细胞死亡热点：泛凋亡（PANoptosis）。非肿瘤纯生信：基于PANoptosis的亚型分析及关键特征筛选

研究期刊：frontiers in immunology

影响因子: 5.7

研究内容：

阿尔兹海默症（AD）是老年痴呆的主要原因，早期诊断和干预对于改善AD患者预后至关重要，识别新的分子亚型将有助于发现 AD 的治疗的新策略。PANoptosis 代表了程序性细胞死亡的新兴范式，整合了三个关键过程：细胞焦亡、细胞凋亡和坏死性凋亡。研究表明，细胞凋亡、坏死性凋亡和细胞焦亡在 AD 发展中起着重要作用。因此，靶向 PANoptosis 基因可能对发现新的治疗靶点和临床相关的治疗方法有潜在影响。该研究通过GEO数据库中的三个数据集鉴定了与 AD 相关的差异表达 PANoptosis 基因。采用LASSO回归构建了这PANoptosis 基因相关的风险模型。对差异表达基因进行共识聚类分析，定义了新的AD分子亚型。GSVA分析进一步评估了这些差异基因的功能作用。作者发现，根据以上差异基因可以将AD分为两个分子亚型，不同亚型之间表现出不同的疾病状态，其中早期亚型与功能失调的突触信号有关。根据亚型之间的差异基因表达情况，作者构建了PPI蛋白质互作网络以确定枢纽基因，并查阅DGlab以明确这些枢纽基因所对应的38中早期AD治疗的候选药物和化合物。最后，作者在单细胞分析结果中，发现与早期亚型相关的关键基因主要在神经元细胞中表达，而代谢亚型的差异基因主要存在于内皮细胞和星形胶质细胞中。

研究流程图：

研究结果：

在不同数据集中检测PANoptisis 基因的表达情况

作者收集了的PANoptisis基因集中包括381 个细胞凋亡相关基因、27 个细胞焦亡相关基因和 160 个坏死性凋亡相关基因（补充数据2），对所收集的AD相关GEO数据集进行差异分析，并筛选三个基因集中均差异表达的PANoptisis基因，共有24个（图2A），图2B显示着24个 AD 相关PANoptisis基因（APANRGs）主要位于常染色体上。PPI 网络显示24个APANRGs存在着紧密的相互作用。作者分别以火山图（图2D），箱线图（图2E，G，H），热图（图2F）展示了APANRGs在不同数据集中的正常人和AD患者中的表达情况。

APANRG表达与 AD 疾病进展之间的关联

通过R包 corrplot 计算所有样本和 AD 样本中的 24 个 APANRGs 表达相关性。图3A展示了24个基因在所有样本中的相关性，图3B展示了它们在AD疾病样本中的相关性。 图3C表明24个APANRGs与AD易感基因的表达密切相关。接着作者采用单因素logistic 回归分析进一步缩小与AD相关的基因范围，发现以上24个基因均具有统计学意义，其中OR<1的为AD保护性基因，OR>1的上调基因则与AD进展显著相关（图3D）。对24个基因应用LASSO回归，并根据最佳λ值以构建预测模型（图3E-F）。计算纳入基因与AD进展的关系发现，九个差异基因与AD进展相关（图3G）。作者还对风险模型中的关键基因进一步检测其可能参与的信号通路，如TNFRSF10B，它与免疫和代谢途径以及阿尔茨海默病相关途径的调节密切相关（图3I）。

     |

基于PANoptsis 差异基因鉴定和分析 AD 的不同分子亚型

基于24个APANRGs，整合三个数据集中的AD患者数据并去除批次效应。一致性聚类结果显示AD样本根据基因表达差异可以被划分的最佳聚类值为2，其中集群1的患者有123个，集群2的患者有100个（图 4A-B）。9个AD风险评分特征基因中的八个基因在两个集群之间表现出显著差异（图 4C）。并且作者还发现两种亚群之间存在显着的性别差异，总体上女性比例高于男性（图 4D）。为了探索这两个亚群之间的分子差异，作者分析了参与α分泌酶、γ 分泌酶和神经原纤维缠结 （NFT） 形成的基因在两个集群之间的表达情况（图4E）。另外，关于 AD Braak 阶段，两个亚类之间没有差异（图 4F）。集群1 和集群2 的组织起源如图 4H 所示。内嗅皮层、颞中回、额上回和中央后回的比例在两个亚类中显着不同（图 4G）。基因通路富集分析显示，集群1展示出信号转导相关通路的显著富集，集群2富含 DNA 复制、细胞凋亡、吞噬作用、内吞作用途径和神经营养因子信号通路（图4H）。作者还比较了两个集群间的免疫细胞浸润情况（图4I）。

PANoptosis相关分子亚型患者的DEGs筛查

为了探索两个集群中的关键基因，作者进行了差异分析，发现29个基因在集群1中表达上调，194个基因在集群2中表达上调（图5A）。生物过程富集结果显示，集群2上调的基因主要富集于突触信号改变过程中（图5B）。KEGG的富集结果也进一步支持该发现（图5C）。综合结果分析，该研究推测第集群2可能代表正常和集群1之间的过渡状态，表明 AD 突触功能障碍的早期阶段（图5D）。

两个亚型内枢纽基因的构建和基因-药物相互作用的预测

为了进一步研究两个集群间差异基因的相互作用，作者构建了一个具有158个节点和706条边的PPI互作网络图（图6A），利用带有插件 CytoHubba 的MCC算法，作者确定了得分最高的前 10 个枢纽基因（图6B），以上十个枢纽基因均在集群2中上调。接着作者将枢纽基因导入DGlab数据库中，以探索与枢纽基因相关的可能治疗AD的现有药物或者化合物，筛选到6个枢纽基因，对应于38个潜在药物靶点和7和AD治疗相关途径（图6C）。

单细胞测序结果揭示亚型之间差异基因的表达分布特性

作者对自己前期关于不同脑区如内嗅皮层（EC）、颞中回（MTG）、额上回（SFG） 和体感或内嗅皮层（SSC）的单细胞测序结果进行了再分析，共鉴定出7个不同的细胞群，并在SSC中鉴定了 8 个细胞群（图 7A-D）。在EC中，作者检测了集群2中的10个枢纽基因在不同细胞群中的表达情况，结果显示，几乎所有枢纽基因都在兴奋性神经元和抑制性神经元中表达（图7E）。图7F则展示了集群1中前10个表达基因在不同细胞中的表达情况（图7F）。集群2的枢纽基因在其他脑区如MTG和SFG中的表达情况与在EC中的一致（图7G）。总之，Cluster 2 枢纽基因倾向于在兴奋性神经元、抑制性神经元和 OPC 细胞中表达，而 Cluster 1 top10 基因在星形胶质细胞、内皮细胞和小胶质细胞中广泛表达（图7H）。作者还评估了不同神经元细胞之间的相互作用情况（图7I），发现在SSC和MTG中，跨神经元细胞的信号传导持续增强。图7J-K则展示了四个脑区中细胞状态特异性配体-受体相互作用网络。最后作者展示了所筛选的10个枢纽基因在不同GEO数据集中于正常人或者AD患者中的表达情况（图8）。

研究总结：

作者将通过GEO数据集筛选到在正常人和AD患者中差异表达的PANoptosis相关基因们， 通过单因素逻辑回归明确差异APANRG之间存在着相互作用，通过lasso回归构建了AD风险评分模型并筛选了组成风险模型的9个特征基因，为后续挖掘这些基因在AD进展机制中提供重要线索。此外作者通过APANRG表达成功对AD患者进行聚类，将患者划分为两个不同的集群，并推测集群2可能是从正常到AD患者之间的过渡状态。作者还利用自己的单细胞数据，检测了集群间的差异枢纽基因在不同脑区的不同细胞中的表达特性。此外，该研究还利用了集群2中的枢纽基因预测了6个具有潜在靶点药物或者化合物作用的基因。总的来说，作者的分析揭示了PANoptosis 基因与 AD 发病机制之间的密切关联，并从泛细胞凋亡的角度，鉴定了AD 的两个亚类，明确二者在临床特征、代谢特征和免疫浸润方面存在显著差异，阐明了 AD 患者之间的异质性。