2023年6月发表在“Journal of Translational Medicine(IF7.4)“上的文章,利用多种生物信息学工具,从GEO数据库收集了3个CAVD数据集和2个CKD数据集,揭示了CKD相关CAVD的核心基因和潜在机制。
Screening of immune-related secretory proteins linking chronic kidney disease with calcific aortic valve disease based on comprehensive bioinformatics analysis and machine learning
基于综合生物信息学分析和机器学习筛选慢性肾脏疾病与钙化主动脉瓣疾病相关的免疫相关分泌蛋白
https://doi.org/10.1186/s12967-023-04171-x
一 背景
慢性肾脏疾病(CKD)影响全球超过8%的人口,不仅表现为肾功能下降,还表现为矿物质过度沉积、炎症级联和氧化应激[1-3],这些都与动脉粥样硬化、主动脉瓣性心脏病等心血管疾病密切相关[4]。主动脉瓣钙化病(CAVD)是最常见的瓣膜疾病之一,可能导致心力衰竭和心源性猝死等[5]。近期研究表明,与一般人群相比,CKD中CAVD更为常见,CKD是CAVD预后的独立危险因素[1-2],提示CKD患者发生CAVD的风险可能更高。然而,导致CKD相关CAVD的潜在分子机制仍不清楚。
二 方法
01 数据处理与差异表达分析
从GEO数据库下载CAVD和对照组的3个表达谱数据集GSE12644、GSE51472和GSE83453。通过GEO获得CKD患者外周血单个核细胞(PBMC)芯片数据集(GSE37171)和肾脏组织芯片数据集(GSE66494)。基于R(v4.2.1)包SVA 的combat功能,对3个CAVD数据集进行批量校正整合。
02 分泌蛋白鉴定与蛋白相互作用(PPI)网络构建
分泌蛋白从人类蛋白质图谱数据库下载。从"SPOCTOPUS预测分泌蛋白"的蛋白类中下载编码分泌蛋白的基因共3970个。
03 功能富集与cMAP分析
04 机器学习与诊断模型构建
为了识别候选生物标志物并建立CAVD的诊断模型,本研究首先采用逻辑回归筛选变量的最小绝对收缩和选择算子(LASSO)算法,用glmnet包筛选候选生物标志物。然后用随机森林(RF)算法整合多棵树以获得更好的准确性,用randomForest包筛选候选生物标志物。将LASSO模型与RF模型中MeanDecreaseGini>2重叠的基因定义为hub基因,构建CKD相关CAVD诊断模型。
05 免疫浸润分析
06 外部验证数据采集
采集对照组、CAVD患者、CKD伴或不伴CAVD患者的血清样本,测定血清SLPI和MMP9水平。提取总RNA进行逆转录。实时荧光定量PCR(RT-qPCR),据2−ΔΔCt法计算mRNA的相对表达量。
引物序列:
三 结果
图2 CAVD数据集的整合与差异表达基因
(A)无尺度拓扑模型,平均连通性和尺度无关性图。(B)基因树状图和模块特征基因网络热图。(C)模块特征基因的聚类树图。(D)模块特征基因与CAVD状态关系。(E)粉色模块隶属度与基因显著性的相关图。(F)黄色模块隶属度与基因显著性的相关图。(G)关键模块基因与DEGs的交集。
03 肾病分泌蛋白鉴定与PPI网络构建
图4 鉴定PMBC和肾脏组织中CKD相关分泌蛋白
(A)PMBC的DEGs。(B)PBMC数据集中前30个上调/下调的DEGs。(C)Kidney的DEGs。(D)Kidney数据集中前30个上调/下调的DEGs。(E)PMBC的DEGs与分泌蛋白基因交集。(F)Kidney的DEGs与分泌蛋白基因交集。
MCODE软件确定显著性最高的前2个模块,纳入的76个基因被确定为CDK相关致病基因。将致病基因导入DAVID在线数据库进行功能富集和KEGG分析。GO分析显示,CDK相关CAVD的致病基因主要富集在“炎症反应”和“免疫反应”中(图5C,生物过程(BP));致病基因多位于“膜的组成部分”和“细胞外区”(图5D,细胞成分(CC));“蛋白结合”和“相同蛋白结合”是致病基因中最相关的项目(图5E,分子功能(MF))。KEGG通路分析显示CKD相关的CAVD致病基因与“细胞因子-细胞因子受体相互作用”、“PI3K-Akt信号通路”和“NF-Kappa B信号通路”(图5F)有很强的相关性。
(A)MCODE分析得分最高的模块1基因的PPI网络。(B)模块2基因的PPI网络。(C-F)模块1和模块2的GO分析结果,基因的生物过程(C)、细胞成分(D)和分子功能(E)。(F)模块1和模块2中基因的KEGG分析结果。
04 鉴定治疗CAVD的候选小分子化合物
(A)基于cMAP分析的10个细胞系中富集程度最高的前10个化合物的热图。(B)前10名化合物信息。(C)10种化合物的化学结构。
05 机器学习筛选hub基因并构建诊断模型
图7 机器学习鉴定CKD相关CAVD的潜在诊断标志物
图8 nomogram模型开发与疗效评估
06 CAVD免疫细胞浸润及与hub基因相关性分析
图9 CAVD免疫细胞浸润分析
07 hub基因表达与列线图模型验证
总结
02 CKD PBMC和肾组织中分别有376和607种差异表达的分泌蛋白。
03 CDK相关CAVD的致病基因主要富集在“炎症反应”和“免疫反应”中,与细胞因子-细胞因子受体相互作用、PI3K-Akt和NF-Kappa B信号通路强相关。
04 CDK分泌蛋白与CAVD关键基因取交集,得到17个基因,分别用LASSO和RF算法鉴定,得到2个共有的hub基因SLPI和MMP9。
05 两个hub基因的AUC值均>0.9,在CAVD中均与免疫细胞聚集显著相关。
REFERENCES
[1]. Brandenburg VM, Schuh A, Kramann R. Valvular calcification in chronic kidney disease. Adv Chronic Kidney Dis. 2019;26:464–71.
[2]. Rattazzi M, et al. Aortic valve calcification in chronic kidney disease. Nephrol Dialysis Transplantation. 2013;28:2968–76.
[3]. Benz K, Hilgers K-F, Daniel C, Amann K. Vascular calcification in chronic kidney disease: the role of inflammation. Int J Nephrol. 2018. https://doi.org/10.1155/2018/4310379.
[4]. Go AS, Chertow GM, Fan D, McCulloch CE, Hsu CY. Chronic kidney disease and the risks of death, cardiovascular events, and hospitalization. ACC Curr J Rev. 2004. https://doi.org/10.1056/NEJMoa041031.
[5]. Driscoll K, Cruz AD, Butcher JT. Inflammatory and biomechanical drivers of endothelial-interstitial interactions in calcific aortic valve disease. Circul Res. 2021;128:1344–70.
[6]. Speer T, Dimmeler S, Schunk SJ, Fliser D, Ridker PM. Targeting innate immunity-driven inflammation in CKD and cardiovascular disease. Nat Rev Nephrol. 2022. https://doi.org/10.1038/s41581-022-00621-9.
[7]. van Deursen JM. The role of senescent cells in ageing. Nature. 2014. https://doi.org/10.1038/nature13193.
[8]. Sutton NR, et al. Molecular mechanisms of vascular health: insights from vascular aging and calcification. Arterioscler Thromb Vasc Biol. 2022. https://doi.org/10.1161/ATVBAHA.122.317332.
联系客服