整合批量与单细胞转录组数据以识别阿尔茨海默病中与铁死亡相关的炎症基因

Integrating Bulk and Single-Cell Transcriptomic Data to Identify Ferroptosis-Associated Inflammatory Gene in Alzheimer's Disease.

作者信息Huiqin Zhou, Yunjia Peng, Xinhua Huo, Bingqing Li, Huasheng Liu, Jian Wang, Gaihua Zhang
PMID39959647
发布时间2025-02-10
DOI10.2147/JIR.S497418

实验完整度

包含批量转录组筛选、单细胞分析、细胞实验验证(RT-qPCR、免疫荧光)等多个层级,但缺乏体内动物模型验证。

主要模型

AD患者海马组织(GSE29378) AD患者外周血(GSE63060、GSE63061、GSE168522) BV2小胶质细胞系 EAE小鼠脑组织(GSE199460)

重点核对

BV2细胞用1600 μM FeSO4和5 μM RSL3处理6小时建立铁死亡诱导的炎症模型 SLC11A1在AD海马M1型小胶质细胞中显著上调(P < 0.001) SLC11A1在AD外周血单核细胞中显著上调(P < 0.001) SLC11A1在GSE33000前额叶皮层中诊断性能AUC = 0.797

摘要

背景 铁死亡是一种由铁依赖性脂质过氧化引发的程序性细胞死亡形式,其特征是铁积累和活性氧(ROS)升高,导致细胞膜损伤。它与多种疾病相关。然而,在阿尔茨海默病(AD)中,铁死亡、免疫炎症和脑-外周血轴之间的细胞和分子联系仍不清楚。 方法 我们整合了AD脑组织和外周血的批量RNA-seq数据,并通过差异基因表达分析、加权基因共表达网络分析(WGCNA)等方法细化AD候选基因的筛选。此外,我们分析了AD患者脑组织和外周血的单细胞RNA-seq(scRNA-seq)数据,并结合实验性自身免疫性脑脊髓炎(EAE)小鼠脑组织的scRNA-seq数据。这使我们能够从细胞类型特异性的角度探索AD相关的分子机制。最后,使用逆转录定量PCR(RT-qPCR)和免疫荧光方法在铁死亡模型中验证了候选基因。 结果 批量RNA-seq分析确定了SLC11A1,一个与AD相关的炎症基因。单细胞RNA-seq分析进一步揭示,SLC11A1的表达在AD中的促炎性(M1型)小胶质细胞和外周血单核细胞中显著升高。此外,我们在AD M1型小胶质细胞中鉴定了一个与铁死亡高度相关的小胶质细胞亚群。该亚群同时表达外周血单核细胞的特征标志物,表明这些细胞可能起源于外周血单核细胞,从而通过铁死亡途径触发神经炎症。细胞实验证实,在铁死亡诱导的炎症性小胶质细胞中,SLC11A1显著上调。 结论 本研究揭示了SLC11A1在AD中的关键作用,特别是在铁死亡和免疫炎症的背景下。它提供了一种新的分子机制视角,并为未来的治疗策略提供了潜在靶点。

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
阐明铁死亡、免疫炎症和脑-外周血轴在AD中的细胞和分子联系,并识别关键的炎症相关基因。
核心机制
SLC11A1通过促进铁积累和脂质过氧化,驱动铁死亡,并可能促进小胶质细胞的M1极化,增强炎症因子的释放,形成正反馈回路,加剧神经炎症。
主要证据
批量RNA-seq和WGCNA鉴定SLC11A1;scRNA-seq显示其在AD M1小胶质细胞和外周血单核细胞中上调,并发现一个表达单核细胞标志物和铁代谢基因的M1亚群;细胞实验证实铁死亡诱导的炎症小胶质细胞中SLC11A1 mRNA和蛋白水平升高。
研究意义
揭示SLC11A1在AD中参与铁死亡和免疫炎症的新机制,为AD的治疗提供潜在靶点。

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

鉴定AD海马差异表达基因和共表达模块

识别与AD相关的差异表达基因和基因模块。

使用GSE29378数据集,通过limma包进行差异表达分析,获得132个DEGs(106个上调,26个下调);使用WGCNA构建共表达网络,鉴定出与AD显著相关的黄色模块(1695个基因)。

2

交集筛选AD相关炎症基因并构建PPI网络

筛选与AD相关的炎症基因,并通过PPI网络鉴定核心基因。

将DEGs、WGCNA关键模块基因和GeneCards炎症相关基因取交集,获得29个基因;进行GO富集分析;使用Cytoscape构建PPI网络,筛选出17个核心基因(degree > 3)。

3

免疫浸润和相关性分析

评估AD海马组织中免疫细胞浸润差异,并分析与核心基因的相关性。

使用ssGSEA分析26种免疫细胞的浸润差异,发现4种免疫细胞在AD和对照组之间有显著差异;将核心基因与差异免疫细胞进行相关性分析,确定C1S、CD44、SLC11A1和ANXA2为与免疫细胞最相关的基因。

4

验证SLC11A1在外周血中的表达及其与AD病理的相关性

验证候选基因在外周血的差异表达,并评估SLC11A1与AD病理的相关性。

在GSE63060和GSE63061数据集中分析4个候选基因的表达,发现SLC11A1在AD外周血中显著上调;使用MOUSEAC数据库分析SLC11A1与Aβ和Tau病理的相关性;对SLC11A1进行GSEA分析。

5

单细胞RNA-seq分析SLC11A1在脑和外周血中的细胞类型特异性表达

在单细胞水平上确定SLC11A1在不同细胞类型中的表达模式。

对GSE175814(海马)和GSE168522(外周血)进行质量控制、聚类和注释,发现SLC11A1在脑中主要表达于小胶质细胞,在外周血中主要表达于单核细胞,并且在AD组中显著上调。

6

鉴定M1小胶质细胞亚群与铁死亡关联

探索AD M1型小胶质细胞中与铁死亡相关的亚群及其潜在来源。

对GSE175814中的小胶质细胞进行亚聚类,鉴定出7个亚群,并分类为静止、中间、M1和M2型;发现一个独特的M1亚群(cluster 2)高表达单核细胞标志物(CD14、HLA-DPA1)和铁代谢基因(FTH1、FTL1),并定义其为浸润性小胶质细胞。

7

拟时间分析和细胞通讯分析

模拟小胶质细胞从静止到M1极化的分化轨迹,并分析细胞间通讯。

使用monocle3进行拟时间分析,显示SLC11A1表达随小胶质细胞向M1极化而增加;使用CellChat分析EAE模型中浸润性小胶质细胞与其他细胞的信号通路,发现差异性的配体-受体对。

8

细胞实验验证铁死亡诱导的炎症小胶质细胞模型

验证SLC11A1在铁死亡诱导的炎症小胶质细胞中的表达变化。

使用RSL3和FeSO4处理BV2细胞,通过CCK-8确定最佳浓度,流式检测ROS水平,RT-qPCR检测SLC11A1、TNF-α和ACSL4的mRNA表达,免疫荧光检测SLC11A1蛋白表达。

9

评估SLC11A1的诊断性能

评估SLC11A1作为AD诊断生物标志物的潜力。

使用GSE33000数据集进行ROC分析,得到AUC = 0.797;使用DCA评估其临床净收益。

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
杜氏改良 Eagle 培养基Gibco21331020
胎牛血清GibcoA5670701
RSL3AladdinR302648
硫酸亚铁Sigma-AldrichF8633
TRIzol试剂Invitrogen15596026CN
PrimeScript RT Master Mix 试剂盒(含 gDNA Eraser)TakaraRR047A
Lightcycler480 SYBR II 实时荧光定量PCR仪Roche--
SYBR Green 荧光染料----
引物Sangon Biotech--
CCK-8 试剂盒APExBIOK2268
2',7'-二氯二氢荧光素二乙酸酯MCEHY-D0940
曲拉通 X-100Beyotime BiotechnologyP0096
SLC11A1 一抗CUSABIOCSB-PA021380LA01HU
二抗ProteintechRGAR002
DAPI 染色液Beyotime BiotechnologyC1006
激光共聚焦显微镜 LSM 800ZEISS--

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
BV2细胞系来源、培养基成分(90% DMEM + 10% FBS)、培养条件(5% CO2, 37°C)
阅读提示:Materials and Methods, Cell Culture
铁死亡模型诱导
RSL3浓度(5 μM)、FeSO4浓度(1600 μM)、处理时间(6小时)
阅读提示:Results, Cellular Experiment Verification and Diagnostic Efficacy Evaluation; Figure 6A
RT-qPCR
引物序列、内参基因(GAPDH)、分析方法(2^-ΔΔCT)
阅读提示:Materials and Methods, Reverse Transcription Quantitative Polymerase Chain Reaction; Table 2
免疫荧光
一抗稀释比例(1:200)、二抗稀释比例(1:500)、固定时间(15分钟)、透化时间(15分钟)、封闭时间(1小时)
阅读提示:Materials and Methods, Cell Immunofluorescence
ROC和DCA分析
数据集(GSE33000)、使用的R包(pROC, ggDCA)
阅读提示:Materials and Methods, Receiver Operating Characteristic Curve and Decision Curve Analysis; Figure 6F-G