精神分裂症泛素化相关基因特征的多队列整合识别及S100A8外周临床验证

《Frontiers in Psychiatry》：Integrated bioinformatics analysis identifies a ubiquitination-related gene signature in schizophrenia with peripheral clinical validation

　　

背景：泛素-蛋白酶体通路（ubiquitin-proteasome pathway）失调被认为参与精神分裂症（SCZ）的发病机制。本研究旨在通过整合GEO数据集进行综合分析，识别泛素-蛋白酶体通路失调及与SCZ相关的潜在机制。方法：研究人员整合了三个SCZ相关数据集，这些数据集包含来自GeneCards和PubMed的1847个泛素化相关基因（URGs），并使用R包处理批次效应和标准化。随后对识别出的URGs进行基因本体论（GO）富集分析，构建8基因分子特征以区分精神分裂症与对照脑组织，并通过受试者工作特征（ROC）曲线下面积（AUC）评估判别性能。根据风险评分（Risk Scores）中位数将SCZ样本分为高风险组和低风险组，随后进行基因集富集分析（GSEA）。结果：共显著识别出13个SCZ相关泛素相关差异表达基因，其中11个具有极显著统计学意义，2个具有高度统计学意义。构建并验证了一个由最小绝对收缩和选择算子（LASSO）回归衍生的8基因分子特征，可有效区分SCZ患者与对照，并将SCZ患者分为高风险和低风险亚组。该研究还构建了蛋白质-蛋白质相互作用（PPI）网络和调控网络，并进行免疫浸润分析，表明SCZ组与对照组之间六类免疫细胞存在统计学显著差异，包括CD56^bright自然杀伤细胞和中央记忆CD4⁺ T细胞。在独立临床队列中的酶联免疫吸附试验（ELISA）验证证实，SCZ患者血浆S100A8较对照升高，且与阳性和阴性症状量表（PANSS）五因子评分无显著相关性，提示S100A8可作为反映疾病状态而非当前症状严重程度的外周候选生物标志物。结论：结合13个泛素化相关差异表达基因（DEGs）的识别以及一个对SCZ患者分层具有中等判别准确性的8基因LASSO特征，这项多层面分析揭示了SCZ中泛素化模式的改变，并为未来纳入未用药（drug-na?ve）首发患者、纵向采样和适当疾病对照的前瞻性研究提供了产生假设的基础。

精神分裂症（SCZ）是影响全球约1%人群的致残性神经精神障碍，终身自杀风险为5–10%，现有与心理干预仍不理想。泛素化通过泛素及多种连接酶调控蛋白质降解、转运和信号传导，对蛋白稳态、DNA修复、细胞周期和免疫反应至关重要；证据提示泛素-蛋白酶体系统（UPS）失调参与SCZ发病。Luza et al.曾识别UBA6、UBE3B、Parkin和FBXL21等UPS组分异常，但此类候选生物标志物常缺乏可重复性。因此，研究人员整合多个基因表达综合数据库（GEO）数据集，系统识别SCZ相关泛素化相关差异表达基因（URDEGs），构建分子特征并在独立临床样本中验证，以提高结果可靠性，为机制研究、非侵入性生物标志物开发和精准医学提供线索。

研究人员整合GSE21138、GSE21935和GSE12649三个SCZ脑组织GEO数据集，去除批次效应并识别URDEGs，构建8基因最小绝对收缩和选择算子（LASSO）分子特征并评估判别性能，开展免疫浸润及调控网络分析；同时在山东省精神卫生中心（Shandong Mental Health Center）独立队列中采用酶联免疫吸附试验（ELISA）检测血浆S100A8。研究识别13个URDEGs和8基因特征，该特征对SCZ分层具中等判别准确性；S100A8在SCZ脑组织和血浆中升高，但与阳性和阴性症状量表（PANSS）五因子无显著相关，提示其作为反映疾病状态的外周候选标志物。该研究为理解SCZ泛素化改变和后续前瞻性验证提供假设生成基础。

关键技术方法：整合GSE21138、GSE21935和GSE12649三个GEO数据集，采用sva与limma进行批次校正、标准化和差异表达分析，并以GeneCards/PubMed的泛素相关基因（URGs）为参照；开展基因本体论（GO）、基因集富集分析（GSEA）、LASSO/支持向量机（SVM）建模、受试者工作特征（ROC）曲线及曲线下面积（AUC）、决策曲线分析（DCA）和单样本基因集富集分析（ssGSEA）免疫浸润分析。独立验证队列来自山东省精神卫生中心，含33例SCZ和35名年龄、性别匹配健康对照，采用ELISA检测血浆S100A8，按Wallwork共识五因子模型计算PANSS维度并进行相关分析。

研究结果：（1）筛选SCZ相关URDEGs：整合三数据集并去批次效应后，limma识别123个差异表达基因（DEGs，82个上调、41个下调），与URGs交集得到13个URDEGs，热图显示组间表达模式。（2）差异表达验证与ROC曲线分析：11个URDEGs差异极显著（p<0.001），PAK2和ZFR高度显著（p<0.01）；ROC示UBR5、PALLD具中等判别准确性（0.7bright自然杀伤细胞（CD56^bright natural killer cells）、中央记忆CD4⁺ T细胞（central memory CD4⁺ T cells）、嗜酸性粒细胞、γδ T细胞、髓源性抑制细胞（MDSCs）和滤泡辅助性T细胞（T follicular helper cells）；MDSCs与中央记忆CD4⁺ T细胞正相关（r=0.613），S100A8与MDSCs正相关（r=0.708），ETV5与中央记忆CD4⁺ T细胞负相关（r=0.435）。（10）高、低风险组的免疫浸润分析：高风险组六类细胞显著改变：CD56^bright自然杀伤细胞、中央记忆CD4⁺ T细胞、γδ T细胞、巨噬细胞、MDSCs和单核细胞；S100A8与MDSCs正相关（r=0.678），低风险组KPNB1与CD56^bright自然杀伤细胞正相关（r=0.34）。（11）血浆S100A8定量与相关性分析：ELISA示SCZ组血浆S100A8显著高于健康对照（P<0.05）；33例患者中S100A8与年龄、性别及PANSS五因子均无显著相关（五因子q=0.927；年龄/性别校正后q=0.951），提示其反映疾病状态而非当前症状严重度。

讨论部分指出，SCZ全球负担高且死亡率较对照升高2.52倍；泛素化参与神经元重塑和突触可塑性。整合三个GEO数据集提高可靠性。13个URDEGs均显著，其中UBR5、KPNB1、S100A8分别涉及N端规则泛素化（N-end rule ubiquitination）、核质运输和免疫调节；S100A8在SCZ中上调并与MDSCs强相关，血浆升高但不随PANSS症状严重度变化。GO提示核蛋白转运、细胞骨架动力学和RhoA等小GTP酶信号参与；免疫分析支持免疫失调。与S100A9、S100A8及蛋白酶体亚基研究相比，本研究限定泛素化相关基因并构建8基因LASSO特征（AUC 0.71–0.89），结合血浆S100A8 ELISA和网络分析（PPI连接5个特征基因，关键调控节点如CEBPB），将脑内UPS候选与外周可测炎症标志物联系起来。局限性包括临床队列小且未控制用药、S100A8为非特异性炎症标志物；仅验证血浆蛋白，需细胞和动物实验；8基因模型仅在三个GEO数据整合队列内验证，缺乏独立外部队列验证；多数据集批次效应仍可能存在。

研究结论（原文结论翻译）：总之，本研究通过整合多个GEO数据集，对SCZ中差异表达的泛素化相关基因进行了全面分析，并随后开发并验证了一种新的分子特征。研究结果为推进对SCZ机制的理解提供了重要见解，并为开发新型非侵入性生物标志物提供了理论基础。未来研究可通过扩大样本量以及通过体内或体外实验进行深入验证，以提高结论的可靠性。具体而言，有必要开展更大规模、前瞻性设计的研究，纳入未用药首发患者、纵向采样和适当的疾病对照，并在独立队列中对基因特征进行外部验证。