探索性分析：PSEN1相关家族性阿尔茨海默病跨脑区的14号染色体聚焦性转录组谱研究

《Biochimica et Biophysica Acta (BBA) - Proteins and Proteomics》：Exploratory chromosome 14-focused transcriptomic profiling of PSEN1-associated familial Alzheimer's disease across brain regions

　　

• RNA测序（RNA-Seq）扩展使得能够对阿尔茨海默病（AD）中的致死基因进行转录组分析。
• RNA-Seq数据分析揭示了家族性阿尔茨海默病（FAD）和正常状态下基因的功能异质性。
• RNA-Seq图谱揭示了上调基因参与多种细胞变化，包括信号转导、基因调控和神经炎症反应。
• 这些基因可作为阿尔茨海默病的一些潜在药物靶点。

**引言**

阿尔茨海默病（AD）是一种毁灭性的神经退行性疾病，以记忆丧失和多种认知障碍为特征。根据全球卫生统计数据[1]、[2]、[3]，全球约有4700万人患有痴呆症。目前超过3600万人受阿尔茨海默病影响，预计到2050年这一数字将增至三倍。病理学研究表明，β-淀粉样蛋白（Aβ）和过度磷酸化tau蛋白参与了疾病过程，导致突触丢失、线粒体异常以及星形胶质细胞和小胶质细胞增殖[4]、[5]、[6]。淀粉样相关疾病的发病机制源于淀粉样前体蛋白（APP）——一种跨膜糖蛋白——被β-分泌酶（BACE1）和γ-分泌酶进行异常蛋白水解加工。这种失调的切割导致不溶性淀粉样蛋白-β（Aβ）纤维的产生。Aβ肽发生寡聚化，扩散进入突触间隙，并破坏神经元信号通路。最初，Aβ沉积集中在新皮质的基底、颞叶和眶额区域。随着病理进展，Aβ逐渐浸润新皮质、海马、杏仁核、间脑和基底神经节，导致广泛的神经退行性变[7]。

在严重病例中，Aβ沉积可见于中脑、脑干下部和小脑皮质[8]。在此浓度下，Aβ在蓝斑以及大脑的横隔和脑下区触发τ-缠结形成，并扩散至海马和新皮质。随后，Aβ聚合为不溶性淀粉样纤维，聚集成斑块。这种聚合级联反应触发激酶激活，继而诱导微管相关τ蛋白的过度磷酸化，使其聚合为不溶性神经纤维缠结（NFTs）。斑块和缠结的积累触发小胶质细胞招募，激活局部炎症反应，从而加剧神经毒性[9]。

阿尔茨海默病的分子机制仍未完全阐明。AD可能是遗传易感性与环境因素之间复杂相互作用的结果，其中每个基因可能仅产生微小效应。全基因组关联研究中的遗传因素对AD风险有所贡献，但该疾病的病因仍有待阐明。目前AD的诊断基于症状评估和患者认知功能评估，这些并非常规检测，且耗时较长，结果在很大程度上取决于医生的经验。传统方法如脑脊液（CSF）生物标志物（包括总tau（T-tau）、磷酸化tau 181（P-tau181）、淀粉样蛋白-β Aβ（1-42））和正电子发射断层扫描（PET）成像对AD诊断有效，但由于CSF采集的侵入性和PET的高成本，将这些生物标志物纳入常规体检以辅助早期诊断和治疗干预仍然具有挑战性[10]、[11]。现有的高通量技术和机器学习（ML）进展使得我们能够阐明当前AD的分子基础。基因组和转录组分析常被用于理解AD中基因的分子病理生理学[12]。组学数据分析和下一代测序（NGS）先进技术（如RNA-Seq分析）在此背景下被广泛使用，以更好地理解AD病理中的疾病机制[13]、[14]。机器学习方法通过评估亨廷顿病、帕金森病和AD等疾病的巨大差异数据集，提供了成功的证据。

RNA-Seq分析解决了多个挑战，例如使用稳健的统计框架从原始读长中提取有意义的基因表达图谱[15]。该分析定量测定了多少基因经历了转录和翻译。通过计算机模拟验证，少数基因表现出差异性表达并符合最终实验验证的条件。这些基因在疾病过程中具有功能相关性。生物信息学程序员设计了软件来区分假阳性和真实的原始序列。

RNA-Seq常被用于预测特定疾病中的基因表达图谱，通过提供跨组织的转录变异洞见，包括14号染色体相关表达模式在FAD不同脑区间的变异[16]。RNA-Seq使得能够分析转录水平和翻译水平上不同脑区间的基因表达变异，这些变异通过RNA-Seq分析捕获。使用标准化的RNA-Seq流程评估AD和正常脑样本中的基因表达。我们进行了一些修改和更改，通过修改算法来验证人类FAD样本中基因的上调和下调，以确定FAD的全局基因表达模式。结果需求的紧迫性将推动修改后的RNA-Seq程序，通过与现有组学数据分析结合计算方法，获得成功的验证[17]。

RNA-Seq是一种逐步分析方法，在完整参考序列可用时读取整个基因组；否则，它首先处理contigs并将其比对以全面映射转录组。为了更好地理解疾病特异性基因本体，可以通过选择每个疾病注释良好的染色体特异性参考转录组来实现，这为发现疾病机制中的差异性调控提供了有价值的线索[18]。因此，选择14号染色体作为以PSEN1基因座为中心、以假设为驱动的基因组区域。该设计无法捕获基因组其他区域的转录组变化，不应被解释为FAD的全基因组表征。因此，本分析被设计为靶向的染色体特异性转录组调查，而非全基因组表达研究。前脑蛋白1（PS1）基因所在的区域作为参考染色体，用于量化和比较FAD在不同脑区（包括额叶、颞叶和全脑）的表达，涵盖对照组和FAD受影响的样本。RNA-Seq结果为理解启动子和外显子中的各种生物功能提供了机会。RNA-Seq转录组分析是阐明神经退行性疾病（包括AD）因素的最有前途的方法。大脑是最复杂的组织，其额叶、颞叶和顶叶区域含有差异性表达的基因，与身体其他部分不同[19]。AD大脑中的翻译前和翻译后修饰清楚地表明，改变后的机制直接影响AD大脑的完整蛋白质组。以14号染色体为参考的额叶、颞叶和全脑样本的RNA-Seq分析可能为早发性FAD提供有意义的信息。我们展示了额叶、颞叶和全脑AD大脑与对照受试者大脑相关的RNA-Seq分析结果。

转化生物信息学是生物学中一个引人入胜的进展领域，聚焦于前沿研究，其中使用机器学习方法分析疾病数据网络和代谢相互作用[20]。然而，全球各种实验验证的大量沉积和公共数据库中组学数据的可用性增加，为在基因组和蛋白质组水平上分析理解疾病的分子基础创造了巨大机会[17]。迄今为止，全基因组和基于脑区的（如颞叶、额叶和全脑）定位转录组分析提供了更好的理解，即局部基因比其他脑区更容易受疾病条件影响，包括患病脑和对照脑[18]。在本研究中，我们分析了公开可用的RNA-Seq数据并总结了基因表达图谱的全貌，即这些基因由大脑的不同部分负责如何调控。RNA-Seq图谱发现了疾病过程中的关键网络通路。我们还为人类AD患者的组学数据提供了注释[19]。RNA-Seq分析为基因、代谢相互作用和网络通路提供了有价值的洞见，增强了我们对这些在AD预后中作用的理解。

**材料与方法**

图1展示了FAD和对照脑样本中RNA-Seq分析所采用的顺序工作流程示意图。该插图描绘了主要分析阶段，包括RNA提取、文库制备、测序、质量控制、比对到参考基因组以及随后的差异基因表达分析。这一系统化流程使能够全面评估与FAD病理生理学相关的转录改变。

**RNA-seq数据集质量评估**

从欧洲核苷酸档案馆（ENA）获取了六个人类脑样本生成的RNA-seq数据集，包括额叶皮质、颞叶皮质和全脑组织，来自家族性阿尔茨海默病（FAD）患者和匹配的对照组（表1）。使用Illumina Genome Analyzer II平台生成的原始测序读长经FastQC进行质量评估，以评价测序准确性、读长质量分布、GC含量和接头污染。

**质量**

**讨论**

本探索性分析发现，PSEN1相关家族性阿尔茨海默病（FAD）和对照组的额叶皮质、颞叶皮质和全脑样本中，14号染色体相关转录表达存在区域差异。观察到的表达模式在分析的脑区之间有所不同，支持了在解释FAD中转录组变化时考虑区域分子变异的重要性。这些发现提供了候选表达……

**结论**

本研究对前脑蛋白1（PS1）相关家族性阿尔茨海默病（FAD）个体和年龄匹配的对照的死后脑组织进行了全面的RNA-Seq转录组调查，为疾病发病机制中的区域分子异质性提供了洞见。额叶皮质、颞叶皮质和全脑样本的比较分析揭示了差异基因表达的明显模式，突出了空间选择性……

**研究局限性**

本分析的主要局限性在于缺乏生物学重复，每个分析的脑区仅有一个FAD样本和一个对照样本。因此，无法估计个体间变异，也不能使用传统的推断性差异表达统计方法来建立疾病相关差异。所报告的log?倍数变化值应被视为描述性观察，而非经统计学验证的……

**CRediT作者贡献声明**

Jangampalli Adi Pradeepkiran：写作—审阅与编辑、写作—初稿撰写、调查、正式分析、数据整理、概念构思。Manne Munikumar：写作—审阅与编辑、写作—初稿撰写、验证。More Pallavi：验证、数据整理。Debi Prasad Pradhan：可视化、验证。Jagadeesh Maddineni：可视化、软件、资源。Mounish Kosanam：正式分析、验证。Sreekar Srichurnam：可视化、正式分析。Thejomayi Malempati：

**利益冲突声明**

作者声明他们没有已知的 competing 财务利益或个人关系，这些可能影响本文所报告的工作。

**致谢**

我们感谢我们实验室的成员提出的评论、科学讨论和技术帮助。

Jangampalli Adi Pradeepkiran | Manne Munikumar | More Pallavi | Debi Prasad Pradhan | Jagadeesh Maddineni | Mounish Kosanam | Sreekar Srichurnam | Thejomayi Malempati | Aasritha Thota | S.B. Sainath