıca, GO ve KEGG analizleri, bu DEG'lerin esas olarak nöronların, sinapsların ve hormonların yolaklarında yoğunlaştığını, nöron proje gelişiminin düzenlenmesi, nöron omurgası vb. dahil olmak üzere nöronal yollar, sinaptik organizasyon ve glutamaterjik/kolinerjik sinaps dahil sinaptik yollar ve tiroid hormonu sentezi ve insülin sekresyonu dahil olmak üzere hormon yolları ile odaklandığını belirledi (Şekil 2C, D). En yüksek frekansa sahip otuz gen elde edildi (Şekil 2E), PLCB1 ilk sırada yer aldı. PPI ağları, bu genler arasındaki ilişkiyi araştırmak için inşa edildi (Şekil 2F) ve DLG2, CAMK2D, CALM2 ve PRKACB'yi çekirdek genler olarak tanımladı. UMAP grafikleri, seçilen DEG'lerin farklılıklarını gösterdi: KCND2, CAMK2D, MT3, LINC00278 ve XIST, kadın AD'de daha yüksek ve erkek AD'de daha düşükken, NLGN4Y, DLG2, PRKACB, CALM2, UTY ve TTTY14 zıttı (Şekil 2G). MT3, CALM2, DLG2, KCND2, PRKACB, CAMK2D ve NLGN4Y son olarak Tablo 1'de gösterildiği gibi astrositlerin cinsiyete özgü DEG'leri olarak belirlendi.

Mikroglia'da cinsiyete özgü DEG'ler
14.265 mikroglial çekirdek (Şekil 3A), 5.327 (% 37.34) erkek AD'den ve 8.938 (% 62.66) kadın AD'den olmak üzere analiz edildi. Cinsiyete özgü DEG'ler, KCNIP4 ve LRRTM4 dahil olmak üzere 224 genin yukarı regülasyonunu ve APOE, MT-CO3 ve FTL dahil olmak üzere 930 genin aşağı regülasyonunu ve değişmemiş 13.111 geni ortaya çıkardı (Şekil 3B). Ayrıca, GO ve KEGG analizleri, bu DEG'lerin esas olarak nöronlar, fagozom, hormonlar ve diğerlerinin yollarında yoğunlaştığını, nöronlar arası sinaps dahil nöronal yollar, fagozom ve fagositozun düzenlenmesi dahil olmak üzere fagositik yollar, östrojen sinyal yolu, oksitosin sinyal yolu vb. dahil olmak üzere hormon yolları ve inflamatuar yanıtın düzenlenmesi, öğrenme veya hafıza, amiloid-beta klerensi dahil olmak üzere diğerleri, vb. (Şekil 3C,D). En yüksek frekansa sahip otuz gen elde edildi, TLR2 ve TREM2 ikinci sırada yer aldı (Şekil 3E). PPI ağları, bu genler arasındaki ilişkiyi araştırmak için inşa edildi (Şekil 3F) ve ACTB, APP ve FYN'yi çekirdek genler olarak tanımladı. UMAP grafikleri, seçilen DEG'lerin farklılıklarını gösterdi: APP, FOS, XIST ve CTSD kadın AD'de daha yüksek ve erkek AD'de daha düşükken, NLGN4Y, TREM2, LINC0028, APOE, UTY ve TTTY14 zıttı (Şekil 3G). TREM2, FOS, APOE, APP ve NLGN4Y nihayet Tablo 2'de gösterildiği gibi cinsiyete özgü mikroglia DEG'leri olarak belirlendi.

Oligodendrositte cinsiyete özgü DEG'ler
77.466 oligodendrositik çekirdek analiz edildi (Şekil 4A), 42.469'u erkek AD'den (T.82) ve 34.997'si kadın AD'den (E.18). Cinsiyete özgü DEG'ler, PCDH9, MT-CO1, NEAT1 ve NPAS3 dahil olmak üzere 384 genin yukarı regülasyonunu, FRMD4A, PLP1 ve LSAMP dahil olmak üzere 188 genin aşağı regülasyonunu ve geri kalan 76.894 genin değişmediğini ortaya koydu (Şekil 4B). Ayrıca, GO ve KEGG analizleri, bu DEG'lerin esas olarak nöronların, sinapsların ve hormonların yollarında yoğunlaştığını, nöron omurgası dahil nöronal yollar, nöron-nöron sinaps ve glutamaterjik/dopaminerjik sinaps dahil sinaptik yollar ve nörotrofin sinyal yolu, aldosteron sentezi ve sekresyonu, kalsiyum sinyal yolu vb. dahil olmak üzere hormon yolları ile yoğunlaştığını tespit etti (Şekil 4C, D). En yüksek frekansa sahip otuz gen elde edildi (Şekil 4E), GRIN2A ve PSEN1 ikinci sırada yer aldı. PPI ağları, bu genler arasındaki ilişkiyi araştırmak için inşa edildi (Şekil 4F) ve GRIN2A ve GRIA2'yi çekirdek genler olarak tanımladı. UMAP grafikleri, seçilen DEG'lerde farklılıklar gösterdi: GRIN2A, ITPR2, GNAS ve XIST, kadın AD'de daha yüksek ve erkek AD'de daha düşükken, NLGN4Y, UTY ve TTTY14 zıttı (Şekil 4G). GRIN2A, ITPR2, GNAS ve NLGN4Y son olarak Tablo 3'te gösterildiği gibi oligodendrositlerin cinsiyete özgü DEG'leri olarak belirlendi.

Anahtar genler ile glial hücrelerin ilk 30 Geni arasındaki etkileşim ve ortak paylaşılan gen olarak NLGN4Y
Venn diyagramları ve PPI ağları, her bir glial hücrenin anahtar genleri (Şekil 5A, B) ve ilk 30 geni (Şekil 5C, D) arasındaki yakın etkileşime genel bir bakış sağlamıştır. Sonuçlar, ACYB, APP, JUN, PRKACB ve DLG2'nin PPI ağının merkezinde olduğunu ve NLGN4Y'nin tüm glial hücrelerde cinsiyete özgü DEG'ler için ortak bir paylaşılan gen olduğunu gösterdi.

Gen-TF-miRNA ağ yapısı
NLGN4Y-TF-miRNA ağı 13 düğüm ve 12 kenar içeriyordu (Şekil 6A). NLGN4Y, 1 TF, yani CTCF ve has-miR-185, has-miR-137 ve has-miR-9 dahil olmak üzere 11 miRNA tarafından düzenlendi.

NLGN4Y'nin hedef ilacını ve TCM'lerini ağ ile görüntüleme
Coremine Medikal'de toplam 1 NLGN4Y hedef ilaç ve 64 dolaylı hedef TCM elde edildi. Sonuçlarda istatistiksel anlamlılığa sahip TCM'ler mavi ile işaretlendi. İlaç Antitrombin III ve ağdaki beş TCM, yani Heikunbu, Wulingzhi, Xiazhicao, Shuizhi ve Mahuang görselleştirildi ve bunlar istatistiksel olarak anlamlı kabul edildi (Şekil 6B).

Hedef TCM'lerin ve karşılık gelen aktif bileşenlerin AD üzerindeki etkileri
Kunbu için TCMIP'de 10 bileşen ve TCMSP'de 48 bileşen alındı. PubMed veri tabanında arama yaparak, AD ile ilgili 5 bileşen elde edildi: fucosterol, saringosterol, tiamin, stearidonik asit ve phlorofucofuroeckol-A, bunlardan ilk ikisinin oral biyoyararlanımı (OB)% ≥30 ve ilaç cinsiyetine (DL) benzer şekilde ≥0.18 idi. Ayrıntılar Tablo 4'te gösterilmektedir. Mahuang'a gelince, TCMIP'de 28 bileşen ve TCMSP'de 363 bileşen alındı. Kunbu ile aynı yöntemle, AD ile ilgili 25 bileşen elde edildi. Bunlar arasında, OB% ≥30 ve DL ≥0.18 içeren 6 bileşen: quercetin, eriodictyol, naringenin, taxifolin, stigmasterol ve luteolin, Tablo 5'in en üstünde listelenmiştir.

Hurb-gen-hastalık ağı ve zenginleştirme analizi
Hurb-gen-hastalık ağı Şekil 6C'de gösterilmiştir. Kunbu ve Mahuang'ın ortak hedef geni, ilişkili hastalıkları AD ve bilişsel eksiklikler olan ACE idi. Sadece Kunbu'nun hedef genleri, sırasıyla yaşlanma ve beyin atrofisi ile ilgili hastalıklar olan ALKBH3 ve ELOVL4 idi.

Kunbu (Şekil 7A, Şekil 8A, Şekil 9A) ve Mahuang (Şekil 7B, Şekil 8B, Şekil 9B) için GO zenginleştirmelerinin (BP, MF ve CC) sonuçları çubuk grafiklerle gösterilir. Kunbu (Şekil 10A) ve Mahuang (Şekil 10B) için reaktom yolları da gösterilmiştir. Oklarla işaretlenmiş zenginleştirilmiş terimler, steroid hormon reseptör aktivitesi, nöron projeksiyonu ve Kunbu'da steroid hormon aracılı sinyal yolu ve kimyasal sinaptik iletim, östrojene bağımlı gen ekspresyonu ve Mahuang'da sinir sistemi süreci gibi "hormon-sinaps-nöron" ekseni ile ilgiliydi.

figure-results-1
Şekil 1: Gen ekspresyonu verilerinin elde edilmesi, tek çekirdekli RNA-seq profili oluşturma ve hücre tipi karakterizasyonu. (A) Analiz hazırlığı için GEO Veri Setlerinden elde edilen numuneler. (B) Toplam çekirdeklerin 2 boyutlu UMAP grafiği (erkek için N = 116,101; Kadın için N = 103.994). (C) Cinsiyete göre bölünmüş her hücre türü için oranlar. (D) UMAP grafiğinde yansıtılan 5 iyi kurulmuş hücre tipi işaretleyicinin ortalama ifadesi. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-results-2
Şekil 2: Astrositler heterojendir ve Alzheimer hastalığında cinsiyete özgü transkriptomik değişikliklere sahiptir. (A) Astrositik çekirdeklerin UMAP grafiği (N = 59,010). (B) Cinsiyete özgü DEG'ler. (C,D) Daire grafikleri, GO ve KEGG veritabanlarından elde edilen astrositik DEG'lerin önemli işlevsel olarak zenginleştirilmiş terimlerini göstermiştir (GO: C, KEGG: D). (E) GO ve KEGG yollarında en sık görülen ilk 30 astrosit-cinsiyet DEG'si. (F) GO ve KEGG yollarında en sık görülen ilk 30 astrosit-cinsiyet DEG'sinin PPI ağı. (G) UMAP grafiklerinde yansıtılan dikkate değer cinsiyete özgü DEG'lerin ortalama ifadesi. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-results-3
Şekil 3: Mikroglialar heterojendir ve Alzheimer hastalığında cinsiyete özgü transkriptomik değişikliklere sahiptir. (A) Mikroglial çekirdeklerin UMAP grafiği (N = 14,265). (B) Cinsiyete özgü DEG'ler. (C,D) Daire grafikleri, GO ve KEGG veri tabanlarından elde edilen mikroglial DEG'lerin önemli fonksiyonel olarak zenginleştirilmiş terimlerini göstermiştir (GO: C, KEGG: D). (E) GO ve KEGGpathways'de en sık görülen 30 mikroglia-cinsiyet DEG'si. (F) GO ve KEGG yollarında en sık görülen ilk 30 mikroglia-seks DEG'sinin PPI ağı. (G) UMAP grafiklerinde yansıtılan dikkate değer cinsiyete özgü DEG'lerin ortalama ifadesi. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-results-4
Şekil 4: Oligodendrositler heterojendir ve Alzheimer hastalığında cinsiyete özgü transkriptomik değişikliklere sahiptir. (A) Oligodendrositik çekirdeklerin UMAP grafiği (N = 77,466). (B) Cinsiyete özgü DEG'ler. (C,D) Daire grafikleri, GO ve KEGG veri tabanlarından elde edilen oligodendrositik DEG'lerin önemli fonksiyonel olarak zenginleştirilmiş terimlerini göstermiştir (GO: C, KEGG: D). (E) GO ve KEGG yollarında en sık görülen ilk 30 oligodendrosit-cinsiyet DEG'si. (F) GO ve KEGG yollarında en sık görülen ilk 30 oligodendrosit-cinsiyet DEG'sinin PPI ağı. (G) UMAP grafiklerinde yansıtılan dikkate değer cinsiyete özgü DEG'lerin ortalama ifadesi. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-results-5
Şekil 5: En yüksek frekanslı DEG'lerin ve PPI ağlarının örtüşmeleri. (A,B) Her glia ve karşılık gelen PPI ağı için anahtar genleri gösteren Venn şeması. (C,D) GO ve KEGG yolakları ve karşılık gelen PPI ağı ile zenginleştirilmiş her glia için en sık cinsiyete özgü 30 DEG'yi gösteren Venn şeması. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-results-6
Şekil 6: NLGN4Y ve çekirdek olarak hedeflenen TCM'leri ile ağ diyagramı. (A) Gen-TF-miRNA düzenleyici ağı. (B) NLGN4Y için gen-ilaç-TCM ağı. (C) Kunbu ve Mahuang'ın TCM-gen-hastalık ağı. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-results-7
Şekil 7: Kunbu ve Mahuang için GO (BP) Zenginleştirme analizi. (A) Kunbu'nun en iyi 20 zenginleştirilmiş biyolojik süreci. (B) Mahuang'ın en iyi 20 zenginleştirilmiş biyolojik süreci. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-results-8
Şekil 8: Kunbu ve Mahuang için GO (MF) Zenginleştirme analizi. (A) Kunbu'nun en iyi 20 zenginleştirilmiş moleküler fonksiyonu. (B) Mahuang'ın en iyi 20 zenginleştirilmiş moleküler fonksiyonu. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-results-9
Şekil 9: Kunbu ve Mahuang için GO (CC) Zenginleştirme analizi. (A) Kunbu'nun en iyi 20 zenginleştirilmiş hücresel bileşeni. (B) Mahuang'ın en iyi 20 zenginleştirilmiş hücresel bileşeni. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-results-10
Şekil 10: Kunbu ve Mahuang için Reactome yolları. (A) Kunbu'nun Reactom yolları. (B) Mahuang'ın Reactome yolları. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Tablo 1: Astrositlerdeki cinsiyete özgü DEG'lerin anahtar genleri. Bu Tabloyu indirmek için lütfen buraya tıklayın.

Tablo 2: Mikroglia'daki cinsiyete özgü DEG'lerin anahtar genleri. Bu Tabloyu indirmek için lütfen buraya tıklayın.

Tablo 3: Oligodendrositlerde cinsiyete özgü DEG'lerin anahtar genleri. Bu Tabloyu indirmek için lütfen buraya tıklayın.

Tablo 4: Kunbu'nun AD'deki aktif maddeleri. Bu Tabloyu indirmek için lütfen buraya tıklayın.

Tablo 5: Mahuang'ın AD'deki aktif bileşenleri. Bu Tabloyu indirmek için lütfen buraya tıklayın.

Ek Şekil 1: R yazılımının kullanımı için ekran görüntüsü. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Tablo 1: Örnek bilgiler. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Tablo 2: İşaretleyici genler. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Dosya 1: R KODU. Bu dosyayı indirmek için lütfen buraya tıklayın.

Tartışma

AD19'un epidemiyolojisi, patolojisi ve klinik bulgularında cinsiyete özgülük tanımlanmıştır. Burada, Alzheimer hastalarında cinsiyete özgü glial genlerden ve ilgili yolaklardan "hormon-sinaps-nöron ekseni"nin potansiyel patolojik mekanizmasını doğruladık. NLGN4Y, üç glia'da paylaşılan tek gendi ve AD'nin cinsiyet özgüllüğü için biyobelirteç olarak seçildi. NLGN4Y'yi düzenleyen TF ve miRNA'lar, cinsiyet farklılıkları ve sinir sisteminin gelişimi ile güçlü bir şekilde bağlantılıydı. Ayrıca, hedef TCM'ler Kunbu ve Mahuang'ın "hormon-sinaps-nöron" eksenini potansiyel olarak etkilediği düşünüldü ve cinsiyet özgüllüğünün düzenlenmesi yoluyla AD için terapötik adaylar olarak hareket ettikleri belirlendi.

Harmony algoritması, verileri nadir hücrelere entegre ederek, büyük örnekler için bellek kullanımını ve hesaplama hızını optimize ederek ve çeşitli hücresel kaynaklar ve teknoloji platformlarıyla karmaşık deneysel tasarımları barındırarak diğer entegrasyon algoritmalarına göre belirgin avantajlar sağladı18. Kalite kontrol ve veri entegrasyon bölümleri, analizin doğruluğunu ve güvenilirliğini artırmada kritik bileşenlerdi ve araştırmacıların AD ve diğer nörodejeneratif hastalıkların biyolojisi hakkında daha derin bilgiler toplamasını sağladı. Bu adımların titiz bir şekilde uygulanması, tek çekirdekli RNA dizileme deneylerinden elde edilen sonuçların genel kalitesini ve geçerliliğini elde etmede çok önemlidir.

Bu protokolde yapılan değişikliklerden biri, verileri normalleştirmek ve standartlaştırmak için SCTransform fonksiyonunun kullanılmasıydı20. Bu adım, verilerin karşılaştırılabilir olmasını ve daha fazla analiz için standartlaştırılmasını sağladı. Toplu etkiyi azaltmak için, toplu işlemin düzeltilmesine ve sonuçların doğruluğunun iyileştirilmesine yardımcı olan ek bir veri entegrasyonu adımı atıldı. Numunelerden biri (GSM5106107) diğer numunelere kıyasla olağandışı performans gösterdiğinde sorun giderme işlemi yapıldı ve analizden çıkarıldı.

Bu çalışmanın bir sınırlaması, bulguların daha geniş popülasyona temsil edilebilirliğini sınırlayabilen, kullanılan nispeten küçük örneklem büyüklüğü ile ilgilidir. Ayrıca, birden fazla laboratuvar ve araştırma grubundan elde edilen verilerin kullanılması, sonuçların tekrarlanabilirliğini ve genelleştirilebilirliğini potansiyel olarak sınırlayan doğal heterojenliği ortaya çıkardı. NLGN4Y için temel düzenleyici faktörlerin tanımlanması bir gen-TF-miRNA düzenleyici ağı aracılığıyla sağlanmış olsa da, bu düzenleyici faktörlere atfedilen fonksiyonel rolleri ve altta yatan mekanizmaları belirlemek için daha fazla deneysel doğrulama gerekliydi. Zenginleştirme analizi, Mahuang ve Kunbu'yu cinsiyete özgü AD tedavisi için potansiyel adaylar olarak önerirken, yalnızca biyoinformatik tahminlere güvenmek, etkinliklerini ve güvenliklerini belirlemek için yetersizdi. Bu umut verici ilaçların terapötik etkilerini doğrulamak için ek deneyler ve klinik çalışmalar zorunluydu.

Bu çalışmada tanımlanan yaklaşım, özellikle AD'deki glial hücreler içinde cinsiyete özgü DEG'lerin ayırt edilmesinde, çeşitli araştırma alanları için önemli bir potansiyel sergilemiştir. Bu tür araştırmalar, erkek ve kadın bireyler arasındaki nüanslı patojenik eşitsizlikleri aydınlatmak için umut vaat etmekte ve sonuç olarak cinsiyete özgü terapötik müdahalelerin formülasyonunu kolaylaştırmaktadır. Ayrıca, yöntemin uygulanabilirliği diğer nörodejeneratif koşullara da yayıldı ve cinsiyete özgü DEG'leri tanımlamak ve hastalıkların altında yatan mekanizmaların anlaşılmasını artırmak için fırsatlar sundu.

Sonuç olarak, çalışma, AD hastalarından alınan tek çekirdekli RNA dizileme verilerini analiz etmek için kapsamlı ve sağlam bir protokol sundu ve potansiyel olarak özel terapötik müdahalelerin geliştirilmesinin önünü açtı. Ayrıca, bu çalışmada kullanılan metodoloji, cinsiyete özgü gen ekspresyon modellerini ortaya çıkarmak ve bu karmaşık hastalıkların anlaşılmasını derinleştirmek için fırsatlar sunan diğer nörodejeneratif koşullara genişletilebilir.

Açıklamalar

Bu yazıda herhangi bir çıkar çatışması yoktur ve tüm yazarlar yayınlanmak üzere gönderimi onaylamıştır.

Teşekkürler

Yazarlar, GSE167490 veri setini sağladıkları için Jessica S Sadick, Michael R O'Dea, Philip Hasel, vb.'ye minnettardır. Yazarlar, Faten A Sayed, Lay Kodama, Li Fan, vb.'nin GSE183068 veri setini sunduğunu takdir ediyor. Yazarlar, veri analizi konusundaki yardımları için Shuqing Liu'ya ve veri analizi platformunu sağladığı için Wen Yang'a teşekkür eder. Bu çalışma, Çin Ulusal Doğa Bilimleri Vakfı (82174511), Chengdu Geleneksel Çin Tıbbı Üniversitesi Kayısı Korusu Bursiyerleri, Disiplin Yetenek Araştırma Geliştirme Programı (QJJJ2022001), LiaoNing Canlandırma Yetenekleri Programı (XLYC 1807083), Sichuan Çin Tıbbı ve Otları İdare Bürosu Fonu (2023MS578), Ulusal Lisans İnovasyon ve Girişimcilik Eğitim Projesi (202310633003X) ve Bilimsel araştırma uygulamasının yenilikçi konuları tarafından desteklenmiştir Chengdu Geleneksel Çin Tıbbı Üniversitesi'ndeki üniversite öğrencileri için (ky-2023100). Hanjie Liu ve Hui Yang, çalışmanın tasarımına, toplanmasına, verilerin yorumlanmasına ve el yazmasının taslağının hazırlanmasına ve gözden geçirilmesine katkıda bulundu. Shuqing Liu ve Siyu Li, çalışmanın tasarımına, verilerin toplanmasına ve el yazmasının taslağının hazırlanmasına katıldı. Wen Yang ve Anwar Ayesha, verilerin toplanmasından ve yorumlanmasından sorumluydu. Xin Tan figürler ve/veya tablolar hazırladı. Cen Jiang, Yi Liu ve Lushuang Xie çalışmayı tasarladı ve el yazmasını gözden geçirdi / düzenledi. Tüm yazarlar makaleye katkıda bulunmuş ve gönderilen versiyonu onaylamıştır.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Database
Coremine Medical databaseNorveç, Çin Bilimler Akademisi, Çin Tıp Bilimleri Akademisi, Amerika Birleşik Devletleri Ulusal Tıp Kütüphanesi ve diğer kurumlarCoreMine Medical'de kavramları keşfettiğinizde, istatistiksel alaka düzeyine göre sıralanmış, önemli kavramları ilişkilendirmek için yapılandırılmış bir veritabanına erişirsiniz. konunuza göre. Örneğin, "Alzheimer hastalığı" yazarsanız, hastalığı tartışan belgeleri ve kaynakları almanın yanı sıra, sorgu kavramınızın diğer biyomedikal kavramlarla nasıl ilişkili olduğunu gösteren ağları ve listeleri görüntüleyebilirsiniz. Bu, aramanızla ilgili kavramlara genel bir bakış sağlamanın yanı sıra bu kavramlarla ilgili bilgilerde gezinmek için bir arayüz sağlar.
Web bağlantısı: https://coremine.com/medical/
Gene Expression Omnibus (GEO)Amerika Birleşik Devletleri'ndeki Ulusal Biyoteknoloji Bilgi Merkezi (NCBI)GEO, MIAME uyumlu veri gönderimlerini destekleyen halka açık bir işlevsel genomik veri deposudur. Dizi ve sıra tabanlı veriler kabul edilir. Kullanıcıların deneyleri ve seçilmiş gen ekspresyon profillerini sorgulamasına ve indirmesine yardımcı olmak için araçlar sağlanmıştır.
Web bağlantısı: https://www.ncbi.nlm.nih.gov/geo/
Geleneksel Çin Tıbbının Bütünleştirici Farmakoloji Tabanlı Araştırma Platformu (TCMIP, sürüm: 2.0)YokGeleneksel Çin Tıbbı için Entegre Farmakoloji Tabanlı Ağ Hesaplamalı Araştırma Platformuna Giriş [TCMIP v2.0], http://www.tcmip.cn/ ) Akıllı bir veri madenciliğidir Tıbbi büyük veri yönetimi ve farmakolojik bilgi işlem hizmetlerini entegre eden Geleneksel Çin Tıbbı Ansiklopedisi'nin (ETCM) çevrimiçi veritabanına dayalı platform. Geleneksel Çin tıbbı teorisinin bilimsel çağrışımını ve geleneksel Çin tıbbında orijinal düşüncenin bilimsel değerini ortaya çıkarmayı, ünlü doktorların deneyimlerini özetlemeyi ve aktarmayı, geleneksel Çin tıbbının kalitesini kontrol etmeyi, geleneksel Çin tıbbı eyleminin ilkelerini açıklamayı, yeni Çin tıbbının araştırılması ve geliştirilmesi, özellikle modern ilaç kombinasyonlarının keşfi ve optimizasyonu, Güçlü bir veri temeli ve analitik araçlar sağlayın. TCMIP v1.0'a dayalı olarak, beş ana veritabanı ve yedi işlevsel modül dahil olmak üzere kapsamlı bir yükseltme uygulandı. Sistem entegrasyonu ve modül entegrasyonu sayesinde, "hastalık sendromu reçetesi" etkileşim ağının çok seviyeli korelasyonunun kapsamlı bir analizi hızlı bir şekilde elde edilebilir. Akıllı bir veri madenciliği platformu olarak TCMIP v2.0, geleneksel Çin tıbbı teorisinin bilimsel çağrışımını ve geleneksel Çin tıbbında orijinal düşüncenin bilimsel değerini ortaya çıkarmak, ünlü doktorların deneyimlerini özetlemek ve miras almak, geleneksel Çin tıbbının kalite kontrolü, geleneksel Çin tıbbı eyleminin ilkelerini açıklamak, yeni geleneksel Çin tıbbı ilaçlarının araştırılması ve geliştirilmesi, özellikle modern ilaç kombinasyonu keşfi ve optimizasyonu.
Weblink: http://www.tcmip.cn/TCMIP 
NetworkAnalystNoneNetworkanalyze, gen ekspresyon analizi ve meta-analiz için çevrimiçi bir görselleştirme analiz platformudur. Gen ekspresyonunun karşılaştırmalı, kantitatif, diferansiyel ve zenginleştirme analizini, protein-protein etkileşim analizini, çoklu veri kümelerinin entegrasyon analizini yapabilir ve ayrıca PCA, protein-protein etkileşim ağı diyagramı, ısı haritası, volkan diyagramı, Wayne diyagramı vb. gibi yüksek değerli görüntüler çizebilir.
Web bağlantısı: https://www.networkanalyst.ca/NetworkAnalyst/
PubMed veritabanıAmerika Birleşik Devletleri Ulusal Biyoteknoloji Bilgi Merkezi (NCBI)Pubmed veritabanı, Amerika Birleşik Devletleri'ndeki Ulusal Tıp Kütüphanesi (NLM) tarafından sürdürülen ve dünya çapındaki bilim adamlarına, doktorlara, araştırmacılara ve öğrencilere en son tıbbi araştırma sonuçlarını sağlamayı amaçlayan bir biyomedikal literatür veritabanıdır. Bu veritabanı, dergi makaleleri, makaleler, kitaplar vb. dahil olmak üzere dünyanın dört bir yanından biyomedikal literatürü toplar. Şu an itibariyle, Pubmed veritabanı 30 milyondan fazla makale topladı ve her hafta sürekli olarak güncelleniyor.
Weblink: https://pubmed.ncbi.nlm.nih.gov/
R yazılımıRoss Ihaka ve Robert GentlemanR, istatistiksel hesaplama ve grafikler için bir dil ve ortamdır. Bu, Bell Laboratuvarları'nda (eski adıyla AT& T, şimdi Lucent Technologies) John Chambers ve meslektaşları tarafından. R, S'nin farklı bir uygulaması olarak düşünülebilir. Bazı önemli farklılıklar
vardır, ancak S için yazılan birçok kod R.
Weblink altında değiştirilmeden çalışır: https://www.r-project.org/
Geleneksel Çin Tıbbı Sistemleri Farmakoloji Veritabanı ve Analiz Platformu (TCMSP)Zhejiang Jiuwei Health Co., LtdTCMSP yalnızca bir veri deposu değil, aynı zamanda kullanıcıların Geleneksel Çin İlaçlarını (TCM) kapsamlı bir şekilde incelemeleri için bir analiz platformudur: aktif bileşenlerin tanımlanması, ilaç hedeflerinin taranması ve bileşik-hedef-hastalık ağlarının oluşturulmasının yanı sıra ilaç benzerliği (DL), oral biyoyararlanım (OB), kan-beyin bariyeri (BBB), bağırsak epitel geçirgenliği (Caco-2), ALogP, fraksiyonel negatif yüzey alanı (FASA-) ve   sayısını içeren ayrıntılı ilaç farmakokinetik bilgileri; H-bağı  Verici/Alıcı   (Hdon/Hacc). Şimdiye kadar, TCMSP geniş ilgi gördü ve birkaç grup yaklaşık bir yıl içinde TCMSP veritabanımızı kullanarak 10'dan fazla makale yayınladı.
Weblink: https://tcmsp-e.com
tarafından ortaklaşa geliştirilmiştir.

Kaynaklar

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

Yeniden basım ve izinler

Etiketler

Cinsiyete Özgü BiyobelirteçlerTek Çekirdek TranskriptomlarıDiferansiyel Eksprese Edilmiş GenlerAstrosit BiyobelirteçleriMikroglia BiyobelirteçleriOligodendrosit BiyobelirteçleriUMAP GörselleştirmeBiyoenformatik Analiz
Alzheimer Hastalığının Cinsiyet Özgüllüğü için Glial Transkriptom Profillerine Dayalı Biyobelirteç Tanımlaması
Bize Ulaşın
Kütüphaneye Öner

Gizlilik

Kullanım Koşulları

Politikalar

Telif Hakkı © 2026 MyJoVE Corporation. Tüm hakları saklıdır.