数据集收集与预处理
筛选适合的炎症性皮肤病转录组数据集，用于后续分析。
从GEO下载5个数据集（GSE13355、GSE30999、GSE41664、GSE117468、GSE133477），基于疾病、样本类型、样本量和平台进行筛选，并评估数据质量。
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
炎症后色素异常评估模型的建立与验证
Establishment and validation of evaluation models for post-inflammatory pigmentation abnormalities.
实验完整度
中包含生物信息学分析、细胞实验和人体皮肤培养验证，但缺乏动物实验和临床样本验证。
主要模型
MNT1人黑色素瘤细胞系 人包皮皮肤培养模型 GEO皮肤转录组数据集
重点核对
模型基因的表达水平与mela-score的相关性 IL-37处理MNT1细胞的浓度（25, 50, 100 ng/mL）和时间（24, 48小时） IL-37处理人皮肤培养的浓度（0, 50, 100, 200 ng/ml）和时间（5天） qRT-PCR、Western blot和TYR活性检测的条件 数据集分组（高/低mela-score）的阈值
摘要
炎症后皮肤色素沉着或色素减退是一种常见现象，其病因尚不清楚。目前尚无可靠的方法来预测炎症后皮肤色素沉着的结果。本研究分析了5个GEO数据集，以筛选参与黑素生成的炎症相关基因，并使用候选细胞因子建立不同的机器学习（LASSO回归、逻辑回归和随机森林）模型来预测炎症后皮肤的色素沉着结果。此外，为了进一步验证这些模型，我们评估了这些候选细胞因子在色素细胞中的作用。我们发现IL-37、CXCL13、CXCL1、CXCL2和IL-19在预测模型中显示出较高的预测价值。所有模型在训练集和测试集中均能准确分类具有不同黑素生成相关基因评分的皮肤样本（AUC>0.7）。同时，我们主要评估了IL-37在色素细胞中的作用，发现它增加了黑色素含量和黑素生成相关基因（MITF、TYR、TYRPR1和DCT）的表达，也增强了酪氨酸酶活性。此外，CXCL13、CXCL1、CXCL2和IL-19可以下调几个黑素生成相关基因的表达。总之，基于机器学习的评估模型在预测炎症后色素异常结局方面可能具有价值。IL-37、CXCL1、CXCL2、CXCL13和IL-19参与调节炎症后色素异常。
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
- 如何预测炎症后皮肤色素沉着的结局，并识别参与调控黑素生成的炎症因子？
- 核心机制
- IL-37通过上调MITF、TYR、TYRP1和DCT等黑素生成相关基因的表达并增强酪氨酸酶活性来促进黑素生成。
- 主要证据
- 基于GEO数据集的机器学习模型（LASSO、逻辑回归、随机森林）能够以AUC>0.7准确分类高/低mela-score样本；IL-37处理MNT1细胞和人皮肤培养增加黑色素含量，并上调黑素生成相关基因。
- 研究意义
- IL-37等五个炎症因子可作为预测炎症后色素异常结局的指标，机器学习模型为系统评估皮肤色素相关基因提供了有效方法。
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。
黑素生成相关基因评分与差异基因筛选
识别与黑素生成相关的炎症基因。
使用ssGSEA计算黑素生成基因集（MITF、TYR、DCT、PMEL、MLANA、WNT4、WNT2B）的加权评分，将皮损样本分为高/低mela-score组，并筛选差异表达基因。
机器学习模型构建与验证
基于候选炎症基因建立预测模型并评估其分类性能。
使用LASSO、逻辑回归和随机森林算法构建预测模型，在训练集和测试集中评估模型性能。
细胞实验验证
验证候选细胞因子对色素细胞黑素生成的影响。
使用MNT1细胞，分别用IL-37、IL-19、CXCL1、CXCL2、CXCL13处理，检测细胞活力、黑色素含量、黑素生成相关基因表达、酪氨酸酶活性等。
人体皮肤培养验证
验证IL-37在人体皮肤组织中的促黑素生成作用。
将人包皮皮肤培养于含IL-37的培养基中，进行Fontana-Masson染色观察黑色素密度。
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 | DMEM培养基 | Gibco | -- |
| 胎牛血清 | Meisen | -- | |
| 青霉素/链霉素/两性霉素B | Gibco | -- | |
| 青霉素-链霉素 | Gibco | -- | |
| 非必需氨基酸 | Gibco | -- | |
| 细胞活力检测 | 细胞计数试剂盒-8 | Biosharp | -- |
| RNA提取 | 总RNA快速提取试剂盒 | FASTAGEN | -- |
| qRT-PCR | qPCR SuperMix | TransGen | -- |
| Western blot | RIPA裂解液 | Thermo Fisher | -- |
| 蛋白酶抑制剂混合物 | Roche | -- | |
| BCA蛋白定量试剂盒 | KeyGEN Biotec | -- | |
| PVDF膜 | -- | -- | |
| Odyssey CLx成像系统 | Li-COR Biosciences | -- | |
| 免疫荧光 | DAPI | -- | -- |
| Alexa Fluor 488 | Beyotime Biotech | -- | |
| 黑色素定量 | 二甲基亚砜 | -- | -- |
| TYR活性检测 | 左旋多巴 | Solarbio | -- |
| 脱氧胆酸钠 | Solarbio | -- | |
| 细胞培养 | TritonX-100 | Sigma-Aldrich | -- |
| 细胞因子处理 | IL-37 | Cloud-Clone Corp | -- |
| IL-19 | Cloud-Clone Corp | -- | |
| CXCL1 | Cloud-Clone Corp | -- | |
| CXCL2 | Cloud-Clone Corp | -- | |
| CXCL13 | Cloud-Clone Corp | -- | |
| Western blot | 抗GAPDH抗体 | Bioworld | #AP0066 |
| 抗TYR抗体 | Bioworld | BS1484 | |
| 抗MITF抗体 | St. John's Laboratory | STJ94134 | |
| 抗TYRP1抗体 | Abcam | ab235447 | |
| 抗DCT抗体 | Novusbio | NBP1-56058 | |
| 抗PMEL17抗体 | Santa Cruz | #H1219 | |
| 抗PMEL17抗体 | Bioss | bs-17478R | |
| 抗MLANA抗体 | Bioss | bs-0051R | |
| 抗MLANA抗体 | HUABIO | ET1610-47 |
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 |
|---|---|
| 数据集选择与预处理 | 数据集来源、平台（GPL570）、样本量（>100）、训练集和验证集的划分 阅读提示：Methods 2.1.1 |
| mela-score计算与分组 | 黑素生成基因集（MITF, TYR, DCT, PMEL, MLANA, WNT4, WNT2B）、ssGSEA软件包版本、分组阈值（中位数） 阅读提示：Methods 2.1.2 |
| 机器学习模型建立 | LASSO参数（Lambda=0.461）、RF参数（ntree=500, mtry=0.2169）、逻辑回归的变量筛选方法 阅读提示：Methods 2.1.3 |
| 细胞培养与处理 | MNT1细胞来源、培养基成分（20% FBS, 1% NEAA, 1% P/S）、细胞因子浓度和时间（IL-37: 25, 50, 100 ng/mL, 24或48h） 阅读提示：Methods 2.2.2 |
| 人皮肤培养 | 皮肤样本来源（健康青少年包皮）、伦理审批、培养条件（DMEM, 10% FBS, 1%青霉素/链霉素/两性霉素B, IL-37浓度0-200 ng/ml, 5天） 阅读提示：Methods 2.2.3 |
| 功能检测 | CCK8检测细胞密度（2000-3000细胞/孔）、Fontana-Masson染色步骤、黑色素定量方法（NaOH溶解，波长470nm）、TYR活性检测（L-DOPA底物，波长475nm） 阅读提示：Methods 2.2.4-2.2.9 |