跨疾病整合多组学框架解析缺血性心肌病与肺腺癌中成纤维细胞核心枢纽基因及候选重定位药物

《Translational Oncology》：Integrative single cell and machine learning analysis identifies fibroblast centric hub genes and therapeutic candidates in lung adenocarcinoma and ischemic cardiomyopathy

研究人员通过整合多组学（multi-omics）框架，以成纤维细胞（fibroblast）为核心，将缺血性心肌病（ICM）与肺腺癌（LUAD）进行跨疾病关联。经差异表达交集获得36个候选基因，并采用127种机器学习（machine learning）组合筛选出稳健的六基因枢纽特征（six-gene hub signature：KRTCAP3、RUNX2、DBF4B、C11orf80、COL3A1、ZFP64）。在两类疾病中，成纤维细胞均是六基因的主要来源；COL3A1沿成纤维细胞拟时序（pseudotime）逐渐升高，并伴随COLLAGEN信号重连。虚拟扰动显示该特征汇聚于细胞外基质（ECM）组织与炎症调控。药物重定位（drug repositioning）计算提名地高辛（Digoxin）、麦角胺（Ergotamine）与来迪派韦（Ledipasvir）作为RUNX2结合候选分子，为跨疾病诊断与靶向策略提供计算学基础。

研究背景方面，缺血性心肌病（ICM）以慢性缺血导致心室不良重塑为主要病理特征，5年生存率偏低；肺腺癌（LUAD）作为非小细胞肺癌最常见亚型，其进展高度依赖肿瘤微环境（TME）。两类疾病看似无关，但均存在成纤维细胞介导的组织重塑、细胞外基质（ECM）沉积与慢性炎症。现有研究缺乏在单细胞分辨率下对ICM与LUAD共享分子机制的系统性计算解构。研究人员因此构建跨疾病整合转录组框架，以成纤维细胞为支点，识别核心基因并提名候选药物。

主要关键技术方法包括：基于GEO与TCGA队列获取ICM bulk/scRNA-seq及LUAD TCGA、GEO与Bischoff单细胞数据；用Seurat进行质控与聚类，Harmony校正批次效应；limma做差异表达，取疾病上调基因交集得36基因；以127种机器学习算法组合训练筛选六基因签名；用Monocle3做成纤维细胞拟时序，CellChat推断COLLAGEN通路细胞间通信，scTenifoldNet/scTenifoldKnk做虚拟过表达与敲除扰动，SCISSOR关联单细胞状态与生存表型，最后以AutoDock Vina对FDA获批药物做分子对接。

研究结果如下。

Single-Cell mapping of ICM and LUAD with core gene discovery：通过ICM与LUAD单细胞图谱构建，注释主要细胞类型并做疾病/正常差异分析，bulk与单细胞上调基因交集得到36个核心候选基因，密度热图与PPI网络显示其在疾病组中一致高表达。

Enrichment and functional analysis of the 36-Gene signature in single cells：UCell评分显示36基因签名在成纤维细胞富集最高；SCISSOR鉴定Scissor?细胞多见于成纤维、内皮与免疫细胞；GO/KEGG富集指向ECM组织、胶原代谢、黏附与癌症相关通路；scMetabolism中“Diseases of metabolism”集合同样在成纤维细胞偏高。

Machine learning identifies a six-gene diagnostic signature：127组合模型中plsRglm表现最优且稳定，SHAP解析后优先出六基因（KRTCAP3、RUNX2、DBF4B、C11orf80、COL3A1、ZFP64），在多队列AUC超0.84；单细胞水平六基因主要在成纤维细胞表达，部分基因高表达与更差生存相关。

Virtual overexpression perturbations reveal functional roles of hub genes：scTenifoldNet虚拟过表达显示，六基因扰动后共同富集免疫过程、ECM/细胞黏附，以及JAK-STAT、PI3K-Akt、TNF、Toll样受体等通路；COL3A1特异关联TGF-β与成纤维增殖。

Virtual knockout perturbations converge on inflammatory and ECM pathways：虚拟敲除结果汇聚于炎症调控、ECM组织、趋化与抗原提呈；但各基因背景通路不完全重合，提示六基因功能收敛而非等价。

Pseudotime trajectory and COLLAGEN-Mediated cell-cell communication of hub genes：Monocle3轨迹中以成纤维为根，COL3A1随拟时序中晚期上调，其余五基因维持低表达；CellChat显示成纤维为COLLAGEN信号主要发送者，ICM中靶标由炎症单核转向增殖巨噬，LUAD中转向肿瘤细胞。

Identification of candidate compounds through computational drug repositioning and molecular docking：对六靶标筛选FDA药物，RUNX2模型对地高辛、麦角胺、来迪派韦结合能较优，仅为计算提名而非实验验证结合。

讨论部分总结：研究人员强调各分析证据层级不同，bulk用于找共享表达特征，单细胞提供细胞语境，机器学习评估区分度，扰动/通信为假设生成；跨疾病一致性不等于因果验证。成纤维细胞在ICM与LUAD中均处于重塑核心，但组织微环境使通路实现存在差异。研究局限包括单细胞队列规模有限、缺乏蛋白水平与空间验证、 docking未证实验证结合。

结论翻译：本研究提供以成纤维细胞为中心的ICM与LUAD单细胞整合框架，识别稳健六基因签名（KRTCAP3、RUNX2、DBF4B、C11orf80、COL3A1、ZFP64），揭示其汇聚于ECM组织与炎症调控，刻画COLLAGEN通信重连，并提名靶向RUNX2的候选重定位药物，为两病的共同机制解析与诊疗策略提供计算学基础。

这篇论文解读已完成，接下来可以选择一个方向继续深化：

把六基因签名的证据层级整理成评审意见

设计验证六基因与RUNX2药物的实验路径

把六基因签名的证据层级整理成评审意见

设计验证六基因与RUNX2药物的实验路径