《Scientific Reports》：Identification of biomarkers associated with M1 macrophages in the ST-segment elevation myocardial infarction through bioinformatics and machine learning approaches
编辑推荐：
为解决 ST 段抬高型心肌梗死（STEMI）预后差、缺乏能区分临床亚型及指导治疗的生物标志物问题，研究人员开展识别与 STEMI 免疫浸润相关血清生物标志物的研究。结果发现 AKT3 、GJC2 、HMGCL 和 RBM17 可提高 STEMI 诊断准确性，为治疗提供新方向。
在心血管疾病的领域中，心肌梗死（MI）就像一颗随时可能引爆的 “炸弹”，严重威胁着人们的健康。每年我国新增 MI 病例超百万，每三个心脏病发作患者中就有一人不幸离世，而且 MI 还会引发心律失常、心力衰竭等多种严重并发症。目前，MI 分为
ST 段抬高型心肌梗死（STEMI） 和非 ST 段抬高型心肌梗死（NSTEMI），其中 STEMI 最为严重，通常意味着冠状动脉完全闭塞，急需救治。多年来，血清肌钙蛋白 I、肌钙蛋白 T 和肌红蛋白等生物标志物的升高一直是诊断 MI 的依据，但它们无法区分 MI 的临床亚型，也不能指导针对性治疗。
在 STEMI 发病过程中，免疫细胞尤其是巨噬细胞起着关键作用。巨噬细胞有 M1 和 M2 两种表型，M1 巨噬细胞在损伤早期吞噬坏死细胞和基质碎片，释放大量促炎细胞因子，而 M2 巨噬细胞则促进心脏恢复。因此，识别与 M1 巨噬细胞相关的生物标志物，对 MI 的诊断、细胞因子调节、干细胞治疗和免疫细胞治疗都至关重要。
为了解决这些问题，中国人民解放军总医院等机构的研究人员开展了一项研究，相关成果发表在《Scientific Reports》上。研究人员旨在通过整合生物信息学和机器学习方法，识别与 STEMI 和 M1 巨噬细胞免疫浸润相关的新生物标志物。
研究人员用到的主要关键技术方法包括：首先，从基因表达综合数据库（GEO）中获取相关数据集，以 “myocardial infarction” 为关键词进行搜索，筛选出符合条件的 GSE59867 和 GSE62646 数据集。然后，利用多种 R 语言包进行数据预处理和分析，如使用 GEOquery 包读取数据集，Limma 包进行差异基因表达分析，CIBERSORTx 算法评估免疫细胞浸润比例。还运用了加权基因共表达网络分析（WGCNA）构建基因共表达网络，以及蛋白质 - 蛋白质相互作用（PPI）网络来筛选关键基因。最后，通过随机森林、最小绝对收缩和选择算子回归（LASSO）、极端梯度提升（XGBoost）等机器学习算法筛选重要特征基因，并使用实时荧光定量聚合酶链式反应（PCR）在患者样本中进行验证。
下面来看具体的研究结果：
STEMI 样本中差异表达基因（DEGs）的异质性 ：研究人员对 GSE59867 数据集进行标准化处理，通过主成分分析（PCA）图和箱线图验证标准化成功，并去除异常值。差异基因表达分析发现，对照组和 MI 组之间有 362 个差异表达基因，其中 293 个下调，69 个上调，这些基因在两组间有明显分类效果，但 STEMI 样本存在一定异质性。M1 巨噬细胞与 STEMI 发生呈正相关 ：利用 CIBERSORTx 算法评估免疫细胞浸润比例，发现与对照组相比，STEMI 组中 M1 巨噬细胞等六种免疫细胞类型上调，且这些免疫细胞类型之间存在显著相关性。WGCNA 分析确定了与 M1 巨噬细胞显著相关的蓝色和棕色模块，模块基因与差异表达基因相交，得到 295 个重叠基因，构建的 PPI 网络保留 82 个基因用于后续分析。与 M1 巨噬细胞相关的 DEGs 可有效区分 STEMI 患者 ：通过一致性聚类分析，发现当 K=2 时，能将 STEMI 患者分为两个分子亚型，且 M1 巨噬细胞相关基因在 M1 型患者中下调，在 M2 型患者中上调。进一步分析两个亚型之间的差异表达基因，得到 200 个差异基因。利用机器学习算法筛选 STEMI 亚型的特征基因 ：取 STEMI 亚型之间的差异表达基因与 PPI 网络中心基因的交集，得到 31 个特征基因。经过 XGBoost、LASSO 和随机森林三种机器学习算法分析，最终确定 AKT3 、GJC2 、HMGCL 和 RBM17 为免疫亚型的特征基因。4 个特征基因在 GSE59867 和 GSE62646 中的表达和预测性能 ：在 GSE59867 和 GSE62646 数据集中，AKT3 、GJC2 、HMGCL 和 RBM17 的表达水平在 STEMI 组低于对照组，在 M1 型 STEMI 患者组低于 M2 型患者组。受试者工作特征（ROC）曲线显示，这些基因在预测 STEMI 和 STEMI 亚型方面具有较强的诊断价值，在 GSE62646 数据集中，AKT3 、GJC2 、HMGCL 和 RBM17 预测 STEMI 的曲线下面积（AUC）分别为 0.758、0.732、0.543 和 0.811。患者特征和关键基因的实时 PCR 验证 ：研究纳入 16 例 STEMI 患者和 8 例对照患者，STEMI 组患者 C 反应蛋白（CRP）、心肌肌钙蛋白 T（cTnT）等指标高于对照组。实时 PCR 分析表明，AKT3 、GJC2 、HMGCL 和 RBM17 在 STEMI 组和对照组之间存在差异表达，其中 AKT3 、HMGCL 和 RBM17 在 STEMI 组显著下调。
研究结论和讨论部分指出，研究人员通过严谨的生物信息学分析，确定了 AKT3 、GJC2 、HMGCL 和 RBM17 这四个与 STEMI 早期 M1 巨噬细胞免疫微环境密切相关的关键基因。这些基因在诊断 STEMI 方面具有较高的准确性，有望成为可靠的诊断生物标志物。这一发现为 STEMI 的治疗开辟了新的方向，有助于开发更有效的治疗策略。然而，该研究也存在一些局限性，如数据库数据存在偏差、验证集样本量较小、对患者的验证方法不够全面、尚未明确四个基因相关的具体分子通路等。未来需要进一步研究来解决这些问题，推动 STEMI 治疗的发展。
打赏
下载安捷伦电子书《通过细胞代谢揭示新的药物靶点》探索如何通过代谢分析促进您的药物发现研究
10x Genomics新品Visium HD 开启单细胞分辨率的全转录组空间分析！
欢迎下载Twist《不断变化的CRISPR筛选格局》电子书
单细胞测序入门大讲堂 - 深入了解从第一个单细胞实验设计到数据质控与可视化解析
下载《细胞内蛋白质互作分析方法电子书》
