掃碼聯系客服
銅死亡作為銅依賴性的新型細胞死亡方式，受到了廣泛關注，是一個熱點研究方向。生信人也推出了多個銅死亡有關的研究思路及文章，小編今天再和大家分享一篇今年2月剛剛發表在Frontiers in Immunology(IF：IF:8.786)雜志上研究類風濕關節炎中銅死亡相關的分子亞型及免疫譜系的文章。
Identification of copper deathassociated molecular clusters and immunological profiles in rheumatoid arthritis
類風濕關節炎中銅死亡相關的分子亞型及免疫譜的識別
一．研究背景
類風濕關節炎(RA)是一種慢性炎癥性關節疾病，會破壞患者的骨骼、軟骨和肌腱，在嚴重情況下會導致畸形和殘疾，嚴重影響患者的生活質量。目前RA的發病機制尚不明確，不過研究已經發現線粒體穩態失衡會導致RA的發生。而銅死亡的主要機制與脂酰化線粒體酶的過度積累有關。因此，該研究基于GEO數據集對類風濕關節炎(RA)與銅死亡相關基因(CRGs)的關系進行了研究。
二．文章摘要
研究基于GEO數據對RA和非RA之間的差異基因與CRGs和免疫特征間的關聯進行了詳細分析。研究首先識別了CRGs相關的分子亞型，并分析了其表達和免疫浸潤情況。接著通過WGCNA算法識別了CRGs亞型的特異基因。此外，研究構建了4個機器學習模型并進行外部數據及RA大鼠模型驗證。最終研究確定了13個CRGs在染色體上的位置、表達模式及與免疫浸潤的關聯。
三．文章的主要內容及結果
1. CRGs識別和免疫分析
文章首先介紹了差異CRGs的識別及免疫分析。研究基于GSE93272數據集分析了13個CRGs在RA和非RA對照組之間的表達，結果確定了7個差異表達的CRGs。其中，LIPT1、FDX1、DLD、DBT、LIAS和ATP7A在RA中的表達水平顯著高于非RA水平，而DLST在RA中的表達水平顯著低于非RA水平(圖1A，B)。隨后，研究對12個CRGs在染色體上的位置進行了分析(圖1C)。接著研究分析了差異表達CRGs之間的相關性來探索銅死亡基因在RA發生發展中的作用(圖1D)。此外，研究也對RA和非RA樣本進行了免疫浸潤分析(圖1E)，結果發現RA患者的記憶B細胞，M0巨噬細胞及M1巨噬細胞等細胞的浸潤水平較高(圖1F)。進一步研究對7個差異表達的CRGs進行了免疫浸潤分析(圖1G)，結果發現多個基因與免疫細胞浸潤正相關，作者由此推測CRGs可能在調節RA免疫浸潤中發揮關鍵作用。
2. RA的無監督聚類分析
在這一部分研究基于差異CRGs對RA進行了聚類分型。研究使用一致性聚類將232個RA樣本根據7個CRGs的表達進行分組，研究發現k = 2時效果最好(圖2A)，當k = 2、3、4時，CDF值逐漸增大，當k = 4時，CDF值逐漸減小(圖2B-D)。最終研究將232例RA患者分為兩組(CRGscluster C1和CRGscluster C2)，這兩組的PCA分析表明兩者之間存在顯著差異(圖2E)。
3. CRGscluster的表達及免疫浸潤特征
在這一部分作者對識別的CRGscluster C1和CRGscluster C2的表達及免疫浸潤進行了分析。研究首先分析了7個CRGs在CRGscluster C1和CRGscluster C2之間的表達差異(圖3A)，結果發現CRGscluster C2中FDX1、DLD、LIPT1和LIAS顯著高表達(圖3B)。此外，研究還分析了CRGscluster C1和CRGscluster C2的免疫浸潤(圖3C)，結果觀察到CRGscluster C2和CRGscluster C1中多種免疫細胞存在浸潤差異(圖3D)。
4. CRGscluster交集基因的一致性聚類分析
這部分研究進一步根據CRGscluster的交集基因進行聚類分析。研究根據CRGscluster C1和CRGscluster C2的交集基因進行重新聚類將RA患者分為不同的亞組，結果發現當k = 2時聚類效果最優(圖4A)，當k = 4時，CDF值變小(圖4B-D)，最終RA樣本被分為兩組:genecluster C1和genecluster C2。接著研究分析了genecluster C1和C2之間CRGs的表達差異(圖4E)，結果發現genecluster C2中LIPT1、FDX1、DLD和LIAS的表達水平顯著更高(圖4F)。此外，研究分析了genecluster C1和C2的免疫浸潤情況(圖4G)，結果觀察到genecluster C2中多種免疫細胞浸潤水平較高(圖4H)。接下來研究繪制了CRGscluster C1、C2和gencluster C1、C2的銅死亡相關評分亞型的沖積分布圖(圖5A)，并比較了genecluster C1和C2之間的銅死亡相關評分，結果發現genecluster C2的銅死亡相關評分顯著高于C1(圖5B)。此外，研究還分析了CRGscluster C1和C2之間的銅死亡相關評分，結果發現CRGscluster C2的銅死亡相關評分顯著高于CRGscluster C1(圖5C)。研究也比較了CRGs在CRGscluster C1和C2與genecluster C1和C2之間的表達，結果發現PDHB、PDHA1、LIPT1、FDX1、DLD、LIAS和DLAT在CRGscluster C2和genecluster C2中的表達顯著高于CRGscluster C1和genecluster C1，而SLC31A1和ATP7B則不然(圖5D，E)。
5. 基因模塊篩選及共表達網絡構建
這一部分研究對RA中的基因模塊進行了篩選，并構建了共表達網絡。研究首先識別了RA與非RA患者的差異表達基因(DEGs，圖6A、B)，接著對這些基因進行功能富集分析(圖7 A、B)，進一步使用WGCNA算法分析了與CRGscluster密切相關的關鍵基因模塊。研究以β = 13，R2 = 0.9為標準構建了無標度網絡，并識別出關鍵模塊(圖8A-D)。研究進一步分析模塊與臨床特征(Cluster1和Cluster2)的關聯，結果發現MEturquoise模塊與Cluster2的相關性最高(圖8E)。MEturquoise模塊與Cluster 2的基因相關性分析如圖8F所示。
6. 機器學習模型的構建及評估
這一部分研究為了進一步識別具有較高診斷價值的特定基因，構建并驗證了機器學習模型。研究基于MEturquoise模塊中hub基因與DEGs的交集基因構建了4個機器學習模型，分別為隨機森林(RF)、支持向量機(SVM)、GLM和XGB，接著使用DALEX包對上述4種模型進行比較，結果發現RF模型殘差相對最低(圖9A，B)。接著研究基于均方根誤差(Root mean square error，RMSE)對每個模型的前10個顯著基因進行排序(圖9C)，并基于5倍交叉驗證繪制4種模型的ROC曲線，綜合評估其效能(圖9D)，結果發現RF模型能夠更好地區分不同的患者。RF模型最終獲得5個顯著基因，研究將其作為后續分析的預測基因，并構建了列線圖進一步評估RF模型的預測效能(圖10A)。進一步研究使用校準曲線和DCA相結合的方法對構建模型的預測效能進行評估，校準曲線顯示RA聚類的實際風險與預測風險之間存在較小的誤差(圖10B)，DCA結果表明該列線圖具有較高的準確性，可以為臨床治療決策提供一定的參考和依據(圖10C)。
7. RF候選基因的評估與分析
這一部分研究對RF得到的候選基因進行了評估及分析。研究首先分析了這些基因在RA和非RA樣本中的ROC曲線，并比較了它們在不同樣本中的表達水平。ROC曲線結果顯示基因FAM96A的診斷價值最高，且其他基因的AUC也均大于 0.750，預測效果較好(圖11A-E)。此外，通過對其表達水平的分析也觀察到所有基因在RA患者中的表達均顯著高于非RA組(圖11F-J)。
8. RA實驗動物模型中qRT-PCR驗證預測基因
研究在最后一部分進行了動物實驗，對預測基因進行了驗證。研究采用qRT-PCR檢測并比較RA模型大鼠和對照大鼠踝關節組織中識別基因的表達情況(圖12)，結果發現與正常對照組相比，FAM96A、MAK4P3、PRPF39、SLC35A1、TMX1 5個基因在RA大鼠模型中表達顯著升高。
到這里這篇文章的主要內容就介紹完了。文章使用公共數據對RA中銅死亡基因的表達進行了分析，并研究了這些基因與RA免疫微環境的關聯，也進一步根據這些基因進行了分型及預測模型的構建。研究內容豐富，但用到的方法都比較基礎經典，小編覺得文章最重要的亮點在于抓住了銅死亡這一熱點，對銅死亡感興趣的小伙伴可以參考一下這篇文章的思路及內容呀。
