Journal of Cachexia, Sarcopenia and Muscle
（中科院1区，IF=9.4）。思路不要太简单！老师们也可以通过这个思路找到疾病的相关性与其潜在参与的基因与通路~文章标题：Artificial neural network inference analysis identified novel genes and gene interactions associated with skeletal muscle aging
中文标题：人工神经网络推理分析确定了与骨骼肌衰老相关的新基因和基因相互作用
发表期刊：J Cachexia Sarcopenia Muscle.
发表时间：202408
影响因子：9.4/Q1
研究背景
肌肉减少症是一种与年龄相关的肌肉疾病，会增加跌倒、残疾和死亡的风险。它与 Akt 和 FOXO1 等分子信号通路驱动的肌肉蛋白降解增加有关。这项研究旨在利用一种称为人工神经网络推理 (ANNi) 的人工智能方法，识别与老年人肌肉衰老和锻炼相关的基因、基因相互作用以及分子途径和过程，这些过程和过程迄今为止尚未被发现。
研究方法
从GEO数据库中选择了四个数据集，获得的年轻人（21-43 岁）和老年人（63-79 岁）的肌肉转录组数据。其中，两个数据集包含与肌肉衰老相关的转录组数据，两个数据集包含与老年人抗阻运动相关的转录组数据。每个数据集均由 ANNi 基于集成到深度学习模型（智能组学）中的群体神经网络方法进行单独分析，从而确定影响或受衰老或运动影响的前 200 个基因，以及这些基因之间最强的相互作用。使用 Metacore 和Metascape 对这 200 个基因进行下游基因GO分析。最后，从八名年轻人（25±4岁）和八名老年男性（78±7.6岁）获得的人体肌肉活检进行了RT-qPCR验证。
研究结果
1. 人工神经网络推理分析确定了与骨骼肌衰老相互作用最强的基因 USP54、JAK2、CHAD 和 ZDBF2
通过对差异表达转录本的 ANNi 分析，检测与肌肉衰老相关的基因。确定了 USP54、JAK2、FST和 SKAP2为主要驱动因素，CHAD、ZDBF2、CDKN1A和ARHGAP11B为主要靶标。Cytoscape 软件创建的相互作用组显示了具有集中和加权相互作用的前 200 个驱动因素和目标。使用 Metacore 研究了与这些基因相关的 GO 过程和通路。
2. 人工神经网络推理分析确定了对运动反应最强的相互作用的基因 EIF4A2、NIPAL3、SCFD1 和 KDM5D
对差异表达基因转录本进行 ANNi 分析，以确定与运动相关的主要驱动因素和上游靶点。骨骼肌衰老过程中运动反应基因的主要驱动因素是 EIF4A2、MO25、NIPAL3和 FOXP2，上游靶点是 SCFD1、FUSIP1、KDM5D和 USP9Y。同时研究了与这些基因相关的 GO 过程和通路。
3. RT-qPCR证实与肌肉衰老相关但与运动无关的基因的显著差异表达
通过RT-qPCR定量了 ANNi 之前识别出的与衰老相关的主要驱动基因和目标基因的差异表达。与年轻人相比，老年人的基因 USP54、CHAD和 ZDBF2显著上调。同样，通过RT-qPCR 对 ANNi 先前识别的与阻力训练相关的主要驱动因素和目标基因的差异表达进行了量化。在老年人运动训练前后，这些基因并未发现差异调节（EIF4A2、NIPAL3、SCFD1和 KDM5D）。接下来，我们决定使用 MetaMEx 来探究这些基因是否与运动相关。将 EIF4A2、NIPAL3、SCFD1 和 KDM5D 输入 MetaMEx 数据库，并对健康老年受试者（>60 岁）进行搜索调整并按 24 周训练持续时间进行筛选后，发现与阻力相关的研究多于有氧运动训练。综上所述，这些数据表明 EIF4A2、NIPAL3、SCFD1 和 KDM5D 可能与老年人的运动有关。
文章小结
文章使用 ANNi 和 RT-qPCR，确定了三个预测肌肉衰老的强相互作用基因：ZDBF2、USP54 和 CHAD。这些发现有助于为预防或减轻肌肉减少症的非药物和药物干预措施的设计提供信息。
