发布时间： 2024-06-05 10:20:55
今天给大家带来的文章是发表在FrontImmunol上的“InflammationinPreeclampsia:GeneticBiomarkers,Mechanisms,andTherapeuticStrategies”。本研究的主要创新点在于将转录组分析和分子对接相结合，寻找先兆子痫的生物标志物、机制以及治疗策略。
1.首先，利用差异分析、机器学习模型获得关键基因。
2.其次，将获得的关键基因进行miRNA、TF的预测，并构建调控网络。
3.进一步，选取关键基因作为靶点，分别与阿司匹林和姜黄素进行分子对接。
4.最后，分析了免疫细胞在先兆子痫中的分布差异。
题目：先兆子痫炎症：遗传生物标志物、机制和治疗策略
杂志：FrontImmunol
影响因子：IF=7.3
发表时间：2022.07.08
01
研究背景
子痫前期是妊娠特有的严重并发症，表现为高血压综合征伴多系统受累和损伤，在妊娠20周后首次出现。在过去30年中，妊娠期高血压和先兆子痫的发病率急剧增加。先兆子痫的全球患病率为3%-5%，是孕产妇和胎儿发病率和死亡率的重要原因，在世界范围内造成巨大的医疗费用。当子痫前期表现为严重表现或子痫或溶血、肝酶升高和低血小板（HELLP）综合征时，孕产妇死亡率甚至更高。虽然子痫前期是妊娠期常见的并发症之一，但其确切的病因和发病机制仍不明确，并且可能是异质性的。目前唯一的治疗方法是终止妊娠;然而，在有先兆子痫病史的母亲及其子女中，未来发生心血管和代谢疾病的风险仍然增加。因此，深入了解子痫前期患者的发病机制和靶向治疗尤为重要。
02
数据来源
01
GEO数据源
02
炎症反应相关基因
从分子特征数据库(MSigDB)中获取200个炎症反应相关基因。
03
研究思路
首先，作者分析了子痫前期和非子痫前期组的差异表达基因（DEGs），与提取的炎症反应相关基因相交，获得差异表达的炎症相关基因（DINRGs）；第二，作者进行富集分析并构建PPI网络以了解其功能和富集途径；第三，使用机器学习模型识别与先兆子痫相关的关键基因，并在训练集中构建列线图，在验证集中进行验证；第四，利用R包RcisTarget预测转录因子，构建miRNA-mRNA通路以鉴定其分子机制；第五，作者对获得的关键基因进行了分子对接。最后，作者还探讨了子痫前期和非先兆子痫样本之间免疫细胞浸润的差异。
04
主要结果
1、差异表达分析、蛋白质-蛋白质相互作用分析和富集分析
作者在GSE75010中获得了子痫前期和非子痫前期样本之间的5118个DEGs，将DEGs与炎症反应相关基因进行交叉，鉴定出69个差异表达的炎症反应相关基因（图2A)。然后利用STRING对69个DINRGs构建了PPI网络并进行了KEGG和GO富集。
2、机器学习模型的构建和验证
从69个DINRGs中选取log|FC|>0.4的5个基因（OPRK1、BTG2、CXCL8、TPBG和INHBA）作为构建RF模型、SVM模型和GLM机器学习模型的关键基因，可以发现，GLM模型中的三个解释变量INHBA，OPRK1和TPBG对模型的贡献较大。
3、列线图的建立和评估
根据三个解释变量INHBA、OPRK1和TPBG构建了列线图（图4A)。ROC曲线分析结果显示，训练集中AUC可达0.886(图4B)，验证集中AUC可达0.933(图4C）。训练集中校准曲线的水平与标准曲线重叠良好（图4D），表明该列线图对预测先兆子痫具有较高的准确性。然后，作者考虑到风险模型的临床实用性绘制了DCA曲线，可以观察到列线图具有较大的AUC（图4E），并且远离两个极端曲线，这比其他模型更有价值。作者还在验证集中进行了验证，结果与训练集一致（图4F）。高危人数曲线和高危人数与事件曲线均接近0.4–1（高危阈值区域）（图4G），表明该列线图具有非常好的预测能力。从这些结果可以看出，风险评分模型具有良好的预测能力，三个关键基因在子痫前期的发生发展中起着至关重要的作用。
4、INHBA、OPRK1和TPBG的进一步分析
作者利用表达热图（图5A）、染色体上的位置（图5B）、子痫前期胎盘组织和非子痫前期胎盘组织中它们的表达箱线图(图5C)，发现了80例子痫前期胎盘组织中INHBA和TPBG的表达高于77例非子痫前期胎盘组织，而OPRK1的表达则较低。随后，作者分析了INHBA、OPRK1和TPBG的相关性（图5D），发现INHBA和TPBG与OPRK1呈负相关，且INHBA、OPRK1、TPBG三者之间有较高的相关系数。
作者还分析了关键基因INHBA、OPRK1、TPBG的具体调控机制。利用累积恢复曲线对这些转录因子进行富集分析。分析显示，转录因子REL、RELA、RELB、ZNF274、SMARCC1是该基因集中的主要调控因子。INHBA和TPBG在这个主要基序上富集。
作者通过mirRDB在线数据库对3个关键基因进行反向预测，共预测出359个miRNA，共359对mRNA-miRNA关系对，成功构建了核心基因相关的mRNA-miRNA调控网络（图7A）。此外，在关键基因的基础上探索了TF-miRNA的调控，以进一步在转录组水平上明确子痫前期疾病发生的机制。（图7B、C）
5、分子对接
选取3个关键基因和RELA作为靶点，分别与阿司匹林和姜黄素进行分子对接，发现阿司匹林与TPBG-4cnc、OPRK1-4djh、RELA-3qxy的结合亲和力均小于-5kcal/mol，说明它们具有一定的结合活性。姜黄素与TPBG-4cnc、OPRK1-4djh、RELA-3qxy的结合亲和力均小于-7.0kcal/mol。
6、免疫细胞分布的差异
作者分析了子痫前期组和非子痫前期组每个样本中22种免疫细胞浸润的比例，发现子痫前期组和非子痫前期组的调节性T细胞（Tregs）、静息肥大细胞、单核细胞和中性粒细胞存在显著差异。作者还将CIBERSORT计算得出的前20类免疫细胞分为四类：总淋巴细胞、总树突状细胞、总巨噬细胞和总肥大细胞，子痫前期组与非子痫前期组的肥大细胞存在明显差异，且子痫前期组肥大细胞明显高于非子痫前期组，两组间免疫细胞的差异可能与子痫前期的发生发展有关（图9B）。
05
文章小结
作者构建了机器学习模型，确定了三个关键基因，这些基因可以作为子痫前期诊断和治疗的潜在遗传生物标志物，并建立了一个预测模型。随后，作者进一步探索了关键基因上游的潜在转录因子和miRNA-mRNA通路，并确定了可能有助于研究子痫前期分子机制和治疗靶点开发的通路。利用已建立的基于关键基因的蛋白质和配体结构数据库，作者获得了药物的预测结合分数及其应用前景。最后，作者还探讨了先兆子痫与免疫系统的相关性。
`END`
下一篇：《JAMA-医学期刊上观察性研究干预效果的因果推断》文献翻译PART1
