写在前面
Since Biomamba and his wechat public account team produce bioinformatics tutorials elaborately and share code with annotation, we thank Biomamba for their guidance in bioinformatics and data analysis for the current study.
二、分析流程一览
数据来源:
数据集/队列
数据库
数据类型
样本具体信息
GSE175453
GEO
scRNA-seq
外周血单核细胞测序数据集,包括5名对照患者和4名败血症患者。
GSE28750
GEO
RNA-seq
脓毒症患者中的差异基因
GSE65682
GEO
RNA-seq
脓毒症患者中的差异基因
二、主要内容
1. 单细胞测序数据中的细胞亚群鉴定。
2. 单细胞测序数据中细胞通讯分析。
在上述发现的基础上,作者进一步进行细胞间交流分析,经“CellChat”包展示细胞间通讯,结果显示脓毒症中血小板与各种细胞之间的相互作用数量和强度都显著增加(Fig.3a,b),同时配体受体分析显示血小板与各种细胞之间配体-受体通讯也明显增强(Fig.3c)。经“monocle”包进行拟时分析,发现细胞遵循三条不同的轨迹分化成三个不同的状态(Fig.3d,e),且大部分免疫细胞集中于状态1,状态2中各种免疫细胞的数量减少,血小板的数量显著增加(Fig.3f)。以上结果表明血小板的变化在脓毒症的发生发展中发挥了重要的作用,并且可能会影响患者的预后。
Fig.3
3.Bulk RNA-seq数据中差异基因的富集分析。
差异分析显示RNA-seq数据中共包括1297个上调表达基因和2131个下调表达基因(Fig.4a),GO富集分析显示DEGs主要富集于rRNA处理、单核细胞分化、RNA结合和免疫受体活性等通路(Fig.4b)。KEGG富集分析显示这些DEGs主要与几种传染病和生物过程有关(Fig.4c),GSEA分析显示适应性免疫反应、免疫反应调节细胞表面受体信号传导等免疫相关通路下调(Fig.4d,e,f),通过GSEA进行的KEGG分析显示,DEGs主要富集于代谢途径和NETs形成过程中(Fig.4g),以上结果表明相比于对照组,脓毒症患者表现出异常的免疫反应。
Fig.4
4.RNA-seq数据中WGCNA分析。
在上述发现的基础上,为识别脓毒症中发生发展中的关键基因,作者进行了WGCNA(加权基因共表达网络分析),当无尺度拓扑拟合指数达到0.8时,软阈值β幂为8(Fig.5a,b),当把MEDissThres参数调整至0.25时,动态剪切树算法能够分析到18个模块(Fig.5c),其中红色模块基因具有最强的正相关性,而棕色模块基因具有最强的负相关性(Fig.5d-e),因此作者后续选择了这两个模块中的基因进行进一步研究(Fig.5d-e)。
Fig.5
5. 预测模型的构建和验证。
结合RNA-seq分析中获得的DEGs和WGCNA分析中的关键基因,共213个基因(Fig.6b),在此基础上,经单变量Cox回归分析,作者在90种算法中确定了57个候选基因(Fig.6a)。通过“coxboost+lasso”模型进行后续分析,经过多变量Cox回归分析,作者鉴定出十个关键预后基因,分别为PPDPF、RPL11、FOS、SAT1、CTSW、MAP3K7、GIMAP4、CD36、CD93和TRAIL(Fig.6c-d)。
Fig.6
6. 高风险和低风险人群中免疫细胞浸润的差异分析。
经ssGSEA算法检测两组免疫细胞的浸润差异,结果显示高风险组中多种免疫细胞的得分低于低风险组,表明高风险组存在免疫抑制现象(Fig.8a),其中10个基因与免疫细胞具有显著的相关性(Fig.8b)。经“limma”包分析差异基因,作者得到了91个表达上调的基因和127个表达下调的基因,并通过Metascape数据库对差异基因进行功能富集和模块分析,发现DEGs主要富集于免疫系统激活和调节通路(Fig.8c-f)。使用MCODE研究蛋白质相互作用,作者共鉴定出了6个模块和各个模块中的核心基因(Fig.8g)。
Fig.8
三、最后聊聊
如何联系我们