数据收集与预处理
收集DCM相关的批量RNA-seq和单细胞RNA-seq数据，为后续分析提供基础。
从GEO数据库获取四个批量RNA-seq数据集（GSE5606、GSE6880、GSE4745、GSE197999）和scRNA-seq数据集GSE213337，使用ComBat去除批次效应。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
糖尿病心肌病中免疫特征基因和细胞间图谱的鉴定
Identification of immune feature genes and intercellular profiles in diabetic cardiomyopathy.
实验完整度
中包含批量转录组WGCNA、机器学习筛选、ssGSEA、体外细胞实验和单细胞分析，但缺少动物体内功能验证和机制实验。
主要模型
AC16人心室心肌细胞高糖处理模型 糖尿病小鼠心脏单细胞测序样本 批量RNA-seq大鼠心肌组织样本
重点核对
AC16细胞高糖（33 mmol/L D-葡萄糖和0.3 mmol/L棕榈酸酯）处理24-48小时 WGCNA软阈值power=5，minModuleSize=30，mergeCutHeight=0.2 LASSO和SVM-RFE交集获得四个IFG 验证队列ROC AUC > 0.9 scRNA-seq数据集GSE213337包含DCM和对照各1个样本
摘要
背景：糖尿病心肌病（DCM）是一种多因素心血管疾病，免疫失调在其中发挥着关键作用。DCM的免疫分子机制知之甚少。目的：研究DCM的免疫分子机制，并基于免疫特征基因（IFG）构建DCM的诊断和预后模型。方法：采用加权基因共表达网络分析和机器学习方法在批量RNA测序（RNA-seq）数据集中识别IFG。单样本基因集富集分析（ssGSEA）促进了免疫细胞浸润的分析。在验证队列中开发并评估了这些IFG的诊断和预后模型。通过实时定量聚合酶链反应和蛋白质印迹技术验证了DCM细胞模型中的基因表达。此外，单细胞RNA-seq数据提供了对细胞谱和相互作用的更深入见解。结果：DCM相关模块中的69个差异表达基因与2483个免疫基因的交集产生了7个差异表达的免疫相关基因。四个IFG在验证队列中显示出良好的诊断和预后价值：脑啡肽原（Penk）和视黄醇结合蛋白7（Rbp7）在DCM患者中高表达，而胰高血糖素受体和抑制素亚基α低表达（所有曲线下面积>0.9）。ssGSEA揭示IFG相关的免疫细胞浸润主要涉及2型T辅助细胞。在心肌细胞和间质细胞中检测到Penk（P<0.0001）和Rbp7（P=0.001）的高表达，并在体外DCM细胞模型中进一步证实。细胞间事件和通讯分析揭示了DCM中异常的细胞表型转化和信号通讯，尤其是间充质细胞和巨噬细胞之间。结论：本研究确定了Penk和Rbp7作为潜在的DCM生物标志物，异常的间充质-免疫细胞表型通讯可能是DCM发病机制的重要方面。
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
- 糖尿病心肌病的免疫分子机制是什么，以及哪些免疫特征基因可用于诊断和预后？
- 核心机制
- 免疫失调在DCM中起关键作用，2型T辅助细胞浸润增加，Penk和Rbp7上调，异常的间充质-免疫细胞表型转化和通讯（特别是成纤维细胞和巨噬细胞）可能是DCM发病机制的重要方面。
- 主要证据
- 通过WGCNA、LASSO和SVM-RFE识别出四个IFG，在验证队列中AUC>0.9；AC16细胞高糖处理证实Penk和Rbp7上调；单细胞分析显示DCM中细胞通讯增强，涉及MIF信号通路。
- 研究意义
- Penk和Rbp7可作为DCM的潜在生物标志物，为DCM的诊断和预后提供新靶点，并提示间充质-免疫细胞通讯在DCM发病中的重要性。
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。
WGCNA识别疾病相关模块
识别与DCM显著相关的基因共表达模块。
对发现队列进行WGCNA，选择软阈值power=5，构建共表达网络，识别出与DCM显著相关的绿色模块（581个基因）。
差异表达基因筛选
在绿色模块中识别差异表达基因（DEGs）。
利用LIMMA包筛选DEGs，共69个，其中37个上调，32个下调。
免疫特征基因筛选
从DEGs中识别最相关的免疫特征基因（IFGs）。
将69个DEGs与ImmPort数据库的2483个免疫相关基因取交集，获得7个差异免疫相关基因；通过LASSO和SVM-RFE筛选，最终确定4个IFGs（Penk、Rbp7、Gcgr、Inha）。
构建调控网络
探索IFGs的转录因子和miRNA调控机制。
使用NetworkAnalyst构建转录因子和miRNA调控网络，发现TFAP2A调控多个IFGs，miR-215-5p和miR-192-5p调控Penk，miR-26b-5p调控Rbp7。
诊断和预后模型构建与验证
评估IFGs的诊断和预后价值。
在验证队列中用Nomogram、ROC曲线和DCA评估诊断效能，四个IFGs的AUC>0.9，联合模型AUC=1.0，C-index=1.0。
免疫细胞浸润分析
评估DCM中免疫细胞浸润的变化及其与IFGs的相关性。
利用ssGSEA计算免疫浸润分数，发现2型T辅助细胞等5种免疫细胞显著差异，且Penk、Rbp7与Th2正相关，Gcgr、Inha与Th2负相关。
体外细胞实验验证
验证IFGs在DCM细胞模型中的表达。
用高糖处理AC16人心室心肌细胞，RT-qPCR和Western blot检测Penk和Rbp7表达，发现处理48小时后均显著上调。
单细胞转录组分析
解析DCM中细胞类型、IFGs表达和细胞间通讯。
对scRNA-seq数据进行聚类注释，分析IFGs表达，发现Penk主要在成纤维细胞表达，Rbp7在内皮细胞、心肌细胞和血管周细胞表达；进一步分析细胞通讯，发现成纤维细胞与巨噬细胞通讯增强，涉及MIF信号通路。
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。
数据预处理与批次效应校正
共表达网络分析
差异表达分析
特征基因筛选
预测模型构建与评估
免疫浸润分析
基因表达验证
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 细胞培养 | 杜氏改良Eagle培养基 | Procell | -- |
| 胎牛血清 | Procell | -- | |
| D-葡萄糖 | Sigma-Aldrich | -- | |
| 棕榈酸酯 | Sigma-Aldrich | -- | |
| RNA提取 | TRNzol Universal试剂盒 | TIANGEN | DP424 |
| 逆转录 | HiScript III一步法反转录预混液 | Vazyme | R333-01 |
| RT-qPCR | ChamQ通用SYBR qPCR预混液 | Vazyme | Q711-02 |
| Applied Biosystems 7500实时PCR仪 | -- | -- | |
| Western blotting | RIPA裂解液（含蛋白酶抑制剂混合物） | Med-ChemExpress | HY-K0021 |
| BCA蛋白定量试剂盒 | TIANGEN | PA115 | |
| Pro-Light HRP化学发光试剂 | TIANGEN | PA112 | |
| PVDF膜 | -- | -- | |
| ChemiDoc XR-S成像系统 | Bio-Rad | -- | |
| Rbp7抗体 | Thermo Fisher Scientific | MA5-24514 | |
| GAPDH抗体 | Abcam | ab181602 | |
| Penk抗体 | ABclonal | A6302 | |
| β-微管蛋白抗体 | Proteintech | 10068-1-AP | |
| 数据分析 | R语言 | -- | -- |
| Cytoscape | -- | -- |
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 |
|---|---|
| 细胞培养与高糖处理 | AC16细胞培养条件（DMEM含10%胎牛血清，37°C，5% CO2），高糖处理浓度和时间（33 mmol/L D-葡萄糖+0.3 mmol/L棕榈酸酯，24-48小时） 阅读提示：Materials and Methods: "Human ventricular cardiomyocyte (AC16 cell) culture and high glucose exposure" |
| RT-qPCR | 引物序列、PCR循环条件、内参基因（GAPDH） 阅读提示：Materials and Methods: "Real time-quantitative polymerase chain reaction" |
| Western blotting | 抗体稀释比例、蛋白上样量（30μg）、SDS-PAGE条件（10%-15%胶，90V，1.2小时）、内参（GAPDH和β-tubulin） 阅读提示：Materials and Methods: "Western blotting assay" |
| WGCNA | 软阈值power=5，minModuleSize=30，mergeCutHeight=0.2，绿色模块与DCM相关性 阅读提示：Figure 1和Table 1 |
| 机器学习筛选IFGs | LASSO和SVM-RFE的参数设置、交集基因 阅读提示：Materials and Methods: "Identification of immune feature genes using machine learning algorithms"和Table 2 |
| scRNA-seq分析 | 数据集GSE213337，过滤条件（基因数200-2500），聚类分辨率0.5，细胞类型注释 阅读提示：Materials and Methods: "scRNA-seq computational pipelines and analysis" |