差异表达基因的鉴定与富集分析
识别AAV与正常样本间差异表达的基因，并分析其功能富集。
在GSE104948数据集中，使用limma包进行差异表达分析，共鉴定380个DEGs（220个上调，160个下调），并进行了GO和KEGG富集分析。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
利用孟德尔随机化和转录组学分析研究抗中性粒细胞胞质抗体相关性血管炎（AAV）的潜在生物标志物
Investigating potential biomarkers associated with antineutrophil cytoplasmic antibody (ANCA)-associated vasculitis using Mendelian randomization and transcriptomic analysis
实验完整度
高包含转录组测序数据（GSE104948和GSE108109）、MR分析、机器学习、ANN模型、免疫浸润、调控网络预测及肾活检组织免疫荧光验证，证据层级包括生物信息学分析和临床样本验证。
主要模型
肾小球样本（来自GSE104948和GSE108109数据集） ANCA相关性肾小球肾炎患者肾活检标本（n=25） 正常对照组肾组织（邻近肾肿瘤的非肿瘤区域，n=25）
重点核对
肾小球样本来自AAV患者和正常对照（GSE104948：22例AAV vs 18例对照；GSE108109：15例AAV vs 6例对照） MR分析中IV的筛选阈值：P<5×10^-8，LD r2=0.001，kb=1000，F统计量>10 生物标志物筛选条件：AUC>0.7，两个数据集表达趋势一致，AAV与正常组间差异显著（P<0.05） 免疫荧光验证：一抗稀释1:200，二抗稀释1:1000，使用DAPI染色
摘要
背景：抗中性粒细胞胞质抗体（ANCA）相关性血管炎（AAV）是一种以多器官受累为特征的自身免疫性疾病。早期识别和准确诊断AAV对改善预后至关重要。然而，有关AAV生物标志物的研究有限。本研究旨在通过转录组数据分析和孟德尔随机化（MR）探索AAV的新型生物标志物。方法：分析了AAV相关数据集（GSE104948和GSE108109）。在GSE104948数据集中鉴定了AAV组和正常组之间的差异表达基因（DEGs）。随后使用MR分析研究DEGs与AAV之间的因果关系。具有显著因果关系的基因被选为候选基因进行进一步分析。采用机器学习算法、ROC曲线分析和表达评估来筛选生物标志物。此外，构建了人工神经网络（ANN），进行了富集分析和免疫浸润分析，建立了分子调控网络，并预测了潜在药物。最后，通过免疫荧光实验验证了这些基因在ANCA相关性肾小球肾炎患者肾活检中的意义。结果：PDK4、PSMB10（IVW，OR>1，P<0.05）、PPARGC1A和FN1（IVW，OR<1，P<0.05）被确定为生物标志物。具体而言，与正常组相比，AAV组中PDK4和PPARGC1A显著下调，而FN1和PSMB10呈现相反模式。基于生物标志物构建的ANN在评估AAV风险方面表现出强大的预测能力。此外，PDK4和PPARGC1A在“丁酸代谢”和“脂肪酸代谢”中共同富集。同时，初始B细胞与PDK4呈强正相关，而与PSMB10呈显著负相关。分子调控网络结果表明，XIST通过hsa-miR-103a-3p、hsa-miR-1271-5p和hsa-miR-23a-3p同时调控PDK4、FN1和PPARGC1A。此外，本研究显示19种药物对4种生物标志物具有潜在靶向能力，如达卡巴嗪、二氯乙酸和硼替佐米。在ANCA相关性肾小球肾炎患者的肾活检中验证了与对照组相比，PDK4和PPARGC1A的肾小球表达降低，FN1和PSMB10的表达升高。结论：PDK4、PPARGC1A、FN1和PSMB10被确定为与AAV有因果关系的生物标志物，为精准诊断和靶向治疗策略提供了潜力。补充信息：在线版本包含补充材料，可在10.1186/s13075-025-03630-8获取。关键词：抗中性粒细胞胞质抗体相关性血管炎，孟德尔随机化，转录组学，生物标志物，免疫浸润。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 通过转录组数据分析和孟德尔随机化，探索与AAV相关的潜在生物标志物。
- 核心机制
- 生物标志物PDK4、PPARGC1A、FN1和PSMB10可能通过影响代谢通路、免疫应答、细胞增殖与凋亡等途径参与AAV的发病机制，具体机制尚未完全阐明。
- 主要证据
- 在GSE104948和GSE108109数据集中，通过DEGs鉴定、MR分析、LASSO回归、ROC曲线和表达评估，确定PDK4、PPARGC1A、FN1和PSMB10为生物标志物；在ANCA-GN肾活检中通过免疫荧光验证PDK4和PPARGC1A表达下降，FN1和PSMB10表达升高。
- 研究意义
- 该研究提供的生物标志物可能用于AAV的精准诊断，并为靶向治疗策略提供潜在靶点。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
孟德尔随机化分析
评估DEGs与AAV之间的因果关系。
使用eQTL数据作为工具变量，通过IVW等五种方法进行MR分析，并进行敏感性分析（异质性、水平多效性、留一法）和Steiger检验。
生物标志物筛选与评估
从候选基因中筛选出具有诊断价值的生物标志物，并评估其诊断性能。
使用LASSO回归筛选候选基因，然后在训练集和验证集中进行ROC曲线分析和表达差异评估。
人工神经网络模型构建
基于生物标志物构建AAV诊断预测模型。
使用neuralnet包构建包含输入层、隐藏层和输出层的ANN模型，并在训练集和验证集中评估其预测性能。
功能富集与免疫浸润分析
探索生物标志物的功能通路和与免疫细胞的关系。
使用GSEA分析信号通路富集，采用CIBERSORT算法评估22种免疫细胞浸润情况，并进行相关性分析。
分子调控网络构建与药物预测
构建生物标志物的上游调控网络和预测潜在治疗药物。
使用ENCORI、miRcode、miRwalk、miRNet、TRRUST等数据库预测miRNA、lncRNA和转录因子，构建lncRNA-miRNA-mRNA和TF-mRNA网络；使用DGIdb数据库预测潜在药物。
免疫荧光验证
验证生物标志物在ANCA相关性肾小球肾炎患者肾组织中的蛋白表达。
收集25例ANCA相关性肾小球肾炎患者的肾活检标本和25例正常对照肾组织，使用免疫荧光染色检测PDK4、PPARGC1A、FN1和PSMB10的表达。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 细胞培养 | GSE104948数据集 | -- | -- |
| GSE108109数据集 | -- | -- | |
| 数据分析 | R软件 | -- | -- |
| limma | -- | -- | |
| ggplot2 | -- | -- | |
| ComplexHeatmap | -- | -- | |
| clusterProfiler | -- | -- | |
| 孟德尔随机化 | ieugwasr | -- | -- |
| TwoSampleMR | -- | -- | |
| 数据可视化 | Cytoscape | -- | -- |
| 免疫荧光 | 抗PDK4抗体 | ProteinTech | 12949-1-AP |
| 抗纤连蛋白抗体 | HUABIO | ET1702-25 | |
| 抗PGC1α/β抗体 | Abways | CY6630 | |
| 抗PSMB10抗体 | Abways | CY7305 | |
| 山羊抗兔IgG H&L（Alexa Fluor® 568） | Abcam | ab175471 | |
| DAPI | Beyotime | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 数据获取 | 数据集GSE104948和GSE108109的样本量（AAV组与正常对照组的具体人数） 阅读提示：Methods中的Data extraction部分 |
| 差异表达分析 | 差异表达分析的筛选阈值（|log2FC|>1，adj.P<0.05） 阅读提示：Methods中的Identification and enrichment analysis of DEGs部分 |
| 孟德尔随机化分析 | 工具变量筛选标准（P<5×10^-8，LD r2=0.001，kb=1000），以及F统计量阈值（>10） 阅读提示：Methods中的Screening of instrumental variables and Causal analysis between DEGs and AAV部分 |
| 生物标志物筛选 | LASSO回归的最优lambda值，以及筛选生物标志物的条件（AUC>0.7，两个数据集表达趋势一致，AAV与正常组差异显著） 阅读提示：Methods中的Screening and evaluation of biomarkers部分 |
| 免疫荧光验证 | 患者与对照组的样本量及基本信息（年龄、性别、血清肌酐水平），以及抗体稀释比例和染色方案 阅读提示：Methods中的Patients and kidney specimens和Immunofluorescence staining部分 |