解读脊髓损伤中与中性粒细胞胞外陷阱相关的枢纽基因和免疫景观:综合生物信息学分析和实验的见解

Deciphering hub genes and immune landscapes related to neutrophil extracellular traps in spinal cord injury: insights from integrated bioinformatics analyses and experiments.

作者信息Xiaoqin Liu, Jiating Hu, Chunxia Liu, Guodong Shi, Wenxia Zhu, Xuan Zhou
PMID41869327
发布时间2026-03-05
DOI10.3389/fimmu.2026.1742155

实验完整度

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。

主要模型

大鼠SCI模型 GSE151371数据集(外周血) GSE45006数据集(大鼠脊髓)

重点核对

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

摘要

背景:脊髓损伤是一种使人衰弱的神经系统疾病,导致严重的运动、感觉和自主神经功能障碍,给患者和医疗系统带来沉重负担。中性粒细胞胞外陷阱(NETs)在炎症和免疫反应中的作用日益受到重视;然而,NETs相关基因(NRGs)在SCI中的作用仍知之甚少。本研究旨在探讨NRGs在SCI病理生理学中的作用,并识别具有潜在生物学意义的NET相关候选基因。方法:从基因表达综合数据库(GEO)获取GSE151371数据集,以识别与SCI相关的NRGs。采用差异表达分析和加权基因共表达网络分析(WGCNA)筛选候选基因,然后通过机器学习算法进行枢纽基因优先排序。使用独立数据集(GSE45006)验证所识别的枢纽基因。基于预定义的白细胞基因特征矩阵,使用CIBERSORT算法估计外周血样本中的免疫细胞组成。此外,在大鼠SCI模型中通过RT-qPCR和免疫荧光验证枢纽基因的表达。结果:我们鉴定了十个交集基因作为SCI中差异表达的候选NRGs。使用多种机器学习算法进行枢纽基因优先排序后,确定了FCGR1A、CLEC6A和RETN。随后在独立数据集GSE45006中的验证表明,只有FCGR1A表现出显著的差异表达。在SCI样本中,FCGR1A表达与活化肥大细胞和初始CD4+ T细胞呈正相关,而与初始B细胞和静息记忆CD4+ T细胞呈负相关。此外,体内实验证实了SCI模型中FCGR1A在mRNA和蛋白水平上的上调,支持其与SCI相关炎症反应的关联。结论:本研究提供了整合的生物信息学和实验证据,支持NETs相关基因参与SCI,并确定FCGR1A为与SCI免疫和炎症反应相关的NET相关生物标志物候选基因,值得进一步的机制研究。

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
NETs相关基因是否参与脊髓损伤的病理生理过程,并可作为潜在的生物标志物?
核心机制
文献明确指出机制尚待阐明,但结果表明FCGR1A表达与免疫细胞组成(如激活的肥大细胞和初始CD4+ T细胞)相关,可能参与SCI的炎症反应。
主要证据
通过GEO数据集(GSE151371、GSE45006)的生物信息学分析和大鼠SCI模型的RT-qPCR与免疫荧光实验,验证了FCGR1A在SCI中表达上调。
研究意义
研究提出FCGR1A可能作为NET相关的生物标志物,为SCI的免疫机制研究提供假设生成框架,但需进一步机制验证。

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。

2

差异表达分析和WGCNA

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。

3

筛选DE-NRGs并进行功能富集

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。

4

机器学习算法筛选枢纽基因

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。

5

独立数据集验证

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。

6

免疫细胞浸润分析

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。

7

通路分析

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。

8

构建调控网络和药物预测

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。

9

体内实验验证

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。

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
Simgen超纯总RNA提取试剂盒Simgen5003050-50T
PrimeScript™反转录试剂盒Takara--
ABI 7500 Fast实时荧光定量PCR系统Thermo Fisher Scientific--
HI-0400撞击装置Precision Systems and Instrumentation--
抗FCGR1A/CD64抗体Biossbs-3511R
荧光标记二抗(IgG)AbbkineA23320
DAPI染色液Beyotime--

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)