《Frontiers in Immunology》:Identification of biomarkers in diabetic neuropathy: a Mendelian randomization and bioinformatics analysis
编辑推荐:
针对糖尿病神经病变(DN)缺乏治愈手段及早期诊断标志物的痛点,研究者整合孟elian随机化(MR)、贝叶斯共定位、机器学习及小鼠模型,从4907种血浆蛋白中筛选出HSPB1、KRT14和SFN作为核心生物标志物,并阐明其通过Wnt、MAPK等信号通路参与病程,为DN的早期诊断与靶向治疗提供了新方向。
糖尿病,这个被称为“富贵病”的代谢顽疾,全球患病人数预计到2045年将高达7.83亿,而作为其最常见且令人痛苦的慢性并发症——糖尿病神经病变(Diabetic neuropathy, DN),更是会累及近3.5亿人群。DN不仅导致患者出现肢体麻木、疼痛、感觉异常,严重时还可引发足部溃疡、感染甚至截肢,极大降低了患者的生活质量。然而,目前的临床治疗主要局限于控制血糖、缓解疼痛等对症支持手段,无法从根本上逆转或治愈DN,更缺乏能够早期、精准诊断DN的特异性生物标志物。在这种背景下,深入解析DN的发病机制,并从庞大的分子海洋中捞出那些真正驱动疾病进展的关键蛋白靶点,成为了医学界迫在眉睫的任务。
近日,一项发表在《Frontiers in Immunology》上的原创性研究,通过巧妙结合遗传学推断、大数据分析以及动物实验,系统揭示了DN潜在的致病机制与诊断标志物。研究人员利用孟德尔随机化(Mendelian Randomization, MR)这一能够推断因果关系的遗传学方法,结合血浆蛋白质组全基因组关联研究(GWAS)数据,评估了4907种血浆蛋白与DN风险之间的因果关联。随后,他们整合了基因表达综合数据库(GEO)中的高通量测序数据集(GSE148061,包含53例DN患者和53例健康对照),进行差异基因分析和功能富集分析。为了从复杂的分子中锁定最核心的靶点,研究还引入了最小绝对收缩和选择算子(LASSO)和随机森林(Random Forest, RF)两种机器学习算法,并进一步通过基因集富集分析(GSEA)和基因集变异分析(GSVA)探索分子机制。最后,研究团队构建了自发性糖尿病db/db小鼠模型,利用免疫组化、蛋白质印迹法(Western Blotting)和实时荧光定量PCR(qRT-PCR)等技术,在活体层面验证了关键基因的诊断潜能。
主要关键技术方法包括:1. 孟德尔随机化(MR)与贝叶斯共定位分析,使用deCODE健康研究的4907种血浆蛋白pQTL数据和FinnGen数据库的DN汇总数据(finn-b-DM_NEUROPATHY等)评估因果效应;2. 生物信息学分析,基于GEO数据集GSE148061进行差异表达基因(DEG)筛选、GO/KEGG富集分析、一致性聚类及GSVA/GSEA通路分析;3. 机器学习算法,应用LASSO回归和随机森林(RF)算法交叉筛选核心关键基因;4. 体内实验验证,利用12周龄雄性C57BL/KsJ-db/db小鼠建立DN模型,结合行为学测试及背根神经节、脊髓组织的免疫组化、Western Blotting和qRT-PCR实验。
研究结果主要归纳如下:
蛋白质组范围的MR与共定位分析
以finn-b-DM_NEUROPATHY为结局,MR分析最初筛选出7种与DN显著相关的血浆蛋白。其中,热休克蛋白家族B(小)成员1(HSPB1)、Stratifin(SFN)、角蛋白14(KRT14)、丝氨酸肽酶抑制剂Kunitz 2型(SPINT2)、蛋白磷酸酶1调节抑制剂亚基14A(PPP1R14A)和Notum棕榈酰油酰蛋白羧酸酯酶(NOTUM)的升高与DN风险降低相关;而二羰基和L-木酮糖还原酶(DCXR)升高则增加DN风险。鉴于部分蛋白工具变量较少,研究进一步使用独立GWAS数据集(finn-b-G6_DIABETNEUR)进行外部验证,并开展贝叶斯共定位分析。结果显示HSPB1、SFN、KRT14、SPINT2和DCXR与DN具有高共定位证据,从而被选入后续研究。
利用GSE148061数据集验证MR结果
由于在蛋白层面敏感性分析受限,研究者利用GSE148061数据集进行验证。差异分析共识别出1264个差异表达基因(DEGs),包括1057个上调基因和207个下调基因。GO和KEGG富集分析表明,这些DEGs显著富集于组蛋白修饰、表皮发育以及Wnt信号通路、mTOR信号通路等过程。盒形图分析显示,与正常组相比,风险基因DCXR在DN组中显著高表达,而保护因子HSPB1、KRT14和SFN在DN组中显著低表达,初步验证了MR的发现。
DN亚组分型及GSE148061中的DEG表达
通过一致性聚类分析,研究人员将DN患者分为2个分子亚型(Cluster 1和Cluster 2)。比较两簇间的差异发现,KRT14、NOTUM、SFN和SPINT2在Cluster 2中显著高表达,而DCXR、HSPB1和PPP1R14A无明显差异。这反映了DN的分子异质性,也提示需整合多维信息以筛选核心候选基因。
利用机器学习识别关键基因
结合簇间与疾病组间的差异基因,研究先后使用LASSO(筛选出4个关键基因)和RF(筛选出7个关键基因)算法。取两者交集后,最终精确锁定三个核心关键基因:HSPB1、KRT14和SFN。对这三者在Cluster 1、Cluster 2、正常及DN样本中的表达比对发现,它们在DN组和Cluster 2组中均呈现高表达模式,从而成为后续重点研究对象。
核心基因的GSEA和GSVA分析
通路分析揭示:HSPB1高表达主要激活Wnt信号通路和半乳糖代谢,且GSEA证实其富集于Wnt信号通路;KRT14高表达与凋亡、胰岛素信号通路激活相关,并富集于ERK1调控、MAPK(丝蛋白活化激酶)级联负调控及肌细胞增殖等通路;SFN高表达则与胰岛素信号通路、B细胞受体信号通路激活有关,并富集于醛糖醇磷酸代谢过程和B细胞增殖调控。这表明三个核心基因可能分别通过不同的分子信号网络影响DN的进展。
DN小鼠体内的验证
利用db/db小鼠DN模型,确认模型组体重、空腹血糖(FBG)和随机血糖(RBG)显著升高,机械痛阈和热痛阈显著降低,证明造模成功。免疫组化显示,模型组背根神经节中KRT14蛋白水平显著升高,HSPB1和SFN无显著变化;而Western Blotting和qRT-PCR检测脊髓组织则发现,模型组HSPB1、KRT14和SFN的蛋白及mRNA水平均显著上调。这种组织间的表达差异可能源于神经组织特定的时空调控或功能分工,但总体证实了这三个基因在DN病理状态下的活跃参与。
结论与意义
综上所述,该研究通过多学科方法的深度融合,系统确立HSPB1、KRT14和SFN为DN潜在的诊断生物标志物和关键介导因子。尽管MR推断其高表达与DN风险降低存在因果关联,但转录组及体内数据均显示其在疾病状态下显著上调,这很可能反映了机体针对糖尿病神经性损伤引发的代偿性或保护性响应。无论如何,它们作为疾病状态时发生明确改变的分子,具备作为生物标志物的诊断价值,同时其参与的Wnt、MAPK、胰岛素信号等通路也为理解DN复杂发病机制提供了新视角。特别值得注意的是,这是首次报道KRT14和SFN参与DN的调控,极大地拓展了学界对该疾病分子网络的认识。当然,研究也存在一定局限,如GWAS数据主要源自欧洲裔人群,且缺乏大规模流行病学研究进一步验证血浆蛋白水平与DN的关联。未来还需通过基因敲除或过表达等功能实验,在细胞及组织层面精确剖析这些基因在DN中的因果角色,从而为最终开发靶向药物、实现DN的精准诊疗奠定坚实理论基础。