铜死亡和免疫相关基因对特发性肺纤维化疾病的贡献

Contribution of cuproptosis and immune-related genes to idiopathic pulmonary fibrosis disease.

作者信息Chengji Jin, Jia Li, Qiaoyu Li, Lipeng Zhang, Shaomao Zheng, Qiong Feng, Yongjie Li, Yu Zheng, Qiuli Nie, Jin Liang, Jing Wang
PMID39991151
发布时间2025-02-07
DOI10.3389/fimmu.2025.1458341

实验完整度

基于GEO数据集进行差异表达分析、WGCNA、PPI网络和ROC评估,并通过免疫组化及单细胞RNA-seq进行验证,但缺乏动物或细胞功能实验。

主要模型

GEO微阵列数据集(GSE24206、GSE35145、GSE53845、GSE68239和GSE70866) 人类肺组织标本(5例IPF、3例对照) 单细胞RNA-seq图谱(75,613个细胞)

重点核对

训练集:GSE24206、GSE35145、GSE53845、GSE68239,99个样本(71例IPF、28例对照) 验证集:GSE70866,196个肺泡灌洗液标本(176例IPF) DEG筛选阈值:调整后p<0.05且|log2FC|>1.5 WGCNA软阈值power=4,黄色模块与IPF显著相关(r=0.63, p<0.001) 免疫组化验证五种蛋白(CFH、STEAP1、HDC、FMO5)的表达

摘要

背景:特发性肺纤维化(IPF)是一种退行性呼吸系统疾病,具有显著的死亡率和缺乏可用的治疗选择。铜死亡是一种新型的铜诱导细胞死亡形式,因其潜在意义而受到关注。本研究旨在探讨铜死亡相关核心基因在IPF患者中的诊断价值。此外,采用多种生物信息学分析来确定与IPF诊断相关的免疫相关生物标志物,为未来的治疗策略提供有价值的见解。方法:从基因表达综合(GEO)数据库中选择了四个微阵列数据集进行筛选。分析了与IPF相关的差异表达基因(DEGs)。此外,采用加权基因共表达网络分析(WGCNA)来识别与IPF最相关的DEGs。最终,我们分析了五个铜死亡相关核心基因,并在训练集和验证集中评估了它们对IPF的诊断价值。此外,通过蛋白质-蛋白质相互作用(PPI)网络筛选了四个免疫相关核心基因,并通过受试者工作特征(ROC)曲线进行评估。最后,采用单细胞RNA测序进一步研究差异基因分布。结果:我们共鉴定出92个DEGs。生物信息学分析强调了五个铜死亡相关基因作为候选生物标志物,包括三个上调基因(CFH、STEAP1和HDC)和两个下调基因(NUDT16和FMO5)。这五个基因在该队列中的诊断准确性被证实是可靠的。此外,我们确定了四个免疫相关核心基因,它们对IPF表现出很强的诊断性能,其中CXCL12的AUROC为0.90。我们还研究了这四个基因与免疫细胞之间的关系。CXCL12与中性粒细胞显著负相关,而CXCR2仅与中性粒细胞相关,这与我们的单细胞测序结果一致。CTSG主要与滤泡辅助T细胞呈正相关,SPP1与巨噬细胞的相关性最强。最后,我们的单细胞测序数据揭示,在IPF患者中,CXCL12在内皮细胞亚群(ECs)中高表达,而SPP1在多个细胞群体中高表达。CTSG的表达在单核巨噬细胞中显示出统计学显著差异。结论:本研究系统地描绘了五个铜死亡相关基因、四个免疫相关核心基因与IPF之间复杂的相互作用,为IPF患者的诊断和治疗提供了新思路。

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
铜死亡相关基因和免疫相关基因在特发性肺纤维化中的表达及诊断价值如何?
核心机制
铜死亡相关基因可能通过调节免疫反应和纤维化相关通路参与IPF发病;CXCL12可能通过影响中性粒细胞和内皮细胞参与IPF,SPP1可能通过巨噬细胞及内皮细胞调控纤维化。
主要证据
基于GEO数据集的差异表达分析、WGCNA和PPI网络鉴定出五个铜死亡相关核心基因(CFH、STEAP1、HDC、NUDT16、FMO5)和四个免疫相关核心基因(CXCL12、CXCR2、CTSG、SPP1),ROC曲线显示其诊断效能,并通过免疫组化和单细胞RNA-seq验证。
研究意义
为IPF的诊断和治疗提供潜在的生物标志物和治疗靶点。

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

数据收集与预处理

从GEO数据库获取IPF相关微阵列数据集,并合并去批次效应,为后续分析提供基础。

从GEO数据库获取GSE24206、GSE35145、GSE53845、GSE68239作为训练集,GSE70866作为验证集。使用R包inSilicoMerging合并训练集,并采用Johnson等的方法消除批次效应。

2

差异表达基因筛选

鉴定IPF与正常对照之间的差异表达基因,并探讨其功能富集。

使用limma包进行差异分析,筛选标准为调整后p<0.05且|log2FC|>1.5,共获得92个DEGs。进行GO和KEGG富集分析。

3

免疫细胞浸润评估

比较IPF与正常对照之间22种免疫细胞的浸润比例差异。

使用CIBERSORT工具评估22种免疫细胞类型的比例,并比较两组间的差异。

4

WGCNA共表达网络构建

识别与IPF最相关的基因模块,缩小候选基因范围。

使用WGCNA构建共表达网络,软阈值设为4,共获得11个模块,其中黄色模块与IPF显著相关(r=0.63, p<0.001),包含291个基因。

5

铜死亡相关核心基因鉴定

筛选与铜死亡相关的核心基因,并评估其诊断价值。

从GeneCard和Tsvetkov等研究中获取铜死亡相关基因,与DEGs和WGCNA黄色模块基因取交集,鉴定出五个核心基因(NUDT16、FMO5、CFH、HDC、STEAP1)。通过ROC曲线评估诊断价值。

6

免疫相关核心基因鉴定与PPI网络

筛选免疫相关核心基因并评估其诊断价值。

从ImmPort数据库获取免疫相关基因,与DEGs取交集获得24个DEIRGs。构建PPI网络,利用CytoNCA识别四个核心基因(CXCL12、CXCR2、CTSG、SPP1)。通过ROC曲线评估诊断价值。

7

核心基因蛋白表达验证

验证核心基因在蛋白水平的表达情况,与转录组结果相互印证。

采用免疫组化检测IPF肺组织和正常肺组织中CFH、STEAP1、HDC、FMO5、CXCL12、CXCR2、SPP1的表达。

8

单细胞RNA测序

在单细胞水平上探究核心基因在不同细胞类型中的表达分布。

对5例IPF和3例对照肺组织进行单细胞RNA测序,分析核心基因在细胞亚群中的表达差异。

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
R----
inSilicoMerging----
limma--3.40.6
org.Hs.eg.db--3.1.0
clusterProfiler--3.14.3
CIBERSORT----
STRING数据库----
Cytoscape--3.9.1
CytoNCA插件----
STEAP1抗体Biossbs-1901R
CFH抗体Biossbs-9525R
HDC抗体Biossbs-1054R
FMO5抗体Biossbs13187R
CXCL12抗体Biossbs-4938R
CXCR2抗体Absinabs-133162
SPP1抗体AffinityAF0227
二抗OriGenePV-6000
GEXSCOPE®组织解离液----
磷酸盐缓冲液HyClone--
GEXSCOP®红细胞裂解液Singleron--
台盼蓝Sigma--
GEXSCOPE®单细胞RNA文库构建试剂盒Singleron Biotechnologies--
Illumina Novaseq6000测序平台Illumina--
fastp--V1
STAR--v2.5.3a
featureCounts--v1.6.2
Seurat包--3.0.1
SPSS--22.0
pROC--1.17.0.1

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
数据预处理
训练集数据集ID、样本数、批次效应去除方法
阅读提示:Materials and methods: Collection and data processing of microarray datasets for IPF
差异表达分析
DEG筛选阈值(调整后p<0.05且|log2FC|>1.5)
阅读提示:Materials and methods: Collection and data processing of microarray datasets for IPF
WGCNA
软阈值power=4、模块合并距离<0.25
阅读提示:Materials and methods: Construction of WGCNA coexpression network
免疫组化
抗体品牌、货号、修复条件、孵育时间
阅读提示:Materials and methods: Immunohistochemistry
单细胞RNA-seq
组织样本数、细胞数、解离方法、文库构建试剂盒、测序平台、聚类分辨率
阅读提示:Materials and methods: Tissue dissociated single cell suspension, Sequencing of single-cell transcriptome libraries, Quality control and analysis of single-cell sequencing data