整合多组学和机器学习揭示脓毒症相关脑病中的线粒体免疫代谢网络

Integrated multi omics and machine learning reveal mitochondrial immunometabolic networks in sepsis associated encephalopathy.

作者信息Zhenze Zhang, Xinliang Qiu, Xing Zeng, Xinhai Liu, Jiali Lu, Caixue Xu, Jing Huang, Caiqing Zhao, Yian Zhan
PMID41023055
期刊Sci Rep
发布时间2025-09-29
DOI10.1038/s41598-025-18650-2

实验完整度

高

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。

主要模型

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

重点核对

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

摘要

脓毒症相关脑病(SAE)是重症监护病房中的主要并发症,其特征是由全身性炎症引起的弥漫性脑功能障碍。尽管重症医学取得了进步,但SAE仍是患者预后不良的关键因素,其发病机制与线粒体损伤和线粒体DNA(mtDNA)的释放密切相关。在本研究中,我们整合了多个转录组和单细胞测序数据集,全面分析了SAE脑组织中的线粒体相关差异表达基因(MitoDEGs)。使用机器学习算法,我们确定了三个核心生物标志物(ALDH7A1、HOGA1和AA467197)。功能富集分析显示,SAE中上调的基因主要参与免疫和炎症反应,而下调的基因与线粒体代谢和血管功能相关。基于MitoDEGs,临床亚型分析表明,线粒体功能的变化可以有效区分三种脓毒症亚型(Cluster 1–3)。其中,Cluster 3由于线粒体功能增强和炎症通路激活而预后较差。免疫微环境分析显示,MitoDEGs与损伤相关分子模式(DAMPs)信号及线粒体呼吸链复合物的表达密切相关。实验验证表明,外源性mtDNA显著增加了炎症细胞因子(TNF-α、IL-1β和IL-6)的水平,从而加重脑组织病理损伤。

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
线粒体相关基因和mtDNA在脓毒症相关脑病(SAE)发病机制中的作用及潜在生物标志物。
核心机制
线粒体功能障碍导致mtDNA释放,作为DAMP激活TLR9介导的炎症通路,促进神经炎症。
主要证据
基于多组学和机器学习的生物信息学分析(GSE253438, GSE65682等)及体外实验(LPS+mtDNA刺激小胶质细胞)和体内实验(大鼠CLP模型+mtDNA注射)验证,显示mtDNA显著增加炎症因子(TNF-α, IL-1β, IL-6)水平。
研究意义
血浆和脑脊液中mtDNA水平可作为SAE进展的关键指标,为SAE的发病机制提供新见解,并确定未来临床干预的潜在靶点。

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。

2

鉴定MitoDEGs和功能富集分析

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。

3

基于MitoDEGs的脓毒症亚型分析

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。

4

核心生物标志物的筛选和验证

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。

5

免疫微环境分析

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。

6

单细胞数据分析

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。

7

mtDNA对炎症反应的体外和体内验证

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。

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

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