山东大学学报(医学版)

作者：王玉涛,孙岩

单位：1.山东中医药大学第一临床医学院, 山东 济南 250355;2.济南市中医医院周围血管病科, 山东 济南 250012;3.山东第一医科大学附属省立医院血管外科, 山东 济南 250021

关键词：腹主动脉瘤,加权基因共表达网络分析,机器学习,生物标志物,免疫浸润,

基金：国家自然科学基金青年科学基金项目(82104860);山东省中医药科技发展计划(2019-0559);济南市卫生健康委员会科技计划项目(2019-1-23);山东省医药卫生科技发展计划(2018WS478);济南市临床医学科技创新计划(202134013)

目的 利用单细胞转录组测序(single-cell RNA sequencing, scRNA)数据分析、加权基因共表达网络分析(weighted gene co-expression network analysis, WGCNA)、机器学习算法和免疫浸润分析筛选腹主动脉瘤(abdominal aortic aneurysm, AAA)潜在的生物标志物。 方法 下载基因表达数据库中包含AAA和正常主动脉(normal aorta control, NAC)的scRNA测序数据,经数据质量控制、降维、差异分析、细胞类型注释和拟时序分析后,筛选AAA发生过程中最早分化的细胞类型,筛选差异表达基因(differential expressed genes, DEGs),进行高维WGCNA(high dimensional WGCNA, hdWGCNA),识别与AAA相关的基因模块,并进行富集分析;下载包含AAA和NAC的常规转录组测序数据,进行差异分析、WGCNA,将scRNA样本DEGs、常规转录组DEGs和WGCNA结果进行整合,筛选与AAA病变相关的基因,并进行基因本体(gene ontology, GO)和京都基因与基因组百科全书(Kyoto Encyclopedia of Genes and Genomes, KEGG)信号通路富集分析。利用最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)、支持向量机递归特征消除(support vector machine recursive feature elimination, SVM-RFE)和随机森林(random forest, RF)等机器学习方法筛选AAA的潜在生物标志物,并进行免疫浸润分析。 结果 scRNA数据分析结果显示,内皮细胞是AAA发生过程中最早分化的细胞类型,共获得853个scRNA DEGs;hdWGCNA识别出与AAA相关的2个基因模块,显著富集于辅助性T细胞17细胞分化、辅助性T细胞1和2细胞分化等信号通路。常规转录组分析共获得162个DEGs;整合后获得17个AAA相关基因,显著富集于趋化因子、辅助性T细胞17细胞分化、辅助性T细胞1和2细胞分化等信号通路。机器学习算法识别出AAA的潜在生物标志物生态病毒整合位点 2B(ecotropic viral integration site 2B, EVI2B)。EVI2B在AAA样本中的表达量高于NAC样本。免疫浸润结果显示,AAA样本中幼稚B细胞、浆细胞、活化树突细胞和中性粒细胞比例高于NAC样本。EVI2B表达量与M2巨噬细胞、M1巨噬细胞、CD8 T细胞、浆细胞、辅助滤泡T细胞、M0巨噬细胞和中性粒细胞呈正相关;与静息树突细胞呈负相关。 结论 AAA发病涉及多种免疫细胞和信号通路,EVI2B在AAA样本中表达显著增高,与多种免疫细胞具有相关性,可能成为AAA治疗的新靶点。

来源：2024年第11期

《山东大学学报(医学版)》期刊编辑部

查看山东大学学报(医学版)杂志2024年第11期