整合生物信息学和机器学习方法探究肥厚型心肌病自噬相关机制及鉴定潜在的关键基因

目的:自噬调节异常与肥厚型心肌病(hypertrophic cardiomyopathy,HCM)密切相关,然而其具体机制仍未阐明。本研究拟探究HCM自噬相关机制及鉴定潜在的关键基因。方法:对HCM患者和健康对照者(healthy controls,HC)的心肌组织转录谱数据进行生物信息学分析,包括自噬相关差异表达基因(differentially expressed genes,DEGs)的鉴定和富集分析,利用最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归模型和支持向量机递归特征消除(support vector machine recursive feature elimination,SVM-RFE)分析来筛选关键基因。外部数据集验证关键基因的表达。绘制受试者操作特征(receiver operator characteristic,ROC)曲线评估关键基因的诊断效能。结果:通过比较HCM患者和HC的转录谱数据,并与自噬相关基因取交集,筛选出12个自噬相关DEGs。富集分析表明这些基因主要参与胃泌素信号通路、甘丙肽受体通路、蛋白质相互作用数据库中的白细胞介素-6和白细胞介素-7信号通路、蛋白质相互作用数据库中的激活蛋白1信号通路、1,25-二羟基维生素D3的非基因组作用和凋亡等。筛选出6个候选关键基因,即PRKCD、MYC、DDIT3、CAPN1、HGS和TMEM74。PRKCD、MYC和DDIT3在验证数据集中成功验证,且具备较好的诊断效能。结论:PRKCD、MYC和DDIT3可能是HCM自噬相关的关键基因。

整合生物信息学分析鉴定SARS-CoV-2感染引起的心肌损伤机制中潜在的铁死亡关键基因

目的铁死亡在冠状病毒病2019(Coronavirus Disease 2019,COVID-19)相关的心血管疾病中起致病作用。本研究旨在鉴定严重急性呼吸综合征冠状病毒2型(severe acute respiratory syndrome coronavirus 2,SARS-CoV-2)感染引起的心肌损伤机制中潜在的铁死亡相关的关键基因。方法对感染SARS-CoV-2的人诱导的多能干细胞源性心肌细胞(human induced pluripotent stem cellderived cardiomyocytes,hiPSC-CMs)转录组数据进行生物信息学研究,包括铁死亡相关的差异表达基因(differentially expressed genes,DEGs)的鉴定、基因本体论(Gene Ontology,GO)和京都基因与基因组百科全书(Kyoto Encyclopedia of Genes and Genomes,KEGG)通路分析、蛋白质-蛋白质相互作用(protein-protein interactions,PPI)、关键基因鉴定以及转录因子-基因相互作用等,以探索铁死亡相关基因在COVID-19相关心肌损伤发病机制中的潜在作用。此外,针对关键基因的候选靶向药物进行了开发,为该疾病的诊疗提供理论依据。结果通过比较感染或未感染SARS-CoV-2的hiPSC-CMs的转录谱数据,并与铁死亡数据库(FerrDb)基因取交集,筛选出80个铁死亡相关的DEGs。GO和KEGG通路富集分析表明,这些基因参与细胞对氧化应激和缺氧的反应、铁死亡、细胞坏死性凋亡、缺氧诱导因子1(hypoxia-inducible factor,HIF-1)信号通路、肿瘤坏死因子(Tumor Necrosis Factor,TNF)信号通路、白介素17(Interleukin 17,IL-17)信号通路、核因子-κB(Nuclear Factor-kappa B,NF-κB)信号通路等。使用PPI和cytoHubba鉴定的关键基因包括IL-6、JUN、PTGS2、TLR4、HIF1A、CAV1、HMOX1、SIRT1、EGFR和ATF3。转录因子RELA、NFKB1、EGR1、STAT3、JUN和SP1与大多数关键基因相互作用。筛选出针对关键基因的候选药物,包括去铁胺、氧气、辛伐他汀、乙酰半胱氨酸、姜黄素、醋酚酮、白藜芦醇、谷胱甘肽等。结论分析感染SARS-CoV-2的hiPSC-CMs的转录谱数据,为理解SARSCoV-2感染引起的心肌损伤的铁死亡相关病理机制的提供新视角。此外,探索铁死亡相关基因的候选靶向药物在未来对抗这种形式的心肌损伤方面具有巨大的潜力。

基于机器学习算法筛选肥厚性心肌病铁死亡的潜在疾病特征基因

目的基于机器学习算法筛选肥厚性心肌病(HCM)铁死亡的潜在疾病特征基因。方法从基因表达数据库(GEO)中下载GSE36961、GSE141910数据集,其中GSE36961数据集包括106例HCM患者和39例健康对照者,作为训练集;GSE141910数据集包括28例HCM患者和166例健康对照者,作为测试集。使用R语言“limma”包筛选GSE36961数据集中HCM患者与健康对照者之间的差异表达基因(DEGs),然后与铁死亡数据库(FerrDb)中的259个铁死亡相关基因取交集,以筛选HCM铁死亡相关DEGs。采用随机森林筛选疾病特征基因,绘制热图以分析疾病特征基因在测试集中的表达情况,并基于疾病特征基因构建人工神经网络(ANN)模型;绘制ROC曲线以评估ANN模型对训练集、测试集HCM的预测价值。结果从GSE36961数据集中筛选出2959个DEGs,与铁死亡数据库中259个铁死亡相关基因取交集后获得72个HCM铁死亡相关DEGs。采用随机森林从72个HCM铁死亡相关DEGs中筛选出9个疾病特征基因,分别为ALOX5、ZFP36、RGS4、DDIT3、LPCAT3、SOCS1、EGLN2、NNMT和DUSP1。热图分析结果显示,RGS4、DDIT3表达上调,ALOX5、ZFP36、LPCAT3、SOCS1、EGLN2、NNMT、DUSP1表达下调。基于9个疾病特征基因构建ANN模型。ROC曲线分析结果显示,ANN模型预测训练集HCM的AUC为1.000[95%CI(0.998~1.000)],预测测试集HCM的AUC为0.817[95%CI(0.745~0.881)]。结论ALOX5、ZFP36、RGS4、DDIT3、LPCAT3、SOCS1、EGLN2、NNMT和DUSP1是HCM铁死亡的潜在疾病特征基因。