嗨嗨各位宝子们大家好啊,阿星又来啦!你是否被如今深度学习、单细胞、MR等热点文章看的天花乱坠,今天阿星就发现了这样一篇朴实无华的文章,广东省人民医院只用WGCNA+PPI+免疫细胞浸润等常规生信分析思路,拿下领域顶刊!
今日主角《J Prev Alzheimers Dis》,致力于提高在阿尔茨海默病预防领域的知识,影响因子稳定,初审时间中位数11天,国人友好,而AD是医学一个细分疾病,发文量少,基本沾边就收。想要发高分除了自身本领硬,还得有独特的选刊眼力(关注阿星,这里也有大量期刊推荐!),期刊介绍部分结束,下面来看看本文的亮点都有哪些吧:
1、公开数据的可利用性:文章用到的7个数据集均来自公开数据库,公开易获取,增加了研究的可重复性和透明度。(数据库虽好,但发文不仅要懂数据统计方法,还要精通热门选题,关注阿星带你跟踪最新生信热点。)
2、研究结果验证的广泛性:使用了两个独立数据集对结果进行验证,增加结果可信度。此外,数据量较大,涉及到7个数据集和近400的样本量。ps:本文思路“性价比”都是比较高的,可以说是换个疾病就可复现!如果我们来做肯定是发不来这么高分的,不过我们可以以此为基础,增加一些预测/诊断模型,或者有些宝子实验基础好,可以增加功能验证实验。生信分析方面有困难?随时联系阿星哦~
题目:综合生物信息学分析和验证识别阿尔茨海默病免疫微环境相关的潜在生物标志物
杂志:The Journal of Prevention of Alzheimer's Disease
影响因子:IF=8.5
发表时间:2024年01月08日
后台回复“888”获取原文献,文献编号240824
研究背景
阿尔茨海默病(AD)是一种与年龄相关的神经退行性疾病,是最常见的痴呆类型之一,其主要特征包括认知和记忆能力下降。AD的主要病理特征包括由β淀粉样蛋白(Aβ)在神经元外异常沉积形成的老年斑(SP)和由Tau蛋白在神经元内高度磷酸化引起的神经纤维缠结(NFTs)。
研究思路
研究者通过收集和标准化AD患者的基因表达数据,运用WGCNA识别与疾病相关的基因模块,结合差异表达分析和功能富集分析来筛选和探究关键基因的生物学功能,进一步通过PPI网络分析鉴定枢纽基因,并利用CIBERSORT算法分析免疫细胞浸润情况,最终整合这些信息来揭示AD的潜在生物标记物和免疫微环境特征,为疾病的早期诊断和治疗提供理论基础。
数据来源
数据集 | 数据库 | 数据类型 | 详细信息 |
GSE26927、GSE26972、GSE28146、GSE29378和GSE37263 | GEO | 微阵列 | 训练集,包含60个AD样本和39个正常样本 |
GSE48350和GSE5281 | GEO | 微阵列 | 验证集,分别包含55个AD样本和65个正常样本,以及59个AD样本和49个正常样本 |
主要结果
1.AD 患者疾病相关模块的WGCNA筛查
研究者通过加权基因共表达网络分析筛选与阿尔茨海默病(AD)相关的疾病模块。发现基因根据表达模式的相似性被聚类到不同的共表达模块中,共识别出6个模块(图1A)。进一步通过邻接热图展示了不同模块之间的相关性(图1B),并分析了这些模块与临床因素的相关性(图1C)。其中,棕色模块与疾病最为显著相关,因此被选为进一步分析的重点(图1C)。同时,棕色模块中的模块成员资格与疾病相关基因的显著性呈显著正相关(图1D)。
图1 AD患者疾病相关模块的WGCNA筛查
2.AD 患者群体中DEDRGs的鉴定
研究者通过差异表达分析,共鉴定出248个DEGs(图2A)。之后利用韦恩图进一步筛选出27个与棕色模块基因相交的DEDRGs(图2B)。与差异表达分析一致,研究发现其中有24个上调的DEDRGs和3个下调的DEDRGs(图2C)。通过皮尔逊相关性分析进一步描绘了27个DEDRGs之间的表达相关性,其中ID4和GJA1的正相关性最高(图2D)。
图2 AD患者差异表达疾病相关基因的鉴定及表达水平
3.AD 组中DEDRGs的功能富集分析
KEGG通路分析显示DEDRGs主要参与了趋化因子信号通路和人巨细胞病毒(CMV)感染(图3A)。使用lollipop plot展示了KEGG通路类别(图3B),并通过和弦图展示了DEDRGs与KEGG通路之间的相关性(图3C)。
GO富集分析揭示了DEDRGs在生物刺激响应、脂质响应和循环系统发育中的显著作用(图3D)。疾病本体(DO)富集分析指出DEDRGs在泌尿系统癌症、结缔组织癌症和肌肉骨骼系统癌症中显著参与(图3E)。和弦图展示了DEDRGs与富集的DO之间的关系(图3F),并通过树状图进一步明确了DEDRGs的富集DO类别(图3G)。(ps:与常见的KEGG、GO不同,DO富集分析关注的是基因在疾病上的富集)
图3 富集分析
4.DEDRGs的PPI网络及其中心基因的鉴定
研究者利用STRING数据库收集了这些基因的相互作用信息(图4A),并通过Cytoscape软件可视化了PPI网络,并识别了6个枢纽基因,这些基因是通过六种算法确定的(图4B,C)。之后使用了两个独立的数据集验证这些枢纽基因在AD中的表达模式。这6个基因在AD样本中的表达水平与正常样本相比显著上调(图4D),并且在验证队列1和验证队列2中进一步确认了这些结果(图4E,F)。
图4 在AD和正常样本中,6个已鉴定的中枢 DEDRGs的PPI网络和中枢 DEDRGs 分析和表达分析及验证
5.DEDRGs的PPI网络及其中心基因的鉴定
研究者使用CIBERSORT算法综合评估了AD中22种免疫细胞的浸润水平,与正常样本相比,AD样本中存在显著不同的免疫细胞浸润水平(图5A和5D)。通过皮尔逊相关性分析,发现记忆B细胞与幼稚B细胞显著相关,CD4+的幼稚T细胞与CD8+ T细胞在AD样本中显著相关(图5B和5C)。此外,进一步分析了免疫细胞浸润水平与6个枢纽基因表达水平之间的相关性,发现巨噬细胞M2与VCAM1和CXCR4表达水平显著正相关,而VCAM1与CD8+ T细胞表达水平呈负相关(图5E和5F)。
图5 免疫细胞浸润分析hub基因表达与免疫浸润的相关性
文章小结
研究者基于对AD患者的多数据集综合分析,通过WGCNA分析、功能富集、PPI网络构建与枢纽基因识别、免疫细胞浸润分析,最终确定了6种DEDRGs。这6个基因大多数是常见的免疫基因,尚未详细报道与 AD 的发展相关的信息,作为这篇文章的新发现。总的来说是一篇比较简单的生信套路文,但如果真按这篇来做的话咱现在是发不了这么高的,阿星认为可以通过这些基因做一个预测/诊断模型,或进行实验验证,分数还能往上冲一冲。想做机器学习、增加个性化分析,为你的研究提高深度和广度,阿星都可以帮你解忧哦~
阿星有话说
生信星持续为大家带来最新生信思路,更多创新性分析思路请点击下方链接。想复现这种思路或者定制更多创新性思路欢迎直接call阿星,生信星团队竭诚为您的科研助力!
往期精选
24 August 2024