基于生物信息学分析和机器学习鉴定与验证用于代谢功能障碍相关脂肪性肝炎诊断的胞葬作用相关生物标志物

Identification and validation of efferocytosis-related biomarkers for the diagnosis of metabolic dysfunction-associated steatohepatitis based on bioinformatics analysis and machine learning.

作者信息Chenghui Cao, Wenwu Liu, Xin Guo, Shuwei Weng, Yang Chen, Yonghong Luo, Shuai Wang, Botao Zhu, Yuxuan Liu, Daoquan Peng
PMID39497821
发布时间2024-10-21
DOI10.3389/fimmu.2024.1460431

实验完整度

研究包含生物信息学分析(差异基因、富集、免疫浸润、单细胞)和动物实验验证,但缺乏细胞功能实验和机制验证。

主要模型

C57BL/6J小鼠MASH模型(HFD+STZ诱导) GSE126848人类肝脏转录组队列 GSE246221人类肝脏微阵列队列 GSE128334小鼠肝脏单细胞转录组数据 GSE128334小鼠肝脏样本

重点核对

MASH模型诱导:雄性C57BL/6J小鼠(6-8周龄),高脂饮食(D12450B,60%脂肪)28周,腹腔注射链脲佐菌素(STZ)40 mg/kg连续5天 验证基因表达:TREM2和TIMD4在MASH样本中分别上调和下调,通过RT-qPCR和Western blot验证 诊断性能评估:TREM2和TIMD4的AUC值分别为0.955和0.966(在GSE246221中) 外部验证数据集:GSE246221包含4个健康对照和22个MASH样本 统计显著性:P值小于0.05、0.01、0.001等

摘要

背景:代谢功能障碍相关脂肪性肝炎(MASH)是一种全球高度流行的肝脏疾病,具有进展为肝硬化和肝癌的重大风险。胞葬作用(Efferocytosis)是多种慢性炎症性疾病中涉及的过程,据报道与MASH的发病机制相关,但其确切作用尚不清楚。因此,我们旨在识别和验证用于检测MASH的胞葬作用相关基因签名。方法:我们从GEO数据库获取MASH的基因表达谱,并重点评估MASH组与对照组之间胞葬作用相关基因(EFRGs)的差异表达。随后进行一系列深入分析,包括蛋白质-蛋白质相互作用(PPI)、相关分析和功能富集分析,以揭示分子相互作用和通路。为了筛选诊断生物标志物,我们应用机器学习算法识别核心基因并构建临床预测模型。此外,我们在MASH和对照样本中进行了免疫浸润和单细胞转录组分析,提供这些条件下免疫细胞景观和细胞异质性的见解。结果:本研究确定了39个与MASH中胞葬作用显著相关的基因。其中,通过两种不同的机器学习模型筛选出五个潜在的诊断生物标志物——TREM2、TIMD4、STAB1、C1QC和DYNLT1。随后的外部验证和动物实验验证了MASH样本中TREM2上调和TIMD4下调。值得注意的是,TREM2和TIMD4的曲线下面积(AUC)值均超过0.9,强调它们在促进MASH诊断方面的显著潜力。结论:我们的研究全面阐明了MASH与胞葬作用之间的关系,构建了一个良好的诊断模型。此外,我们确定了MASH治疗的潜在治疗靶点,并为揭示该疾病的潜在机制提供了新的见解。

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
本研究旨在识别和验证与MASH相关的胞葬作用基因签名,并评估其作为诊断生物标志物的潜力。
核心机制
MASH中胞葬作用受损,表现为吞噬、胆固醇外流和凋亡细胞清除通路下调,而细胞因子产生正向调节通路上调;TREM2和TIMD4可能通过调节免疫细胞浸润和炎症参与MASH发病。
主要证据
通过差异表达分析、机器学习(LASSO和SVM-RFE)筛选出五个核心基因,外部数据集和动物实验验证了TREM2和TIMD4的差异表达(TREM2上调,TIMD4下调),且两者的AUC均超过0.9。
研究意义
本研究为MASH的诊断提供了新的潜在生物标志物,并为治疗干预提供了潜在靶点,为理解MASH的发病机制提供了新见解。

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

数据获取与差异表达分析

识别MASH与正常对照之间差异表达的胞葬作用相关基因。

从GEO数据库获取GSE126848(14个健康对照、16个MASH患者)作为训练集,使用DESeq2进行差异表达分析,筛选p-adj<0.05且|log2FC|≥1的DEGs,并与EFRGs取交集得到39个差异表达EFRGs。

2

功能富集分析

探究39个差异表达EFRGs的生物学功能和通路富集情况。

使用clusterProfiler包进行GO(BP和MF)、KEGG和DO富集分析,p值<0.05。

3

机器学习筛选核心基因

从39个差异表达EFRGs中筛选出诊断MASH的核心基因。

应用LASSO回归(binomial参数,10折交叉验证)和SVM-RFE(5折交叉验证)两种机器学习算法,分别筛选出7个和13个基因,取交集得到5个核心基因:TREM2、TIMD4、STAB1、C1QC、DYNLT1。

4

免疫浸润和单细胞转录组分析

评估MASH中免疫细胞浸润变化及核心基因在不同免疫细胞中的表达。

使用CIBERSORT算法评估22种免疫细胞比例,进行相关分析;对GSE128334(MASH小鼠模型)进行scRNA-seq分析,鉴定细胞簇并评估核心基因表达。

5

构建诊断模型和外部验证

评估核心基因的诊断价值并构建列线图模型。

使用GSE246221(4个健康对照、22个MASH样本)进行ROC曲线验证,计算AUC;构建包含五个核心基因的列线图模型。

6

动物实验验证

在体内验证核心基因的表达变化。

构建HFD+STZ诱导的MASH小鼠模型(雄性C57BL/6J,6-8周龄),通过HE、油红O染色、生化检测(ALT、AST)、OGTT、ITT验证模型成功;通过RT-qPCR、Western blot和IHC检测核心基因表达。

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
高脂饮食D12450BResearch Diets, IncD12450B
链脲佐菌素文中未明确说明--
AG RNAex Pro试剂文中未明确说明AG21101
Evo M-MLV逆转录试剂盒文中未明确说明AG11706
CFX Connect系统Bio-Rad--
SYBR® Green预混液Bio-Rad--
ALT和AST检测试剂盒Elabscience--
油红OBeyotimeC1057S
血糖仪ACCU-CHEK Guide Me--
RIPA裂解液文中未明确说明--
Omni-Easy™一步法彩色PAGE凝胶快速制备试剂盒文中未明确说明PG210-214
预染蛋白MarkerThermo26616
BIO-RAD PowerPac Basic电源BIO-RAD--
Beyotime快速封闭液BeyotimeP0252
抗β-tubulin抗体Proteintech10094-1-AP
抗TREM2抗体Abcamab305103
抗TIMD4抗体Affinity BiosciencesDF13636
抗TREM2抗体Abcamab305103
抗TIMD4抗体Affinity BiosciencesDF13636
3DHISTECH数字切片扫描仪3D HISTECH--

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
数据获取与差异表达分析
数据集GSE126848包含14个健康对照和16个MASH患者;差异表达阈值p-adj<0.05和|log2FC|≥1
阅读提示:Methods and materials: Data preparation, Differentially expressed genes analysis; Figure 2
机器学习筛选核心基因
LASSO回归使用binomial参数和10折交叉验证,SVM-RFE使用5折交叉验证;核心基因列表(TREM2, TIMD4, STAB1, C1QC, DYNLT1)
阅读提示:Methods and materials: Machine learning; Results: Identification of hub genes using machine learning; Figure 4
外部验证和诊断性能
外部验证数据集GSE246221包含4个健康对照和22个MASH样本;ROC分析用于评估AUC
阅读提示:Methods and materials: Construction of ROC and nomogram model; Results: Validation of hub genes diagnostic value and expression; Figure 8
动物模型构建
雄性C57BL/6J小鼠6-8周龄;高脂饮食(D12450B)28周;链脲佐菌素(STZ)40mg/kg连续5天腹腔注射
阅读提示:Methods and materials: MASH mice model construction; Results: Validation in animal experiments; Figure 9
基因表达验证
RT-qPCR使用Gapdh作为内参,2^-ΔΔCT方法;Western blot使用β-tubulin作为内参;抗体稀释度(如TREM2 1:1000,TIMD4 1:1000)
阅读提示:Methods and materials: RNA extraction and quantitative real-time PCR, Western blotting; Results: Validation in animal experiments; Figure 9