数据获取和预处理
获取脓毒症相关脑病相关的转录组和单细胞测序数据,并标准化处理。
从GEO数据库获取GSE253438, GSE65682, GSE198861, GSE198862, GSE198871和GSE101901数据集,进行质量控制预处理。
Integrated multi omics and machine learning reveal mitochondrial immunometabolic networks in sepsis associated encephalopathy.
结合转录组和单细胞测序的多种机器学习分析,并使用细胞和动物模型进行体外验证,实验设计相对完整。
小鼠脑组织转录组数据集(GSE253438) 脓毒症患者血液样本数据集(GSE65682) 大鼠CLP模型 大鼠小胶质细胞
mtDNA浓度(10 µg/ml)及注射剂量(2 ml) LPS刺激浓度(1 µg/ml) 细胞分组:control, LPS, LPS+mtDNA(5 µl), LPS+mtDNA(10 µl) 造模方法:CLP(结扎盲肠远端1/3,20号针穿刺两次) 不同时间点:6h, 12h, 24h
提炼研究问题、关键发现与证据,快速把握文章的核心贡献。
按研究推进顺序梳理实验设计、验证步骤与关键观察。
获取脓毒症相关脑病相关的转录组和单细胞测序数据,并标准化处理。
从GEO数据库获取GSE253438, GSE65682, GSE198861, GSE198862, GSE198871和GSE101901数据集,进行质量控制预处理。
识别与线粒体相关的差异表达基因,并进行通路富集分析。
使用DESeq2分析GSE253438中SAE和对照的差异表达基因,与MitoCarta3.0数据库比对得到144个MitoDEGs,进行GO和KEGG富集分析。
基于MitoDEGs区分脓毒症亚型,并评估其预后差异。
利用ConsensusClusterPlus对GSE65682数据集进行共识聚类,分成三个亚型,进行Kaplan-Meier生存分析。
利用机器学习算法筛选SAE的核心生物标志物,并进行表达和诊断价值验证。
使用WGCNA和三种机器学习算法(RF, SVM-RFE, LASSO)从MitoDEGs中筛选核心基因,并构建列线图,评估ROC曲线。
分析SAE中的免疫细胞浸润和MitoDEGs与免疫细胞及DAMPs的相关性。
用CIBERSORT评估GSE253438中22种免疫细胞浸润,用Spearman相关分析MitoDEGs与免疫细胞、DAMPs基因、呼吸链复合物基因及炎症因子的相关性。
从单细胞水平分析DAMPs评分高的细胞类型及其细胞通讯。
分析GSE101901数据集,注释细胞类型,用AddModuleScore计算DAMPs评分,用CellChat分析细胞通讯。
验证mtDNA在体外和体内对炎症反应的影响。
体外实验:用LPS和mtDNA刺激大鼠小胶质细胞,检测炎症因子mRNA水平。体内实验:建立大鼠CLP模型,注射mtDNA,检测炎症因子水平和脑组织病理变化。
按研究目的归类文中使用的方法,便于定位所需技术。
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 组织学染色 | Scott蓝化液 | Solarbio | G1865 |
| ELISA | 大鼠肿瘤坏死因子-α ELISA试剂盒 | Boster | EK0526 |
| 大鼠白细胞介素-6 ELISA试剂盒 | Boster | EK0412 | |
| 大鼠白细胞介素-1β ELISA试剂盒 | Boster | EK0393 | |
| 免疫组织化学 | 辣根过氧化物酶标记的山羊抗兔IgG(H+L),亲和纯化 | ZSGB-BIO | ZB-2301 |
| 兔多克隆抗AQP4抗体 | Bioss | bs-0634R | |
| 兔多克隆抗HPA抗体 | Bioss | bs-25726R | |
| 兔多克隆抗MMP9抗体 | Abcam | bs-4593R | |
| DNA提取 | ONE-4-ALL基因组DNA小量提取试剂盒 | Sangon Biotech | B618503 |
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 |
|---|---|
| 数据获取和预处理 | 数据集GEO编号;样本类型(小鼠脑组织/人血液);质量控制阈值(基因数、线粒体基因比例、血红蛋白基因比例);单细胞数据分析步骤(NormalizeData等) 阅读提示:Methods: Data acquisition and preprocessing;Figure S1 |
| 鉴定MitoDEGs和功能富集分析 | 差异表达分析工具(DESeq2);显著性阈值(|log2FC|>1, adjusted p<0.05);线粒体基因数据库(MitoCarta3.0);富集分析软件(clusterProfiler) 阅读提示:Methods: Identification of MitoDEGs and functional enrichment analysis;Figure 2 |
| 亚型分析 | 共识聚类参数(k-means, 欧氏距离, 100次迭代);聚类数k;生存分析(log-rank检验) 阅读提示:Methods: Consensus clustering and pathway enrichment analysis;Figure 3 |
| 核心生物标志物筛选 | WGCNA软阈值(power=8);机器学习算法(LASSO, SVM-RFE, RF)参数;交集基因;诊断评估(ROC-AUC) 阅读提示:Methods: WGCNA and machine learning;Figure 4, 5 |
| 免疫微环境分析 | CIBERSORT算法;Spearman相关分析;DAMPs基因集;MitoDEGs列表 阅读提示:Methods: Immune infiltration analysis;Figure 6 |
| 单细胞数据分析 | Seurat分析流程;AddModuleScore;CellChat版本;CellChatDB数据 阅读提示:Methods: Cell-Cell interaction analysis using cellphonedb;Figure 7 |
| 体外实验 | 细胞系(大鼠小胶质细胞);培养条件(DMEM, 10% FBS);LPS浓度(1 µg/ml);mtDNA浓度(10 µg/ml)和体积(5 µl或10 µl);处理时间(6, 12, 24 h) 阅读提示:Methods: Cell culture;Figure 8D |
| 体内实验 | 动物模型(SD大鼠CLP模型);分组(sham, sepsis, SAE;+PBS或+mtDNA);mtDNA剂量(2 ml, 10 µg/ml);给药方式(尾静脉注射);时间点(术后24h给药,再24h后检测);检测指标(神经反射评分、EEG、组织病理、ELISA) 阅读提示:Methods: Animal maintaining;Figure 8A-C, 9 |