解码生信，持续更新临床生信文献与思路解读，感兴趣的老师可以关注kk~
文章标题：Machine learning-based solution reveals cuproptosis features in inflammatory bowel disease
中文标题：基于机器学习的解决方案揭示了炎症性肠病的铜死亡特征
发表期刊：Frontiers in Immunology
发表时间：2023年5月
影响因子：5.7/Q1
研究背景
研究方法
我们筛选了与免疫状态显着相关的 CRG，这是利用单样本 GSEA (ssGSEA) 和基因表达综合数据集 (GSE75214) 确定的。此外，利用R包“CensusClusterPlus”，这些CRG的表达用于获得不同的患者集群。随后，基因集富集分析 (GSEA)、基因集变异分析 (GSVA) 和 CIBERSORT 评估了这些簇中基因功能富集以及免疫细胞浸润和免疫功能丰度的变化。此外，还进行了加权基因共表达网络分析（WGCNA）和差异表达基因（DEG）分析，并为了识别这些簇之间的枢纽基因，构建了蛋白质-蛋白质相互作用（PPI）网络。最后，我们使用 GSE36807 和 GSE10616 数据集作为外部验证队列来验证与 CRG 表达相关的免疫特征。然后使用公开的数据集进行 ScRNA-seq 分析，以检查不同细胞簇和不同条件下的 CRG 表达。
结果分析
1. 识别与 IBD 免疫特征相关的 CRG
铜质沉积的富集与炎症反应有很大不同。炎症反应主要在疾病组中丰富，而 cupropsosis主要在正常组。结果表明，IBD 中的铜死亡可能比其他炎症途径更好。
2. 使用 PDHA1 、 DLD 和 FDX1 的 IBD 患者共识聚类
在获得与每个基因相关的所有免疫评分的相关平均值和 P 值的中值后，选择前 3 个基因 （PDHA1 、 DLD 和 FDX1） 进行进一步的聚类分析。这三种调节因子的表达水平在 IBD 和正常组织之间形成对比，结果显示与正常组织相比，IBD 组织中的表达较低。
3. IBD 诊断柱线图的开发
作为 IBD 进展的诊断工具，通过结合特征基因列线图中的每个特征基因都分配了一个分数，特征基因的所有分数之和用于确定最终分数。总分代表各种 IBD 风险。根据校准曲线，模型预测的结果与实际获得的结果几乎相同 。根据这些研究，IBD 的发病机制似乎涉及所有主要的 CRG。
4. 聚集与免疫细胞浸润之间的关联
随着免疫调节剂和单克隆抗体在 IBD 治疗中变得更加重要，我们评估了两个集群中关键免疫相关生物标志物的表达水平。与第 2 簇相比，第 1 簇的 CD160 、 CD244 和 LAG3 升高，而 CD44 、 CD276 、 CTLA4 和 ICOS 降低。
5. 鉴定关键模块基因、功能富集和 PPI 网络分析
在聚类 1 和聚类 2 之间鉴定出 DEGs，揭示了 266 个 DEGs，上调，179 个;下调，87 个。为了提高 WGCNA 的准确性，我们提取了具有最大中位绝对偏差 （MAD） 的前 4734 个基因，并合并了之前的 266 个 DEG。最后，总共使用了 5000 个基因用于 WGCNA。
6. 在两个集群中对免疫细胞景观进行外部验证
基于三个 CRG（PDHA1、DLD 和 FDX1）的聚类使用GSE36807和GSE10616数据。共识聚类在GSE36807，它将样本分为两个聚类。
6. 顶级 CRG 的 ScRNA-seq 分析
我们可以发现这些基因主要在上皮细胞和免疫细胞亚型中高表达，与基质细胞相比，这三个基因主要在上皮细胞和免疫细胞亚型的转录和调控中发挥潜在作用。
文章小结
铜死亡与 IBD 有关，PDHA1、DLD 和 FDX1 具有作为免疫生物标志物和治疗靶点的潜力。这些结果让我们更好地了解 IBD 的精确、可靠和前沿的诊断和治疗的发展。
