机器学习指导的黄连解毒汤靶向STING治疗牙周炎诱导的阿尔茨海默病

Machine learning-guided Huanglian Jiedu decoction targets STING in periodontitis-induced Alzheimer's Disease

作者信息Jie Li, Mingqi Chen, Pan Ren, Guangming Sun, Furong Zhong, Yue Zhu, Ganggang Li, Yiran Fan, Jinxin Chen, Manru Xu, Mengyuan Qiao, Guohua Zhao, Yuzhen Xu, Wenbin Wu
PMID41760895
发布时间2026-02-27
DOI10.1038/s41746-026-02468-x

实验完整度

研究包含体外细胞实验、动物模型、患者来源数据、组学分析和体内外功能验证,涉及多种实验层级。

主要模型

SD大鼠牙周炎诱导AD模型 BV2小胶质细胞模型 AD患者来源的单细胞转录组数据 牙周炎患者来源的转录组数据

重点核对

P. gingivalis浓度:1×10^8 CFU,每两天局部应用100 μL HLJDD给药剂量:0.75、1.5、3 g/kg口服,每日一次,持续6周 BV2细胞刺激:gingipains(RgpA 10 μg/mL和Kgp 10 μg/mL)处理16小时 STING抑制剂H-151浓度:2 μM,预处理1小时 动物模型:8周龄雄性SD大鼠,丝线结扎第二磨牙并局部应用P. gingivalis

摘要

阿尔茨海默病(AD)是一种进行性神经退行性疾病,与慢性牙周炎(CP)等外周炎症状态日益相关;然而,连接这些疾病的分子机制仍知之甚少。在此,我们采用整合机器学习指导的多组学方法研究了黄连解毒汤(HLJDD)对CP诱导的AD的治疗作用。对公开的单细胞RNA测序数据分析显示,AD样本中的小胶质细胞出现明显的炎症激活。我们进一步建立了CP诱导的AD大鼠模型,并进行了海马转录组分析。应用多种互补的机器学习策略,包括基于随机森林的特征选择、基于支持向量机的细化、网络建模和可解释模型分析,从高维转录组数据中优先筛选与疾病相关的通路。在各个模型中,cGAS–STING信号通路的组分一致地表现出对CP–AD病理的强烈且方向性的贡献,表明该通路是连接外周感染与神经退行性变的核心炎症轴。在这些数据驱动见解的指导下,体内和体外实验证明HLJDD抑制cGAS–STING激活,减轻神经炎症,并改善CP诱导的AD模型中的认知功能。总之,本研究强调了机器学习辅助转录组解释在机制优先排序中的价值,并确定HLJDD作为CP诱导AD的多靶点治疗策略。

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
慢性牙周炎(CP)与阿尔茨海默病(AD)之间的分子联系机制尚不清楚,本研究旨在探讨黄连解毒汤(HLJDD)对CP诱导的AD的治疗作用及其潜在靶点。
核心机制
HLJDD通过抑制cGAS–STING信号通路,减轻神经炎症,从而改善CP诱导的AD样病理变化。
主要证据
在CP诱导的AD大鼠模型中,HLJDD治疗降低了cGAS、STING、TBK1和IRF3的磷酸化水平,减少了炎症因子(TNF-α、IL-1β、IL-6、IL-4、IL-10)的水平,改善了认知功能,并减少了Aβ积累和tau磷酸化。
研究意义
本研究为HLJDD作为CP诱导AD的多靶点治疗策略提供了依据,并展示了机器学习结合多组学在中药机制研究中的价值。

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。

1

单细胞RNA测序分析

识别AD中激活的信号通路,特别是cGAS-STING通路。

对公开的AD和正常对照脑组织单细胞RNA测序数据进行分析,通过聚类和细胞类型注释,比较小胶质细胞中炎症和cGAS-STING通路基因的表达。

2

牙周炎和AD共病转录组分析

探讨牙周炎和AD之间的分子重叠,特别是cGAS-STING通路基因的表达变化。

利用公开的牙周炎转录组数据(GSE23586),进行差异表达分析、PCA、ROC分析等,评估cGAS-STING通路基因的诊断潜力。

3

CP模型建立和HLJDD治疗

建立CP诱导的AD模型,评估HLJDD对牙周和神经病理的影响。

使用丝线结扎和P. gingivalis应用建立CP大鼠模型,HLJDD或强力霉素治疗6周,然后通过micro-CT、HE染色、Morris水迷宫、免疫印迹、ELISA等评估牙槽骨丧失、认知功能、Aβ和tau病理、炎症因子和P. gingivalis DNA。

4

转录组测序和机器学习分析

识别CP诱导AD中HLJDD调节的关键通路。

对大鼠海马组织进行RNA-seq,通过差异表达分析和多种机器学习方法(Random Forest、Boruta、SVM-RFE、PLS-DA、ANN、BN、SHAP)筛选关键基因和通路,特别关注cGAS-STING通路。

5

体内和体外机制验证

验证HLJDD对cGAS-STING通路的抑制作用。

在动物模型中通过免疫荧光和Western blot检测STING、TBK1、IRF3的磷酸化;在BV2小胶质细胞中,用gingipains刺激模拟CP,检测HLJDD对通路蛋白和下游炎症因子的影响,并使用STING抑制剂H-151和激动剂DMXAA进行干预。

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
赛默飞世尔超高效液相色谱系统Thermo Scientific--
Q Exactive Orbitrap质谱仪Thermo Scientific--
Ultimate UHPLC XB-C18色谱柱----
4-0丝线缝合线Jinhuan Medical Products Co.--
多西环素Solarbio412S031
EDTA脱钙液SolarbioE1171
甲苯胺蓝SolarbioG3668
显微CT (QUANTUM GX2)QUANTUM GX2--
WMT-100S系统TaiMeng--
RIPA裂解液SolarbioR0010
BCA蛋白定量试剂盒ThermoYK378668
PVDF膜Millipore--
5%脱脂奶粉BiofroxxEZ66E5BBA2
β-actin一抗Affinity#AF7018
Tau一抗Affinity#AF6141
p-Tau(Ser396)一抗Affinity#AF3148
TBK1一抗Affinity#DF7026
p-TBK1一抗Affinity#AF8190
IRF3一抗Affinity#DF6895
p-IRF3(Ser396)一抗Affinity#AF2436
p-STING(Ser366)一抗Affinity#AF7416
iNOS一抗Affinity#AF0199
Aβ一抗Proteintech25524-1-AP
STING一抗Proteintech19851-1-AP
cGAS一抗Proteintech84045-1-RR
二抗(抗兔IgG)Affinity#S0001
Iba1一抗Proteintech--
STING一抗Proteintech--
Cy3标记的山羊抗兔IgGProteintech--
FITC标记的山羊抗兔IgGProteintech--
TNF-α ELISA试剂盒JINGMEIJM-01587R1
IL-1β ELISA试剂盒JINGMEIJM-10482R1
IL-6 ELISA试剂盒JINGMEIJM-01597R1
IL-4 ELISA试剂盒JINGMEIJM-01598R1
IL-10 ELISA试剂盒JINGMEIJM-01602R1
Aβ1-42 ELISA试剂盒JINGMEIJM-01630R1
细菌和组织/细胞总RNA提取试剂盒Sangon BiotechB511361
SYBR Green预混液Qiagen175037
DMEM培养基Gibco--
胎牛血清Biochannel--
青霉素-链霉素Cytiva--
H-151AbMole--
牙龈素(RgpA、Kgp)Abcam--
CCK-8溶液AbMole--
一氧化氮检测试剂盒Beyotime--
酶标仪----

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
单细胞RNA测序分析
数据来源(GSE157827)、质量控制标准(线粒体基因含量>25%等)、聚类参数(分辨率0.8)、注释marker基因。
阅读提示:Methods:Single-cell RNA-seq data processing and analysis
CP模型建立
动物品系(SD大鼠)、年龄(8周龄)、性别(雄性)、体重(200-230g)、结扎方法(4-0丝线)、P. gingivalis浓度和体积、给药剂量和时长。
阅读提示:Methods:CP model and drug administration
行为学测试
Morris水迷宫实验参数:水温、潜伏期训练天数(4天)、平台直径、目标象限等。
阅读提示:Methods:MWM test
蛋白质印迹
抗体来源、稀释比例、抗原修复条件、封闭液、曝光条件。
阅读提示:Methods:Western blot
细胞实验
BV2细胞来源和培养条件、HLJDD浓度(100-400 μg/mL)、刺激物(gingipains)浓度、H-151浓度(2 μM)、刺激时长(16小时)。
阅读提示:Methods:Cell culture and treatment
RNA-seq分析
差异表达阈值(|log2FC|>0.585且p<0.05)、机器学习的参数设置(如随机森林的树数、SVM的核函数)、SHAP分析使用的分类器。
阅读提示:Methods:RNA-seq processing and transcriptome analysis; Machine learning analysis