通过全血RNA转录组的整合分析对抗磷脂综合征进行分子分层

Molecular Stratification of Antiphospholipid Syndrome Through Integrative Analysis of the Whole-Blood RNA Transcriptome

作者信息Amala Ambati, Feiyang Ma, Katarina Kmetova, Sherwin Navaz, Claire K Hoy, Cyrus Sarosh, Ajay Tambralli, Erika Navarro-Mendoza, Johann E Gudjonsson, J Michelle Kahlenberg, Jacqueline A Madison, Alí Duarte-García, Jason S Knight, Yu Zuo
PMID41399015
发布时间2026-05
DOI10.1002/art.70021

实验完整度

研究包含明确实验设计(RNA-seq、反卷积等)和验证结果,但为横断面观察性分析,未涉及功能验证或机制实验。

主要模型

全血样本(174例aPL阳性患者)

重点核对

患者队列:174例aPL阳性患者,包括原发性APS(n=102)、继发性APS(n=29)和aPL阳性无分类APS(n=43) 样本采集:PAXgene Blood RNA管(PreAnalytiX,REF 762165),RNA完整性数>6 测序平台:Illumina NovaSeq 6000,测序深度≥4500万reads,150bp双端 聚类方法:无监督层次聚类(基于前50个主成分),共识聚类验证 WGCNA参数:软阈值10,最小模块大小50,动态树切割

摘要

目的:抗磷脂综合征(APS)是一种血栓炎症性疾病,其临床和机制异质性使得早期诊断复杂化,并阻碍了靶向治疗。我们旨在利用全血转录组学识别抗磷脂抗体(aPL)阳性患者中不同的分子内型。方法:对174例aPL阳性患者进行全血RNA测序,包括原发性APS(n=102)、继发性APS(n=29)和无分类APS的aPL阳性(n=43)。无监督机器学习和免疫细胞反卷积定义了转录组聚类和免疫景观。结果:确定了四个转录上不同的聚类。在谱系的一端,聚类1显示核糖体和代谢通路上调,而雷帕霉素靶蛋白(mTOR)、NETosis和Hippo/白细胞介素-6(IL-6)信号下调。相反,聚类4表现出相反的模式,mTOR、NETosis和Hippo/IL-6信号强烈上调。聚类2显示mRNA加工和氨基酸代谢适度富集,聚类3显示生物合成抑制伴轻度Hippo/IL-6激活。临床上,聚类4突出表现为较高的IgG抗心磷脂和抗-β2糖蛋白I阳性率、中性粒细胞计数升高和尿蛋白-肌酐比值升高。免疫反卷积揭示了不同的细胞类型谱:聚类1以淋巴样细胞为主;聚类2组成平衡;聚类3富集Treg细胞、自然杀伤细胞、巨噬细胞、肥大细胞和记忆B细胞;聚类4以髓样细胞为主,包括中性粒细胞、嗜酸性粒细胞和树突状细胞。不同的免疫通路激活与临床特征相关,包括白质病变、癫痫和心脏瓣膜病。结论:本研究揭示了aPL阳性患者的四种内型,通过基于通路的分层和治疗,向APS的个体化医疗迈出了一步。

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
抗磷脂综合征(APS)和aPL阳性患者中是否存在可识别的分子内型,以及这些内型是否具有独特的临床和免疫特征?
核心机制
聚类4表现出mTOR、NETosis和Hippo/IL-6信号通路的显著上调,提示中性粒细胞驱动的炎症和Hippo通路激活可能是该内型的潜在机制。
主要证据
基于174例患者的全血RNA测序数据,通过无监督聚类和WGCNA识别出四个转录组聚类,并通过免疫细胞反卷积和临床特征关联验证了聚类4的独特炎症表型。
研究意义
该研究为APS的个体化医疗提供了分子分层基础,并提示NETosis和Hippo通路可能作为新的治疗靶点。

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。

1

患者队列建立与样本采集

收集aPL阳性患者的外周血样本,用于转录组分析。

从102例原发性APS、29例继发性APS和43例无分类APS的aPL阳性患者中采集PAXgene Blood RNA管。

2

RNA提取与测序

获得全血基因表达谱。

从PAXgene管中提取RNA,进行质量控制和全血RNA测序。

3

数据预处理与聚类分析

基于基因表达谱对患者进行无监督分层。

将测序数据比对至参考基因组,进行标准化,执行主成分分析和层次聚类,并利用共识聚类验证聚类稳定性。

4

加权基因共表达网络分析(WGCNA)

识别与临床特征相关的基因模块及其生物学通路。

使用WGCNA构建共表达网络,识别基因模块,进行通路富集分析,并与临床特征关联。

5

免疫细胞反卷积

估计各样本的免疫细胞组成。

使用CIBERSORTx和LM22参考矩阵进行免疫细胞比例估计。

6

临床与实验室关联分析

评估聚类与临床特征和实验室指标的相关性。

比较不同聚类间的临床和实验室参数,包括aPL抗体谱、血常规、尿蛋白-肌酐比、炎症标志物等。

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
PAXgene血液RNA管PreAnalytiXREF 762165
Illumina NovaSeq 6000Illumina--
人S100A8/S100A9异二聚体DuoSet ELISA试剂盒R&D SystemsDY8226-05
人E-选择素ELISA试剂盒R&D SystemsDY724

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
患者队列与样本采集
患者纳入标准、aPL阳性定义、样本采集管类型及体积
阅读提示:Methods: Human samples
RNA提取与测序
RNA完整性数阈值、测序平台、测序深度、读长、文库制备方法
阅读提示:Methods: RNA extraction and sequencing
数据预处理与聚类
比对参数(STAR版本、基因组)、标准化方法(DESeq2)、主成分个数、聚类方法
阅读提示:Methods: RNA sequencing data analysis
WGCNA分析
软阈值、最小模块大小、模块合并参数
阅读提示:Methods: RNA sequencing data analysis
免疫细胞反卷积
反卷积工具、签名矩阵、相关性验证方法
阅读提示:Methods: RNA sequencing data analysis
临床与实验室关联分析
统计检验方法、显著性阈值、多重检验校正方法
阅读提示:Methods: RNA sequencing data analysis; Table 1