今天给大家分享一篇IF=5.1的帕金森和抑郁症共病模型的文章，于2023年7月发表在Molecular Neurobiology上：Identification and Experimental Validation of Parkinson’s Disease with Major Depressive Disorder Common Genes，帕金森与重度抑郁症共病基因的鉴定与实验验证
摘要
帕金森病（PD）是一种常见的神经退行性疾病，经常伴有非运动症状如重度抑郁症（MDD）。但MDD在PD中的病理生理机制尚不清楚。本研究旨在探索PD与MDD的关联基因及其分子机制。研究者从基因表达谱数据库下载了PD和MDD的基因数据，并通过差异表达基因（DEGs）分析找到了两者的共同基因。通过多种生物信息学方法，如基因本体论、京都基因与基因组百科全书分析和蛋白质-蛋白质相互作用网络，研究者识别出了三个关键基因：AQP9、SPI1和RPH3A。这三个基因在PD和MDD中都有明显的差异表达。结果还显示，中性粒细胞和单核细胞在PD和MDD的进程中起关键作用。
分析流程
结果
图 2. 原始和标准化的表达矩阵
- GSE6613和GSE98793数据集的箱线图（A-D）
- 主成分分析图（E-F）。PCA，即主成分分析
图 3. 两个数据集中基因的表达和差异表达基因的识别
- A GSE6613中差异性DEGs的火山图。设定的阈值为|log2FC(倍数变化)|>0，且p值<0.05。
- B, C PD数据集中同时上调的前50名DEGs和同时下调的前50名DEGs。
- D GSE98793中的差异性DEGs火山图。设定的阈值为|log2FC(倍数变化)|>0.585，且p值<0.05。
- E–F MDD数据集中同时上调的前50名DEGs和同时下调的前50名DEGs。
图 4. 共病DEGs的识别
- A 通过venn图表示PD数据集和MDD数据集的交叉DEGs。
- B, C GSE6613和GSE98793中具有相同趋势的共病DEGs的热图。
图 5. 在Lasso模型中筛选候选基因
- A, B 通过基因数目（n=8）最佳地表示了PD伴MDD的诊断，这些基因对应于曲线的最低点。
- C 多变量Cox回归分析显示，这个预后模型是PD的一个独立预后参数。
- D 热图显示了基于风险评分的八个基因的表达。
图 6. 候选基因的验证
- A, E GSE99039和GSE201332中重要中心基因的表达水平。
- B-D 通过ROC曲线评估中心基因对PD（B, C）或MDD（D, F）的诊断准确性。
图 7. MPTP和CUMS模型的验证
- A C57Bl/6小鼠经腹腔注射MPTP进行处理。通过免疫组织化学确定SNpc TH阳性神经元的数量。刻度条=500 μm。n=6。
- B 代表强迫游泳测试中的不动、攀爬和游泳时间的数据。
图 8. 核心基因的验证
- A AQP9、RPH3A 和 SPI1 的相对mRNA水平。（p<0.01, *p<0.001, p<0.0001）。
图 9. 与临床特征的相关性分析
- A–D AQP9的表达水平（UPDRS I-IV）。
- E–H RPH3A的表达水平（UPDRS I-IV）。
- I–L SPI1的表达水平（UPDRS I-IV）。
图 10. 基因集富集分析
- A–C 这些图显示了在GSE6613中的APQ9、RPH3A和SPI1基因集的富集得分和基因集。
- D–F 这些图显示了在GSE98793中的APQ9、RPH3A和SPI1基因集的富集得分和基因集。
图 11. PPI网络和TF-基因交互网络
- A 使用GeneMANIA数据库分析了中心基因的基因-基因交互网络。显示了20个变化最频繁的邻近基因。
- B 红色节点代表高可信度的候选基因，绿色节点在TF-基因交互网络中代表TF基因。
图 12. GSE6613和GSE98793的免疫浸润分析
- A, B GSE6613和GSE98793每个样本的免疫细胞浸润图。
- C, D GSE6613和GSE98793的22种免疫细胞浸润的相关性热图。p<0.05, p<0.01, p<0.001, p<0.0001。
- E–F 箱线图展示了GSE6613和GSE98793的22种免疫细胞的比较。
要点
- 中规中矩的非肿瘤分析思路，差异分析、交集、通路富集、PPI网络、免疫浸润、LASSO回归筛选核心基因、qPCR、还有
MPTP和CUMS这两个研究神经退行性疾病和抑郁症常用模型。 - 双疾病分别各两个数据集，一个分析一个外部验证，外加一个实验验证，Q1中科院二区，整体生信部分的分析都算入门级了，这样的研究思路值得参考一下，感兴趣的小伙伴可以复现一波。
