多组学分析确定了与神经炎症相关的基因和外泌体miRNA，这些指标可作为帕金森病的可靠诊断标志物

《Scientific Reports》：Multi-omics profiling identifies neuroinflammation-related genes and exosomal miRNA as robust diagnostic signatures for Parkinson’s disease

　　

摘要

神经炎症是放大帕金森病（PD）脑内病理过程的关键因素。然而，将神经炎症与PD发病机制联系起来的具体机制仍不明确。为了阐明其诊断和治疗意义，本研究旨在识别与PD相关的关键神经炎症基因（NIRGs）和外泌体miRNAs。为了全面识别帕金森病中的神经炎症相关基因（NIRGs），我们进行了多项组学分析。我们从GEO仓库获取了公开可用的转录组数据，包括微阵列（GSE75249、GSE22491）、高通量RNA测序（GSE269775）和单细胞RNA测序（scRNA-seq，GSE223138）的结果。我们通过差异分析筛选出显著的转录变化，涵盖了mRNA（DEGs）和miRNAs（DE-miRNAs）。同时进行了功能富集分析，包括利用京都基因组与基因百科全书（KEGG）进行的通路分析、通过基因本体论（GO）进行的本体注释以及预排名基因集富集分析（GSEA）。通过STRING数据库构建了蛋白质-蛋白质相互作用（PPI）网络，以探讨潜在的蛋白质水平相互作用。基于DEGs与NIRGs之间的重叠，我们构建了一个包含十种机器学习算法及其101种组合的机器学习框架。随后，我们开发了一个用于临床诊断的定量 Nomogram 方法。此外，还使用CellChat和Monocle工具包分别研究了细胞间信号传导和细胞分化轨迹。同时分析了GeneMANIA、Friends分析、调控网络、免疫浸润、药物敏感性以及分子对接等方面。对大规模RNA-seq数据进行分析，共发现了426个DEGs。通过交叉验证内部和外部数据集，我们利用五种标志物（PTGDS、RTN3、MAG、PROK2和CNTNAP2）的表达模式生成了一个诊断模型。该五基因模型在训练组中的AUC值为0.797–0.901，在验证组中的AUC值为0.800–1.000，相应的敏感性和特异性范围分别为0.500–0.786和0.769–1.000。该模型的稳健性通过内部和外部数据集的交叉验证得到了验证。scRNA-seq数据分析显示存在七个不同的细胞簇，其中单核细胞是主要的细胞类型。伪时间轨迹分析进一步阐明了主要单核细胞系的发育动态。细胞间相互作用显示单核细胞的配体RETN被激活。这项系统水平的研究揭示了神经炎症在PD中的作用，确定了PTGDS、RTN3、MAG、PROK2和CNTNAP2作为可靠的诊断生物标志物，并提出了潜在的治疗药物和调控途径。我们的研究结果为理解驱动PD的神经炎症途径提供了新的见解，为开发基于生物标志物的诊断和治疗策略奠定了基础。