数据获取和预处理
获取SCI相关基因表达数据以进行后续分析
从GEO数据库获取GSE151371(38例SCI患者和10例健康对照外周血)和GSE45006(大鼠脊髓损伤模型)数据集,并进行预处理。
Deciphering hub genes and immune landscapes related to neutrophil extracellular traps in spinal cord injury: insights from integrated bioinformatics analyses and experiments.
研究包含生物信息学分析(差异表达、WGCNA、机器学习、CIBERSORT)和体内验证(RT-qPCR、免疫荧光),但缺乏功能验证和机制研究,故为中等。
大鼠SCI模型 GSE151371数据集(外周血) GSE45006数据集(大鼠脊髓)
FCGR1A在独立数据集GSE45006中的表达验证 大鼠SCI模型中FCGR1A的mRNA表达(RT-qPCR) 大鼠SCI模型中FCGR1A的蛋白表达(免疫荧光) CIBERSORT估计的免疫细胞比例与FCGR1A的相关性
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SCI相关基因表达数据以进行后续分析
从GEO数据库获取GSE151371(38例SCI患者和10例健康对照外周血)和GSE45006(大鼠脊髓损伤模型)数据集,并进行预处理。
识别SCI相关的差异表达基因和共表达模块
对GSE151371数据集使用limma进行差异表达分析,使用WGCNA构建共表达网络,识别SCI相关模块。
筛选与NET相关的差异表达基因并进行功能注释
将差异表达基因、WGCNA模块基因和NET相关基因相交,得到10个DE-NRGs,并对其进行GO和KEGG富集分析。
使用多种机器学习算法识别关键的NET相关基因
应用八种机器学习算法(Lasso、LVQ、Boruta、贝叶斯、RF、XGBoost、SVM、Bagged Trees)对10个DE-NRGs进行特征选择,并通过交集筛选候选枢纽基因。
在独立数据集中验证候选枢纽基因的表达
在GSE45006数据集中评估候选基因表达,发现仅FCGR1A显著差异表达。
评估SCI中免疫细胞组成及其与枢纽基因的相关性
使用CIBERSORT算法估计22种免疫细胞比例,比较SCI和HC组的差异,并分析FCGR1A表达与免疫细胞比例的相关性。
探索与FCGR1A表达相关的生物学通路
基于FCGR1A表达量分组,进行GSEA分析,识别高表达和低表达相关的通路。
预测FCGR1A的上游调控因子和潜在药物
使用NetworkAnalyst和Cytoscape构建miRNA-TF-hub基因调控网络和蛋白质-药物相互作用网络。
验证FCGR1A在SCI模型中的表达
建立大鼠SCI模型,使用RT-qPCR和免疫荧光检测FCGR1A在脊髓组织中的表达。
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 |
|---|---|---|---|
| RNA提取 | Simgen超纯总RNA提取试剂盒 | Simgen | 5003050-50T |
| cDNA合成 | PrimeScript™反转录试剂盒 | Takara | -- |
| qPCR | ABI 7500 Fast实时荧光定量PCR系统 | Thermo Fisher Scientific | -- |
| 动物模型 | HI-0400撞击装置 | Precision Systems and Instrumentation | -- |
| 免疫荧光 | 抗FCGR1A/CD64抗体 | Bioss | bs-3511R |
| 荧光标记二抗(IgG) | Abbkine | A23320 | |
| DAPI染色液 | Beyotime | -- |
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 |
|---|---|
| 数据收集与预处理 | GSE151371数据集包含38例SCI和10例健康对照,GSE45006数据集包含4个假手术和20个SCI样本(急性期≤7天),基于文献目录共231个NET相关基因。 阅读提示:Materials and methods - Dataset and preprocessing (2.1) |
| 差异表达和WGCNA | 差异表达阈值:|log2FC|>0.5, adjusted P<0.05;WGCNA软阈值β=9, 最小模块大小50;turquoise模块与SCI相关(cor=0.86, P=9e-15) 阅读提示:Materials and methods - Weighted correlation network analysis (2.2) 和 Identification of differentially expressed genes (2.3) |
| 枢纽基因筛选 | 使用八种机器学习算法,候选基因需在至少四种算法中重要;交集得到CLEC6A, FCGR1A, RETN 阅读提示:Materials and methods - Identification of candidate hub genes using machine learning algorithms (2.5) |
| 免疫浸润分析 | CIBERSORT使用LM22矩阵,100次排列,QN=TRUE;SCI组免疫细胞比例有差异;FCGR1A与活化肥大细胞和初始CD4 T细胞正相关,与初始B细胞和静息记忆CD4 T细胞负相关 阅读提示:Materials and methods - Immune cell composition estimation using CIBERSORT (2.6) |
| 体内验证 | 成年雌性SD大鼠,12只,随机分2组;SCI诱导使用HI-0400设备200kdyn;术后3天取组织;RT-qPCR用β-actin内参;免疫荧光用FCGR1A抗体(1:200) 阅读提示:Materials and methods - Experimental animals (2.10), Extraction of RNA and quantitative real-time PCR analysis (2.11) 和 Immunofluorescence staining (2.12) |