数据获取与质量控制
获取并处理公共scRNA-seq数据，确保数据质量。
从GEO和ArrayExpress获取6个数据集共85个样本，使用Seurat包进行质量控制（percent.ERCC<5%，percent.HB<0.25%），PCA降维，UMAP聚类，并注释细胞类型。
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
单细胞RNA测序分析揭示了2型糖尿病中铁死亡与β细胞去分化之间的正相关性
Single-Cell RNA-seq Analysis Reveals a Positive Correlation between Ferroptosis and Beta-Cell Dedifferentiation in Type 2 Diabetes.
实验完整度
中包含多种生物信息学分析（差异表达、GSEA、GSVA、伪时间轨迹、TF和ceRNA网络、机器学习）和动物模型验证（HFD小鼠，铁代谢指标、IHC），但缺乏功能实验验证。
主要模型
人胰岛β细胞（scRNA-seq数据） 高脂饮食诱导的C57BL/6J 2型糖尿病小鼠模型
重点核对
单细胞RNA测序数据来源及批次效应处理（Seurat包，percent.ERCC<5%，percent.HB<0.25%） β细胞亚群聚类参数（5个PC，分辨率0.4） 铁死亡与去分化评分的分组阈值（中位数） 高脂饮食小鼠模型（60%高脂饮食，12周，n=13/组） IHC验证的抗体及条件（4°C孵育过夜，n=3/组）
摘要
2型糖尿病（T2D）患者的胰岛素缺乏与β细胞功能障碍有关，这种情况日益被认为涉及去分化和凋亡等过程。此外，新兴研究指出铁死亡可能在T2D的发病机制中发挥作用。在本研究中，我们旨在探讨铁死亡在T2D β细胞去分化中的潜在参与。我们对六个公共数据集进行了单细胞RNA测序分析。通过差异表达和基因集富集分析来研究铁死亡的作用。随后使用基因集变异和伪时间轨迹分析来验证铁死亡相关的β细胞簇。在根据铁死亡和去分化评分对细胞进行分类后，我们构建了转录和竞争性内源RNA网络，并通过机器学习和免疫组织化学验证了核心基因。我们发现铁死亡在T2D β细胞中富集，并且铁死亡与去分化过程之间存在正相关。进一步分析后，我们鉴定出两个具有明显铁死亡和去分化特征的β细胞簇。确定了几个关键转录因子和2个长链非编码RNA（MALAT1和MEG3）。最后，我们确认了高脂饮食喂养的小鼠胰腺中发生铁死亡，并确定了4种可能参与铁死亡对去分化影响的蛋白质（NFE2L2、CHMP5、PTEN和STAT3）。这项研究有助于阐明铁死亡与β细胞健康之间的相互关系，并为开发治疗糖尿病的治疗策略开辟了新途径。
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
- 铁死亡是否参与2型糖尿病中β细胞的去分化过程？
- 核心机制
- 在T2D β细胞中，铁死亡与去分化呈正相关，可能通过转录因子（如STAT3）和lncRNA（MALAT1、MEG3）调控，涉及NFE2L2、CHMP5、PTEN、STAT3等关键基因。
- 主要证据
- 基于人胰岛scRNA-seq数据的生物信息学分析（差异表达、GSEA、GSVA、伪时间轨迹、网络构建）和机器学习筛选，以及HFD小鼠胰腺中铁代谢指标（铁、铁蛋白、MDA、GSH）和IHC验证的四个关键基因（NFE2L2、CHMP5、PTEN、STAT3）表达上调。
- 研究意义
- 研究为理解铁死亡与β细胞健康之间的相互作用提供了新的理论依据，并可能为糖尿病治疗策略的开发开辟新途径。
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。
鉴定铁死亡与去分化特征
比较T2D与正常β细胞中铁死亡和去分化的表达差异及关联。
对β细胞进行差异表达分析（|log2FC|>0.5，p.adj<0.05），获得24个铁死亡相关DEGs；GSEA显示铁死亡通路富集；计算铁死亡和去分化评分，按中位数分为四组，发现双高组比例在T2D中更高。
β细胞亚群分析和轨迹推断
识别铁死亡相关的β细胞亚群及其分化状态。
对β细胞进行亚聚类（5个PC，分辨率0.4），得到6个簇，其中Cluster 2和4铁死亡评分高，GSVA显示氧化应激、脂质代谢和铁相关通路富集；伪时间轨迹分析显示Cluster 4和2位于轨迹末端。
构建调控网络
探索双高细胞中转录因子和ceRNA介导的调控机制。
对双高与双低组进行差异分析，得到39个上调的FRGs；使用DoRothEA推断TF活性，TRRUST构建TF调控网络；构建ceRNA网络，发现MALAT1和MEG3可能通过竞争性结合miRNA调控多个FRGs。
机器学习筛选关键基因
从候选DEGs中筛选与铁死亡和去分化相关的关键基因。
使用LASSO回归和随机森林算法独立分析39个候选DEGs，分别得到19和15个基因，与T2D DEGs取交集，获得8个关键基因（LAMP2, NFE2L2, STAT3, SCP2, CHMP5, ARF6, CHP1, PTEN）；进行相关性和ROC分析。
动物模型验证
验证铁死亡和关键基因在T2D小鼠模型中的表达。
构建HFD小鼠模型（60%高脂饮食12周），检测体重、空腹血糖、GTT、血清和胰腺铁水平、铁蛋白、MDA和GSH；IHC验证关键基因蛋白表达。
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 |
|---|---|---|---|
| 生化检测 | Accu-Chek Active血糖仪 | Roche Diagnostics GmbH | -- |
| 铁检测试剂盒 | Biosharp | BL898B | |
| 小鼠铁蛋白ELISA试剂盒 | Elabscience | E-EL-M0491c | |
| 脂质过氧化MDA检测试剂盒 | Biosharp | BL904A | |
| GSH检测试剂盒 | Solarbio | BC1170 | |
| 免疫组化 | LAMP2抗体 | Servicebio | GB11330 |
| NFE2L2抗体 | Servicebio | GB113808 | |
| STAT3抗体 | affinity | BF0354 | |
| SCP2抗体 | ABCAM | ab140126 | |
| CHMP5抗体 | affinity | DF14834 | |
| ARF6抗体 | affinity | DF6170 | |
| CHP1抗体 | SAB | 47772 | |
| PTEN抗体 | Servicebio | GB113803 | |
| 动物实验 | 高脂饮食（60%能量来自脂肪） | Research Diets, Inc. | -- |
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 |
|---|---|
| scRNA-seq数据处理 | 数据来源（GEO和ArrayExpress数据集），质量控制指标（percent.ERCC<5%，percent.HB<0.25%），主成分数（20），聚类分辨率（0.5） 阅读提示：Methods 2.1-2.2, 结果3.1 |
| β细胞亚群分析 | PC数（5），分辨率（0.4） 阅读提示：结果3.4 |
| 铁死亡和去分化评分 | 去分化标记基因列表（9个祖细胞标记+8个α细胞标记），铁死亡标记基因列表（FerrDb的445个FRGs），分组阈值（中位数） 阅读提示：Methods 2.4, 结果3.3 |
| 小鼠模型 | 小鼠品系（C57BL/6J），性别（雄性），初始周龄（5周），饮食（60%高脂饮食，Research Diets），持续时间（12周），对照组（18%脂肪的常规饮食），样本量（n=13/组） 阅读提示：Methods 2.11, 结果3.7 |
| 生化指标检测 | 空腹时间（6小时），GTT条件（16小时禁食，i.p. 2.0 g/kg葡萄糖），样本量（n=10/组） 阅读提示：Methods 2.12, 结果3.7 |
| 免疫组化 | 一抗信息（列表中），二抗（Servicebio），孵育条件（4°C过夜），样本量（n=3/组，每只小鼠4-6个胰岛） 阅读提示：Methods 2.13, 结果3.8 |