整合转录组学分析识别空气污染相关特应性皮炎中CCL22相关的免疫特征

《Frontiers in Public Health》：Integrative transcriptomic analysis identifies CCL22-associated immune signatures in air pollution-related atopic dermatitis

　　

背景：空气污染与特应性皮炎（atopic dermatitis，AD）的发生和加重有关，但连接污染物相关靶点与AD相关免疫失调的分子特征仍不完全清楚。方法：研究人员应用整合系统毒理学和转录组学框架，优先筛选AD中候选的污染物相关免疫特征。将污染物相关靶点与高置信度AD相关基因取交集，随后进行蛋白质-蛋白质相互作用分析、基因本体论（GO）/京都基因与基因组百科全书（KEGG）富集分析、机器学习、免疫浸润分析、单细胞转录组学、CCL22虚拟扰动、1-氟-2,4-二硝基苯（DNFB）诱导的AD样小鼠模型验证及探索性分子对接。结果：共享的污染物-AD靶点主要富集于细胞因子活性、趋化因子信号、模式识别受体活性、IL-17信号、细胞因子-细胞因子受体相互作用和Toll样受体相关炎症通路。基于15种算法和175种预测组合的机器学习框架确定偏最小二乘广义线性回归（plsRglm）+自适应增强（AdaBoost）为最佳模型，训练队列的受试者工作特征曲线下面积（AUC）为0.963，三个验证队列的AUC分别为1.000、0.909和0.966。该模型识别出污染物优先的AD特征基因，包括CCL22、CCL5、CSF2、F2RL1、HRH4、ICAM1、IFNG、IL10、IL17A和IL18。CCL22在AD样本中上调，主要定位于树突状细胞和巨噬细胞。CCL22虚拟扰动与细胞外基质和基质重塑程序相关，而DNFB诱导的AD样皮炎证实皮损皮肤中CCL22表达增加。结论：这些发现将CCL22相关的免疫和基质重塑特征确定为空气污染相关AD的候选分子特征，并为未来受控暴露研究生成可检验的假说。

特应性皮炎（atopic dermatitis，AD）是一种常见的慢性复发性炎症性皮肤病，以剧烈瘙痒、表皮屏障功能障碍和免疫失调为核心特征。尽管白细胞介素（IL）-4和IL-13驱动的2型炎症是AD的主要免疫学特征，但AD具有高度异质性，涉及Th1、Th17、Th22、固有免疫及趋化因子介导等多种免疫通路。近年来，空气污染被认为是AD发生和加重的重要环境因素，流行病学研究已将颗粒物、氮氧化物、二氧化硫、臭氧、一氧化碳及挥发性有机化合物（VOCs）暴露与AD风险增加、疾病活动和医疗资源使用相关联。然而，污染物相关靶点与AD免疫失调之间的分子关联仍不明确。传统毒理学研究常聚焦于单一污染物或单个靶点，而真实世界空气污染为复杂混合物，可能汇聚于共享炎症通路。为此，研究人员采用整合系统毒理学框架，结合网络毒理学、转录组学、机器学习、单细胞分析、动物实验和分子对接，系统鉴定了空气污染相关AD的候选分子特征。该研究发表在《Frontiers in Public Health》。

研究人员首先从比较毒物基因组学数据库（CTD）获取9种代表性空气污染物（PM、苯、SO₂、NO₂、O₃、NO、CO、甲苯和VOCs）相关的人类靶基因，并从GeneCards、OMIM、GWAS Catalog、MalaCards和Open Targets五个数据库收集高置信度AD相关基因，取交集获得19个共享靶点。随后进行GO/KEGG富集分析和蛋白质-蛋白质相互作用（PPI）网络构建。在转录组层面，研究人员利用GEO公共数据库中的5个人类皮肤活检转录组数据集（训练队列GSE6012、GSE120721；验证队列GSE124700、GSE174582、GSE32924），采用15种机器学习算法和175种预测模型组合构建并验证AD诊断模型。单细胞RNA测序数据（GSE288946）用于解析候选基因的细胞定位，并采用scTenifoldKnk进行CCL22虚拟扰动。此外，研究人员在DNFB诱导的AD样皮炎小鼠模型中验证CCL22表达，最后对7种结构明确的空气污染物与10个AD相关免疫靶点进行探索性分子对接。

研究结果显示：在流行病学层面，结构化文献检索和覆盖6,324个数据的生态学相关分析发现，短期空气污染物暴露与AD门诊和疾病活动增加相关，其中NO₂与AD患病率、发病率和伤残调整生命年率呈显著正相关，而PM和家庭空气污染呈负相关，提示污染物种类和流行病学尺度影响关联方向。毒理学预测显示，CO、O₃和SO₂具有极高皮肤致敏分数（分别为1.00、1.00和0.99），NO和O₃可激活氧化应激反应元件，提示这些污染物的免疫毒性潜力。共享靶点分析将1,510个污染物相关基因与65个AD基因交集得到19个基因，包括CCL22、CCL5、CXCL8、IFNG、IL10、IL17A、IL18、TNF、TLR2/4等，富集分析表明它们主要参与细胞因子活性、趋化因子信号、IL-17信号通路和Toll样受体相关炎症通路。机器学习鉴别出plsRglm+AdaBoost为最优模型，训练AUC为0.963，验证AUC分别为1.000、0.909和0.966；最终诊断特征包含CCL22等10个基因，其中CCL22在AD中显著上调，SHAP分析显示其表达升高对AD预测有正向贡献。免疫浸润分析显示，AD样本中CCL22–CCR4轴、趋化因子特征和Th2特征显著升高，CCL22表达与多种免疫细胞和炎症评分正相关。单细胞转录组学将CCL22定位于树突状细胞和巨噬细胞，虚拟CCL22扰动预测了细胞外基质和基质重塑基因（如MMP2、LO