Bu çalışma, kamu GEO veri setlerinin entegre biyoinformatik yeniden analizini tek hücre bağlamıyla birleştirerek, majör depresif bozukluk ile dermatomiyozit arasındaki aday ortak genleri belirlemek ve dermatomiyozitle ilişkili tek hücreli veri setinde bağışıklık hücresi alt kümeleri arasında dağılımlarını karakterize etmek amacıyla kullanıldı.
Araştırma makalesi
Kamusal transkriptomların yeniden analizi, tek hücreli bağlamda majör depresif bozukluk ile dermatomiyozit arasında ortak bağışıklık imzalarını ortaya koyuyor
Fei Teng*1,2 , Sisi Zheng*1 , Xiatian Zhang3 , Zhongwen Lu2 , Pengrui Wang2 , Peng Wang4 , Dongqing Yin1
1Beijing Key Laboratory of Mental Disorders, National Clinical Research Center for Mental Disorders & National Center for Mental Disorders, Beijing Anding Hospital, Capital Medical University, 2Beijing University of Chinese Medicine Third Affiliated Hospital, 3Institute for Regeneration and Repair, University of Edinburgh, 4The Second Department of Healthcare, China-Japan Friendship Hospital
* These authors contributed equally
Yeni sekmede açılır
Bu makalede
Özet
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Özet
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Bu çalışma, kamu GEO veri setlerinin tek hücre bağlamlandırmasıyla entegre bir biyoinformatik yeniden analiziyle majör depresif bozukluk ile dermatomiyozit arasında aday paylaşılan transkriptomik sinyalleri belirlemeyi amaçladı. Analitik iş akışı, anahtar modül tanımlaması için Ağırlıklı Gen Ortak İpresyonu Ağ Analizi (WGCNA), fonksiyonel karakterizasyon için Gen Ontolojisi (GO) ve Kyoto Genler ve Genomlar Ansiklopedisi (KEGG) zenginleştirme analizleri, aday gen önceliklendirmesi için GeneMANIA ve ağ görselleştirme platformu tabanlı ağ analizi ile tanısal özellik seçimi için SHapley Additive ExPlanations (SHAP) ile birleştirilmiş 113 makine öğrenimi modelinin değerlendirilmesini içeriyordu. Tanımlanan sinyallerin bağışıklık ilişkili hücresel bağlamını daha da karakterize etmek için Gen Seti Zenginleştirme Analizi (GSEA), bağışıklık infiltrasyon analizi ve tek hücreli RNA dizisi tabanlı bağlamlandırma daha sonra gerçekleştirildi. Dermatomyozitle ilişkili GEO veri setlerinin entegrasyonu, WGCNA ile 33 aday ortak genin elde edildiği 570 farklı ekspresyon geni tespit etti. Fonksiyonel zenginleştirme ve ağ analizleri, bağışıklık savunması, sitotoksisite ve PPAR, IL-17 ile antijen işleme gibi yolları vurguladı; ELANE, PPBP ve CTSG ise yüksek bağlantılı düğümler olarak ortaya çıktı. Makine öğrenimi tabanlı özellik önceliklendirmesi, KIF4A, OLR1, KIR2DL4, KRT23, KIR3DS1, AZU1, SCG5 ve LRRC37E olmak üzere 8 aday model seçilmiş geni korudu. İmmün infiltrasyon analizi, bu ortak genleri düzenleyici T hücreleri (Tregler), dinlenme mast hücreleri, dinlenme dendritik hücreleri ve hem klasik olarak aktive olan (M1) hem de alternatif olarak aktive edilmiş (M2) makrofajlarla ilişkilendirdi. Tek hücreli RNA-sekem bağlamıştırması, farklı aday-gen skor durumlarına sahip CD8⁺ T hücre alt kümelerinin farklı hücreler arası iletişim kalıpları gösterdiğini gösterdi. Bunlar arasında, MIF–(CD74+CD44) ekseni ve naif/merkezi bellek T hücrelerinden gelen sinyaller, daha fazla doğrulama gerektiren dikkat çekici özelliklerdi. Genel olarak, bu çalışma majör depresif bozukluk ile dermatomiyozit arasında aday paylaşılan transkriptomik sinyalleri belirledi ve gerçek komorbid kohortlarda daha fazla doğrulama gerektiren bağışık hücresel bağlamları vurguladı.
Giriş
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Dermatomiyozit, cilt ve iskelet kaslarının inflamatuar müdahalesiyle karakterize edilen kronik sistemik otoimmün hastalıktır; klinik olarak simetrik proksimal kas zayıflığı ve belirgin deri lezyonları ile ortaya çıkar; ağır vakalarda ise çoklu organ disfonksiyonu ile ortaya çıkar. Biriken klinik kanıtlar, dermatomiyozitli hastaların sıklıkla psikiyatrik eşlik hastalıkları yaşadığını ortaya koymaktadır; özellikle de majör depresifbozukluk 2,3,4. Dermatomyozit ile ilişkili majör depresif bozukluğun patogenezi, psikososyal sıkıntısı, nöroendokrin düzensizlik ve sistemik immünoinflamasyon arasındaki karmaşık bir etkileşimden kaynaklanan çok faktörlüdür. Sürekli ağrı, yorgunluk ve ilerleyici kas zayıflığı, fiziksel işlevi ve yaşam kalitesini önemli ölçüde olumsuz etkileyebilir. Bu yükler sosyal rollerin bozulmasına, kronik psikolojik strese ve azalan özerkliğe yolaçabilir 5. Ayrıca, uzun süreli glukokortikoid maruziyeti, hipotalamus-hipofiz-adrenal (HPA) eksenini bozabilir ve hipokampal plastisiteyi bozabilir, böylece depresyonla ilişkili belirtilere karşı savunmasızlığıartırabilir 6. Ayrıca, dermatomiyozitte sürekli bağışıklık aktivasyonu ve sistemik iltihaplanma, depresyonla ilişkili semptomlara potansiyel katkı sağlayanlar olarak giderek daha fazla kabuledilmektedir 7. Bu periferik aracılar, nörotransmitter metabolizması ve nöroplastisliği modüle ederek merkezi sinir sistemini etkileyebilir ve böylece sistemik otoimmüniteyi nöropsikiyatrikbelirtilerle ilişkilendirebilir 7,8,9,10.
Önemli olarak, bu gerekçe her iki hastalığın da biyolojik olarak homojen olduğu anlamına gelmez. Dermatomiyosit, farklı inflamatuar ve klinik profillere sahip anti-MDA5 ve anti-TIF1-γ ilişkili fenotipler dahil olmak üzere klinik ve serolojik olarak farklı alt setlerdenoluşur 11,12,13. Majör depresif bozukluk da giderek heterojen bir durum olarak kabul edilmekte ve mevcut kanıtlar, tek bir evrensel inflamatuar imza yerine bir bağışıklık inflamatuar alt tipinvarlığını desteklemektedir 14,15. Buna göre, mevcut çalışma tek boyutta herkese uyan ortak moleküler programı varsaymak için tasarlanmadı; bunun yerine, bağımsız kamu veri setleri boyunca kohort düzeyinde tespit edilebilecek örtüşen imimik-ilişkili transkriptomik sinyalleri taramak için tasarlandı.
Psikososyal stres ve tedaviye maruz kalmanın ötesinde, majör depresif bozukluk ile dermatomiyozit arasında daha biyolojik olarak test edilebilir bir bağlantı ortak bağım-inflamatuar düzensizliktir. Majör depresif bozukluk heterojen bir durumdur ve tek bir evrensel transkriptomik profile sahip olduğu varsayılmamalıdır. Ancak, yakından kanıtlar büyük depresif bozukluğun iltihapla ilişkili bir alt tipini desteklemekte ve periferik transkriptomik çalışmalar, etkilenen bireylerin alt kümelerinde doğuştan gelen bağışık, nötrofil ilişkili, interferon ve komplement yollarının düzensizliğini tespitetmiştir 14,16,17. Paralel olarak, MAPK ile ilişkili stres sinyalleri de depresiffenotipler 18'de rol oynamıştır. Dermatomiyozit ise, interferon kaynaklı bir otoimmün hastalık olarak tanınmış olup, kan ve etkilenen dokularda yapılan transkriptomik çalışmalar, tip I interferonun ve daha geniş bağışıklık inflamatuar programlarının aktivasyonunu tutarlı şekilde göstermiştir; Son zamanlarda yapılan çoklu omik analizler, dermatomiyosit 19,20,21'de ERK- ve p38 MAPK ile ilişkili yol aktivitesini daha da vurgulamıştır. Bu bulgular topluca, bağışıklık ilişkili transkriptomik sinyallerin bir alt kümesinin bağımsız kamu veri setlerinde majör depresif bozukluk ile dermatomiyozit arasında örtüşüp örtüşmeyeceğini incelemek için biyolojik olarak makul bir gerekçe sunuyor.
Bu gözlemlere rağmen, majör depresif bozukluk ile dermatomiyozit arasındaki örtüşmenin moleküler temeli yeterince anlaşılmamaktadır. Önemli olarak, şu anda mevcut olan kamuya açık veri setleri, aynı anda hem majör depresif bozukluk hem de dermatomyozit teşhisi konmuş gerçek bir hasta grubu sunmamaktadır. Bu nedenle, dermatomyozit hastalarında depresyonu doğrudan analiz etmek yerine, mevcut çalışma büyük depresif bozukluk ve dermatomiyozitin ayrı kamu veri setlerinde entegre bir biyoinformatik yeniden analiz çerçevesi aracılığıyla aday paylaşılan transkriptomik sinyalleri belirlemek üzere tasarlanmıştır22. Özellikle, halka açık transkriptomik veri setleri, diferansiyel ifade analizi, ağırlıklı gen ortak ifade ağı analizi (WGCNA), fonksiyonel zenginleştirme analizi, ağ tabanlı analiz ve makine öğrenimi tabanlı özellik önceliklendirmesi kullanılarak çapraz hastalık aday genleri ve yollarıbelirlendi 23. Ayrıca, dermatomyozitle ilişkili tek hücreli veri seti bu aday genleri bağışıklık hücre düzeyinde bağlam olarak değerlendirmek için analiz edilmiştir. Şekil 1'de gösterildiği gibi, genel analitik iş akışı adımlı bir akış şemasıyla özetlenmiştir. Bu çalışma, kesin bir eşlik mekanizması oluşturmak yerine, majör depresif bozukluk ile dermatomyozit arasında ortak aday moleküler sinyalleri belirlemek için hipotez odaklı bir çerçeve oluşturmayı amaçladı.
Buna göre, bu çalışma adımlı önceliklendirme çerçevesi benimsedi. Hastalıkla ilişkili ortak ekspresyon modülleri ilk olarak majör depresif bozukluk ve dermatomiyozit veri setlerinde ayrı olarak tanımlanmış ve bu örtüşmeler, aday çapraz hastalık ortak sinyallerini tanımlamak için kullanılmıştır. Bu adaylar daha sonra zenginleştirme ve GeneMANIA tabanlı ağ analiziyle işlevsel olarak bağlamlandırıldı, makine öğrenimi yöntemleri kullanılarak dermatomyozit merkezli bir sınıflandırma çerçevesinde önceliklendirildi ve sonunda dermatomyozit ile ilişkili tek hücreli veri setinde hücresel bağlamlandırma sağlanarak incelendi.
Şekil 1: Veri toplama ve analiz sürecinin akış şeması. Bu şeklin daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
Çapraz hastalık moleküler örtüşmesini araştırmak için çeşitli alternatif yaklaşımlar kullanılmıştır. Diferansiyel olarak ifade edilen gen (DEG) listelerinin basit kesişimi hesaplama açısından basittir, ancak ortak ifade analiziyle sağlanan modül düzeyindeki bağlamsal bilgiye sahip değildir ve rastgele katlanma değişimi ile P-değer eşiklerine duyarlıdır. Geleneksel meta-analiz, aynı hastalık çalışmaları arasında etki boyutlarını havuzlar ancak iki farklı durum arasında paylaşılan sinyalleri tanımlamak için tasarlanmamıştır. Mevcut iş akışı, birden fazla tamamlayıcı analitik katmanı entegre eder—ortak ifade modülü örtüşmesi, fonksiyonel zenginleştirme, ağ analizi, makine öğrenimi tabanlı özellik önceliklendirme, bağışıklık dekonvolüsyonu ve tek hücre bağlamıştırma—her biri ardışık önceliklendirme çerçevesinde farklı bir amaca hizmet eder. Bu çok katmanlı tasarım, aday gen sayısını adım adım azaltmaya yardımcı olur ve birden fazla düzeyde çapraz doğrulama biyolojik bağlamlandırma sağlar. Protokol, özellikle gerçek komorbid kohortlar mevcut olmadığı durumlarda, kamuya açık toplu transkriptomik ve isteğe bağlı tek hücreli veri setleri olan herhangi bir hastalık çiftine uygulanabilir. Ancak, iş akışı gözlemcidir ve resmi nedensel çıkarım çerçevelerini içermez; Tüm bulgular hipotez üreten olarak yorumlanmalı ve bağımsız deneysel doğrulama gerektirmelidir.
Genel olarak, analitik iş akışı doğrudan nedensel çıkarım çerçevesi yerine ardışık önceliklendirme stratejisi olarak tasarlandı. Her adım farklı bir amaca hizmet etti: aday paylaşılan sinyal tanımlaması için WGCNA tabanlı modül örtüşmesi, biyolojik bağlamlandırma için zenginleştirme/ağ analizi, dermatomyozit ile ilgili sınıflandırmada özellik önceliklendirmesi için makine öğrenimi ve hücre tipi düzeyinde bağlamlandırma için tek hücre analizi.
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Protokol
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Bu çalışma, yalnızca Gen İfadesi Omnibus (GEO) veritabanından kamuya açık ve kimliği belirsiz veri setlerini kullandı. Çalışma, mevcut kamu verilerinin ikincil analizini içerdiği ve doğrudan katılımcı teması, müdahale veya tanımlanabilir kişisel bilgilere erişim içermediği için, ek etik komite onayı ve bilgilendirilmiş onayı gerektirmemiştir.
Veri kaynakları ve ön işleme
Tüm gen ifadesi ve tek hücre veri seti GEOveritabanı 24'ten alınmıştır. Majör depresif bozukluk için, 128 hasta ve 64 sağlıklı kontrol grubundan periferik kan örneklerinden oluşan GSE98793 veri seti kullanıldı. Dermatomyozit için, veri setleri önceden belirlenmiş kriterlere göre seçildi; bunlar arasında Homo sapiens ifade profili, açıkça tanımlanabilir hastalık ve kontrol grupları, prob-gen haritalama için mevcut platform notasyonu ve keşif veya doğrulama analizi için uygunluk dahildir. Bir GEO serisi birden fazla inflamatuar miyopati alt tipi içerdiğinde, bu çalışma için yalnızca dermatomiyozit ve normal kontrol örnekleri çıkarılmıştır. GSE1551, GSE46239 ve GSE128470 keşif/eğitim veri setleri olarak kullanılırken, GSE5370, GSE39454 ve GSE11971 bağımsız doğrulama veri setleri olarak kullanıldı. Bu çalışmada analiz edilen dermatomiyozit veri setleri, periferik kandan ziyade ağırlıklı olarak etkilenen kas veya cilt dokularından türetilmiştir. Dermatomiyozit için tek hücreli veriler GSE190510 veri setinden alınmıştır.
Ham ifade matrisleri, GEO veritabanından ilgili platform açıklama dosyalarıyla birlikte indirildi. Prob kimlikleri, üretici tarafından sağlanan GPL açıklamasına göre resmi gen sembollerine eşlendi. Tek bir resmi gen sembolüne net olarak eşlenemeyen sondalar kaldırıldı. Birden fazla prob aynı gene eşlendiğinde, limma paketindeki 'avereps' fonksiyonunun uyguladığı ortalama ifade değeri kullanılarak gen seviyesinde kısaltıldı ve böylece örnek bir gen bazında bir ifade matrisi oluşturuldu.
Yoğunluğa bağlı önyargıyı azaltmak ve varyansı stabilize etmek için, ifade değerlerinin dağılımına göre uygun olduğunda log2 dönüşümü uygulanmıştır. Dizi arası normalizasyon, limma paketindeki 'normalizeBetweenArrays' fonksiyonu kullanılarak gerçekleştirildi. Eksik değerler varsa, K-en yakın komşu ödümlemesi kullanılarak atfedilirdi. Entegre dermatomiyozit eğitim veri setleri için, toplu düzeltme sva paketindeki 'ComBat' fonksiyonu kullanılarak gerçekleştirildi; veri seti/platform kökeni parti değişkeni olarak ele alındı ve tasarım matrisine örnek grubu (dermatomiyozit ile sağlıklı kontrol karşılaştırması) dahil edildi; böylece parti düzenlemesi sırasında ilgi duyan biyolojik varyasyon korundu.
Tüm analizler, masaüstü işletim sisteminde R için entegre geliştirme ortamı kullanılarak R içinde gerçekleştirildi. Limma paketi, prob özetleme ve normalleştirme için kullanıldı. ComBat toplu düzeltme için sva paketi kullanıldı. Eksik değerler, k = 10 olan K-en yakın komşu ödümlemesi kullanılarak atfedilirdi.
Ağırlıklı gen ortak ifade ağı analizi
Ağırlıklı Gen Ortak İpresyonu Ağı Analizi (WGCNA), WGCNA Rpaketi 25,26 kullanılarak majör depresif bozukluk ve dermatomiyozit veri setleri için ayrı ayrı gerçekleştirildi. Örnekler, istisna değerleri belirlemek için flashClust kullanılarak hiyerarşik olarak kümelendi; dendrogram yüksekliği 100'ü aşan örnekler ve varyansın alt %25'indeki genler hariç tutuldu. Her ağ için, yaklaşık ölçeksiz topoloji elde etmek amacıyla pickSoftThreshold kullanılarak yumuşak eşik güç (β) seçildi (R2 > 0.8). Bitişik matrisi Topolojik Örtüşme Matrisine (TOM) dönüştürüldü ve modüller dinamik ağaç kesimiyle minimum modül boyutu 60 ve birleştirme kesim yüksekliği 0.2527 ile tanımlandı. WGCNA R paketi, hiyerarşik kümeleme için flashClust ile birlikte kullanıldı. Rastgele tohum, tekrarlanabilirlik için 12345 olarak ayarlandı. Modül özgenleri, Pearson korelasyonu kullanılarak hastalık durumuyla korelasyon yapıldı ve P-değerleri Benjamini–Hochberg yöntemiyle ayarlandı. Her hastalık için, hastalık durumuyla en güçlü ve en anlamlı ilişkiyi gösteren modül, ana hastalıkla ilişkili modül olarak korundu. Büyük depresif bozukluk veri setinden gelen anahtar modül genleri ile dermatomiyozit veri setinden genler arasındaki örtüşme, sonraki analizler için aday paylaşılan gen seti olarak tanımlandı. Entegre dermatomiyozit kohortunun diferansiyel ekspresyon analizi, dermatomiyozitle ilişkili transkripsiyonel değişiklikleri karakterize etmek için ayrı olarak gerçekleştirilmiştir.
Fonksiyonel zenginleştirme analizi
Gen Ontolojisi (GO) zenginleştirme analizi R kullanılarak gerçekleştirildi. Gen sembolleri org kullanılarak Entrez ID'lere dönüştürüldü. Hs.eg.db ve anlamlı zenginleştirilmiş GO terimleri (p < 0.05) kümeProfiler'da enrichGO kullanılarak tanımlandı. Sonuçların çok boyutlu görselleştirmesi için, enrichplot paketi kullanılarak çubuk grafikleri ve baloncuk grafikleri oluşturulurken, circlize paketiyle birlikte GO kategorilerini, gen sayılarını ve zenginleştirme faktörlerini göstermek üzere dairesel bir grafik oluşturuldu. Legends ComplexHeatmap paketiyle birlikte eklendi. Kyoto Genler ve Genomlar Ansiklopedisi (KEGG) farklı şekilde ifade edilen genlerin yol zenginleştirme analizi de R'de gerçekleştirildi. Gen sembolleri, organizasyona dayalı olarak Entrez ID'lerine dönüştürüldü. Hs.eg.db veritabanı ve anlamlı zenginleştirilmiş yollar (FDR < 0.05), clusterProfilerpaketi 28,29,30,31'den enrichKEGG fonksiyonu kullanılarak tanımlanmıştır. Zenginleştirme sonuçları bar ve baloncuk grafikleri kullanılarak görselleştirildi.
GeneMANIA tabanlı fonksiyonel ilişki ağı analizi
Daha önce tanımlanan ortak genlere dayanarak, bu genler ile ilgili partnerleri arasındaki etkileşim bağlamını incelemek için GeneMANIA tabanlı fonksiyonel bir ilişki ağı oluşturuldu. Gen listesi, Homo sapiens referans türü kullanılarak GeneMANIA'ya gönderildi. GeneMANIA, ortak ifade, fiziksel etkileşimler, yollar, ortak lokalizasyon, genetik etkileşimler ve paylaşılan protein domainleri dahil olmak üzere birden fazla kanıt türünü entegre eder. Ortaya çıkan ağ, görselleştirme ve analiz için bir ağ görselleştirme platformuna aktarıldı ve aktarıldı. Daha sonra ağın topolojik analizi, görselleştirme ve analiz için ağ görselleştirme platformunda gerçekleştirilerek yüksek bağlantılı adaydüğümler 32,33,34 belirlenmiştir.
Makine öğrenimi tabanlı tanı modeli inşası
Tanısal sınıflandırma için birden fazla makine öğrenimi algoritması kullanıldı; bunlar arasında Random Forest (RF), Support Vector Machine (SVM), Lineer Discriminant Analysis (LDA), Naive Bayes, Gradient Boosting Machine (GBM), XGBoost, glmBoost, Elastic Net (Enet), Ridge, Least Absolute Shrinkage and Selection Operator (LASSO), Stepwise Genelleştirilmiş Lineer Model (Stepglm) ve Kısmi En Küçük Kare Regresyon Genelleştirilmiş Lineer Model (plsRglm)35 yer yer aldı. 113 aday model kombinasyonu oluşturmak için iki aşamalı bir modelleme çerçevesi uygulandı. İlk aşamada, eğitim kohortunda değişken taraması için ilk algoritma kullanıldı; İkinci aşamada, tutulan değişkenler tanısal sınıflandırma modeline uymak için kullanıldı. ≤5 seçilmiş değişkene sahip modeller daha fazla karşılaştırmadan hariç tutuldu. Birleşik dermatomiyozit veri setleri eğitim kohortu olarak hizmet verdi; dermatomiyozit ve sağlıklı kontroller arasında etiketler tanımlandı, bağımsız doğrulama kohort(lar) ise dış performans değerlendirmesi için kullanıldı. İç yeniden örnekleme ve ayarlama algoritmaya özboluşluydu: glmnet tabanlı modeller (LASSO, Ridge ve Elastic Net) lambda.min seçmek için 10 kat çapraz doğrulama kullandı; GBM, optimal ağaç sayısını belirlemek için 10 kat dahili çapraz doğrulama kullandı; XGBoost, minimum test log-kaybına göre son boost turunu seçmek için 5 kat yeniden örnekleme kullandı; glmBoost, durdurma yinelemesini belirlemek için cvrisk tabanlı dahili çapraz doğrulama kullandı; ve LDA, caret çapraz doğrulama çerçevesi kapsamında yer aldı. Mevcut uygulamada açık ayar adımları olmayan algoritmalar için sabit veya paket varsayılan ayarları kullanılmıştır. Bilgi sızıntısını azaltmak için özellik seçimi, model uyumu ve iç ayarlama yalnızca eğitim kohortu kullanılarak gerçekleştirilirken, doğrulama kohort(ları) yalnızca bağımsız tahmin ve AUC tabanlı performans değerlendirmesi için kullanıldı. Caret paketi, makine öğrenimi iş akışı yönetimi için kullanıldı; bireysel algoritmalar için glmnet, randomForest, e1071, gbm, xgboost, mboost, plsRglm ve MASS ile birlikte kullanıldı. SHAP analizi shapviz paketi kullanılarak gerçekleştirildi. Her model uyumundan önce rastgele tohum 12345 olarak ayarlandı. Seçilmiş özelliklerin 5'ten az olduğu modeller hariç tutuldu. Model yorumlanabilirliği ve gen düzeyindeki katkı, SHapley Additive ExPlanations (SHAP) kullanılarak daha fazla değerlendirildi ve en bilgilendirici genler, aşağı akım biyolojik yorumlama için model tarafından seçilen aday özellikler olarak öncelendirildi.
Tanı performansının değerlendirilmesi
Alıcı çalışma karakteristikası (ROC) eğrileri, aday biyobelirteçlerin tanısal performansını değerlendirmek için "pROC" R paketi kullanılarak oluşturuldu. Aday belirteçlerin ifade seviyeleri ve öngörücü doğruluğu, bağımsız veri setlerinde (GSE5370, GSE11971 ve GSE39454) doğrulandı. Model performansı karışıklık matrisleri kullanılarak daha fazla değerlendirildi. Ana modül genlerinin diferansiyel ekspresyonu, volkan ve kutu grafikleri kullanılarak görselleştirildi ve bireysel genlerin tanı değerini değerlendirmek için ROC eğrileri oluşturuldu.
Gen seti zenginleştirme analizi
Aday paylaşılan transkriptomik sinyallerle ilişkili koordineli fonksiyonel değişiklikleri araştırmak için, Gen Seti Zenginleştirme Analizi (GSEA) clusterProfiler36,37 kullanılarak gerçekleştirildi. Dermatomiyozit ve kontrol örneklerinden elde edilen gen ifade verileri farklı ifadelere göre sıralandı. KEGG yollarına karşılık gelen önceden tanımlanmış gen setleri (c2.cp.kegg.Hs.symbols.gmt), her yol içindeki genlerin koordineli bir yukarı veya aşağı regülasyon eğilimi gösterip göstermediğini değerlendirmek için kullanıldı. İstatistiksel anlamlılık P < 0.05 olarak tanımlandı.
İmmün hücre infiltrasyon analizi
Normalleştirilen, log2-transforme edilmiş ve toplu düzeltme dermatomiyozit matrisi immün dekonvolüsyon için kullanıldı. CIBERSORT algoritması, LM22 referans matrisi38 kullanılarak bağışıklık hücresi alt tiplerinin göreceli bolluğunu tahmin etmek için uygulanmıştır. Dekonvolüsyon P < 0.05 olan örnekler aşağı akış analizi için tutuldu. Gruplar arasındaki çıkarılan bağışıklık hücre oranlarındaki farklar kutu grafikleri kullanılarak görselleştirildi ve bağışıklık hücresi alt kümeleri ile aday paylaşılan genler arasındaki ilişkileri değerlendirmek için Spearman korelasyon analizi yapıldı.
Hücresel bağlamlandırma için tek hücreli RNA dizileme analizi
Tek hücreli RNA-sek analizleri R'de Seurat kullanılarak gerçekleştirildi. Harmony parti düzeltmesi için, DoubletFinder çift tespit için kullanıldı, celda/decontX ortam RNA tahmini için, Monocle sahte zaman yörünge analizi için, CellChat hücre-hücre iletişim analizi için, AUCell gen seti aktivite puanlaması için ve GSVA ssGSEA puanlaması için kullanıldı. Ham sayı matrisleri, min.cells = 5 ve min.features = 300 parametreleriyle Seurat nesnelerine aktarıldı. Her hücre için mitokondriyal, ribozomal ve hemoglobin gen oranları dahil olmak üzere kalite kontrol metrikleri hesaplandı. Hücreler yalnızca aşağıdaki kriterlerin tamamını karşıladıkları sürece tutulurdu: nFeature_RNA > 500, nCount_RNA < 5.000, percent_mito < 25, percent_ribo > 3 ve percent_hb < 1. 3'ten az hücrede tespit edilen genler hariç tutuldu. Ayrıca, MALAT1 ve mitokondriyal genler sonraki analizden önce çıkarıldı. İlk filtrelemeden sonra, her örnekte DoubletFinder kullanılarak çiftler tespit edildi; PC'ler = 1:30 ve pN = 0,25; Beklenen çift hücre oranları örnekle özel hücre sayılarına göre belirlendi (<4.000 hücre: %2,5; 4.000–8.000 hücre: %5; >8.000 hücre: %6,5). Sadece tekiller korundu. Çevresel RNA kontaminasyonu decontX kullanılarak daha fazla tahmin edildi ve 0.2 < kontaminasyon puanına sahip hücreler korundu.
Filtrelenen veriler, 10.000 ölçek faktörü ile LogNormalize yöntemiyle normalleştirildi, ardından değişken genlerin tanımlanması, veri ölçeklenmesi ve ana bileşen analizi yapıldı. Örnekler arasındaki toplu etkiler, orig.ident'in batch değişkeni olarak kullanıldığı Harmony kullanılarak düzeltildi. İlk 15 Harmony boyutu UMAP görselleştirme ve komşu grafiği oluşturma için kullanıldı. Kümeleme işlemi FindNeighbors ve FindClusters kullanılarak gerçekleştirildi ve nihai kümeleme sonucu 0.05 çözünürlükte tanımlandı. Hücre tipleri, kanonik işaretleyici genlere göre manuel olarak ve FindAllMarkers sonuçları39 ile birlikte annot edildi.
Aşağı yönlü fonksiyonel bağlamlandırma için, aday-gen aktivitesi tek hücre seviyesinde değerlendirildi ve ilgili bağışıklık hücresi alt kümesi yörünge ve hücrelerarası iletişim analizlerine tabi tutuldu. Pseudotime analizi, DDRTree tabanlı boyut azaltma ile Monocle kullanılarak ve ardından hücre sıralanması ile gerçekleştirildi. Hücre-hücre iletişim analizi, insan ligand-reseptör veritabanı ile CellChat kullanılarak yapıldı, sadece Salgılanan Sinyal kategorisiyle sınırlandırıldı ve 10'dan az hücreyi içeren iletişimler filtrelendi.
Her hücre için, aday-gen aktivitesi üç tamamlayıcı yaklaşımla nicelendirildi: AUCell, ssGSEA ve AddModuleScore. AUCell puanları gen sıralama matrislerine dayanarak hesaplandı ve ssGSEA puanları GSVA çerçevesi kullanılarak oluşturuldu. AddModuleScore, Seurat yerleşik fonksiyonu kullanılarak hesaplandı. Ortaya çıkan AUCell, ssGSEA ve AddModuleScore değerleri tek bir puan matrisinde birleştirildi. Her skor türü önce Z-skor dönüşümü ile standartlaştırıldı ve ardından min–max normalizasyonu kullanılarak 0–1 aralığına yeniden ölçeklendirildi. Her hücre için nihai bileşik puan ("Puanlama") üç normalize edilmiş puanın toplamı olarak tanımlanmıştır:
Puanlama = normalleştirilmiş AUCell + normalize edilmiş ssGSEA + normalize edilmiş AddModuleScore.
Aşağı alt grup analizleri için CD8⁺ T hücresi alt kümesi çıkarıldı ve hücreler bu alt küme içindeki medyan Puanlama değerine göre dikotomize edildi. Medyandan büyük puan değerlerine sahip hücreler High_Hub_genes gruba atanırken, kalan hücreler Low_Hub_genes gruba atanır.
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Sonuçlar
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Majör depresif bozukluk ile dermatomiyozit arasında ortak aday genlerin tanımlanması
Dermatomyozitle ilişkili GEO veri setlerinin veri birleştirilmesi, normalizasyonu ve toplu düzeltmesi sonucunda (Şekil 2A,B), toplam 570 farklı şekilde eksprese edilen gen tanımlandı (Şekil 2C,D), bunların 517'si yukarı regülasyonlu ve 53 aşağıya regülasyonlu genden o...
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Tartışma
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Dermatomiyozit, belirgin cilt ve kas etkisi olan kronik sistemik otoimmün hastalıktır ve biriken klinik gözlemler, dermatomiyozitli hastaların da majör depresif bozuklukla uyumlu semptomlar dahil olmak üzere önemli psikiyatrik yük yaşayabileceğini göstermektedir. Bu bağlamda, mevcut çalışma, majör depresif bozukluk ile dermatomyozit arasında aday paylaşılan transkriptomik sinyalleri belirlemek için bütünleşik bir biyoinformatik yeniden analiz çerçevesi uyguladı; ek bağışıklık infiltrasyo...
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Açıklamalar
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Yazarlar bu çalışmada çıkar çatışması belirtmemiştir.
Teşekkürler
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Yazarlar, Pekin Belediye Sağlık Komisyonu'nun Mükemmellik Klinik Araştırma Programı (Hibe numarası: BRWEP2024072120118), Pekin Belediye Hastanesi Yönetim Merkezi'nin "Yetiştirme Programı" (Hibe numarası: PZ2025030), Çin-Japonya Dostluk Hastanesi Gençlik Projesi (No.2020-1-QN-8) finansal desteğini memnuniyetle takdir etmektedir.
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Malzemeler
| Ad | Şirket | Katalog numarası | Yorumlar |
|---|---|---|---|
| AddModuleScore | Seurat fonksiyonu | sürüm 4.4.0 | Seurat içinde Modül skoru hesaplaması RRID: NA |
| AUCell | Bioconductor | sürüm 1.32.0 | Tek hücre gen set aktivite puanlaması RRID: SCR_021327 |
| caret | CRAN | sürüm 7.0.1 | Makine öğrenimi iş akış desteği RRID: SCR_022524 |
| celda / decontX | Bioconductor | sürüm 1.24.0 | Ortam RNA kontaminasyon tahmini RRID: NA |
| CellChat | GitHub / CellChat | sürüm 2.2.0 | Hücre-hücre iletişimi analizi RRID: SCR_021946 |
| CIBERSORT / LM22 imza matrisi | CIBERSORT | LM22 | İmmün hücre infiltrasyon tahmini RRID: NA |
| clusterProfiler | Bioconductor | sürüm 4.12.6 | Fonksiyonel zenginleştirme analizi RRID: SCR_016884 |
| Cytoscape | Cytoscape Consortium | sürüm 3.10 | Görselleştirme ve analiz için bir ağ görselleştirme platformu RRID: SCR_003032 |
| DoubletFinder | GitHub / McGinnis Lab | sürüm 2.0.4 | Tek hücreli veri setlerinde doublet tespiti RRID: NA |
| e1071 | CRAN | sürüm 1.7.16 | Destek Vektör Makinesi ve Naive Bayes modellemesi RRID: NA |
| gbm | CRAN | sürüm 2.2.2 | Gradient Boosting Makinesi modellemesi RRID: NA |
| Gen Ekspresyon Omnibus (GEO) veritabanı | Ulusal Biyoteknoloji Bilgi Merkezi (NCBI) | GSE98793 | Majör depresif bozukluk yığın transkriptom veri seti RRID: NA |
| Gen Ekspresyon Omnibus (GEO) veritabanı | NCBI | GSE1551 | Dermatomiozit eğitim veri seti; iskelet kası biyopsisi örnekleri RRID: NA |
| Gen Ekspresyon Omnibus (GEO) veritabanı | NCBI | GSE46239 | Dermatomiozit eğitim veri seti; deri biyopsisi örnekleri RRID: NA |
| Gen Ekspresyon Omnibus (GEO) veritabanı | NCBI | GSE128470 | Dermatomiozit eğitim veri seti; enflamatuar miyopati kohortunun dermatomiyozit örnekleri RRID: NA |
| Gen Ekspresyon Omnibus (GEO) veritabanı | NCBI | GSE5370 | Bağımsız dermatomiozit validasyon veri seti; tedavi görmemiş yetişkin kas örnekleri RRID: NA |
| Gen Ekspresyon Omnibus (GEO) veritabanı | NCBI | GSE11971 | Bağımsız dermatomiozit validasyon veri seti RRID: NA |
| Gen Ekspresyon Omnibus (GEO) veritabanı | NCBI | GSE39454 | Bağımsız dermatomiozit validasyon veri seti; enflamatuar miyopati kohortunun dermatomiyozit örnekleri RRID: NA |
| Gen Ekspresyon Omnibus (GEO) veritabanı | NCBI | GSE190510 | Dermatomiyozit ile ilgili tek hücreli RNA-seq veri seti RRID: NA |
| GeneMANIA | Toronto Üniversitesi / GeneMANIA | bu çalışmada erişilmiş web sunucusu sürümü | Fonksiyonel ilişki ağı inşası RRID: RRID:SCR_005709 |
| glmnet | CRAN | sürüm 4.1.8 | LASSO, Ridge ve Elastic Net modellemesi RRID: NA |
| GSVA | Bioconductor | sürüm 2.0.7 | ssGSEA skoru RRID: NA |
| Harmony | CRAN | sürüm 1.2.4 | Tek hücreli veri entegrasyonu için batch düzeltme RRID: NA |
| limma | Bioconductor | sürüm 3.60.6 | Diferansiyel ekspresyon analizi, prob özetleme ve normalizasyon yardımcı programları RRID: SCR_010943 |
| MASS | CRAN | sürüm 7.3.61 | Lineer diskriminant analizi RRID: NA |
| mboost | CRAN | sürüm 2.9.11 | glmBoost modellemesi RRID: NA |
| Monocle | Bioconductor | sürüm 2.38.0 | Pseudotime yörünge analizi RRID: SCR_016339 |
| org.Hs.eg.db | Bioconductor | sürüm 3.19.1 | İnsan gen açıklama veritabanı RRID: NA |
| plsRglm | CRAN | sürüm 1.5.1 | Kısmi en az kareler genelleştirilmiş doğrusal modelleme RRID: NA |
| pROC | CRAN | sürüm 1.18.5 | ROC eğrisi analizi RRID: SCR_024286 |
| R istatistik yazılımı | R İstatistiksel Hesaplama Vakfı | sürüm 4.4.2 | Ana istatistiksel hesaplama ortamı RRID: SCR_001905 |
| randomForest | CRAN | sürüm 4.7.1.2 | Rastgele Orman modellemesi RRID: SCR_01 |
Yeniden basım ve izinler
Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste
İzin iste