JCR一区7.2分|非肿瘤内质网应激切入点,发文不难,非常好复现

简介: 这篇研究探讨了内质网应激在扩张型心肌病纤维化中的作用,通过基因综合分析揭示了相关免疫反应。在Apoptosis杂志上发表的文章指出,内质网应激可能与疾病恶化相关,涉及先天和适应性免疫失衡。研究整合了两个数据集,鉴定出103个内质网应激相关基因,其中7个基因可能参与免疫机制。研究结果为理解内质网应激的分子机制和开发新疗法提供了新视角。

今天给大家分享一篇IF=7.2的内质网应激的文章,2023年7月发表在Apoptosis:Integrative analysis of genes reveals endoplasmic reticulum stress-related immune responses involved in dilated cardiomyopathy with fibrosis,基因综合分析揭示扩张型心肌病伴纤维化涉及内质网应激相关免疫反应

摘要

内质网 (ER) 应激与扩张型心肌病 (DCM) 纤维化过程的潜在机制有关,并导致疾病恶化;然而,该机制的分子细节仍不清楚。通过微阵列和生物信息学分析,我们探索了心肌纤维化 (MF) 的遗传改变,并确定了与 ER 应激相关的潜在生物标志物。我们整合了两个公共微阵列数据集,包括19个DCM和16个对照样本,并全面分析了差异表达、生物学功能、分子相互作用和免疫浸润水平。免疫细胞特征表明炎症免疫失衡可能促进 MF 进展。先天免疫和适应性免疫都参与 MF 的发生,T 细胞亚群在免疫浸润中占相当大的比例。进一步比较免疫亚型,鉴定出103个差异表达的内质网应激相关基因。这些基因主要富集在神经元凋亡、蛋白质修饰、氧化应激反应、糖酵解和糖异生以及NOD样受体信号通路等方面。此外,还确定了 15 个得分最高的核心基因。七个核心基因(AK1、ARPC3、GSN、KPNA2、PARP1、PFKLPRKC)可能参与免疫相关机制。我们的研究结果为 ER 应激相关基因的通路和相互作用网络提供了新的综合视角,并为开发 MF 的新治疗策略提供了指导。

分析思路+结果

image.png

图 1 消除批次效应之前和之后的合并数据集的流程图和箱线图。

  • A当前研究中应用的方法的流程图。
  • B消除批次效应之前合并数据集(GSE3585 和 GSE42955)的箱线图。
  • C消除批次效应后合并数据集(GSE3585 和 GSE42955)的箱线图

image.png

图 2 免疫细胞浸润的评估和可视化。

  • A整体免疫细胞比例的条形图。
  • B相关热图描绘了 MF 组织中浸润免疫细胞之间的相关性。图中的数字代表皮尔逊相关系数。
  • C MF 组织中样本浸润水平与 28 种免疫细胞类型之间的相关性。蓝色阴影表示负遗传相关性,红色阴影表示正相关性,颜色强度的渐变反映了相关性强度的增加。MF:心肌纤维化

image.png

图 3 特征免疫亚型的构建、差异基因的筛选和可视化。

  • A具有不同免疫特征的亚型的构建。
  • B火山图中显示了亚型之间的差异基因表达。这里,红色代表上调基因,蓝色代表下调基因。
  • C热图描绘了两个亚型之间的一系列差异基因。
  • D维恩图展示了 ERSRG 之间 DEG 的交叉点。DEGs:ERSRGs:内质网应激相关基因

image.png

图 4 DEERSRGs 修饰的基因的功能富集分析。

  • A GO分析揭示了最丰富的生物过程 (BP)、细胞成分 (CC) 和分子功能 (MF) 类别。
  • B BP 的 GO 集群网络。C CC 的 GO 集群网络。D MF 的 GO 集群网络。重要 KEGG 路径的E Sankey 图。
  • F DO 分析的直方图。BP:生物过程;CC:蜂窝组件;MF:分子功能;GO:基因本体论;KEGG:京都基因和基因组百科全书;DO:疾病本体论

image.png

图 5 GSEA 和 GSVA 富集分析。

  • A–E通过 GSEA 富集分析获得的五个途径。
  • F通过 GSVA 富集分析获得的九个途径的热图。GSEA:基因集富集分析;GSVA:基因集变异分析

image.png

图 6 蛋白质-蛋白质相互作用(PPI)网络分析和枢纽基因筛选。

  • A使用 STRING 数据库生成 103 个 DEERSRG 的 PPI 交互网络。
  • B使用 cytoHubba 插件筛选 Hub 基因。
  • C两种免疫亚型之间hub基因的差异表达分析。DEERSRGs:差异表达的内质网应激相关基因;PPI:蛋白质-蛋白质相互作用


图 7 中心基因与免疫浸润细胞之间的相关性。

  • Hub基因与免疫细胞类型相关性分析的A-I散点图

image.png

图 8 免疫浸润细胞与免疫亚型之间的相关性。

  • 与不同免疫特征相关的六种免疫细胞类型和亚型之间差异表达分析的A–F小提琴图

image.png

图 9 基因网络分析。

  • A 与中心基因的转录网络关系,其中红色代表中心基因,绿色代表转录因子。
  • B hub基因与miRNA的网络关系,其中红色代表hub基因,紫色代表miRNA。
  • C hub基因与药物之间的网络关系,其中红色代表hub基因,灰色代表药物

小总结

  • 扯一扯:一篇文章🐮🐮无外乎就看两点:深度强度,所以能发非水好文章的要么拼高级分析方法,用前沿热点分析工具/该卷算法的卷算法新模型;要么堆工作量,能做个横截面或者回顾性全人类/区域的队列研究几万几十万几百万样本。。大家各自取向不同,科研没有好坏高低之分,走良心过得去的,选适合自己的
  • 捋一捋:合并数据集;CIBERSORT和ssGESA免疫浸润分析;一致性聚类分型;差异分析然后交集GeneCards的内质网应激相关基因;GO、KEGG、DO富集分析;GSEA和GSVA通路分析;PPI网络+cytoHubba筛选核心网络;免疫浸润相关性;免疫细胞亚型组间差异;构建ceRNA网络
  • 一篇十分好学习和换疾病复现的研究思路,冲吧战士们~



目录
相关文章
|
Java Linux 定位技术
企业实战(21)基于Linux下安装部署GeoServer地图服务
企业实战(21)基于Linux下安装部署GeoServer地图服务
709 0
|
机器学习/深度学习 算法 决策智能
【深度学习】遗传算法
【深度学习】遗传算法
|
10月前
|
NoSQL 关系型数据库 应用服务中间件
docker基础篇:安装tomcat
docker基础篇:安装tomcat
279 64
|
12月前
|
数据采集 安全 数据管理
通信行业数据治理:如何实现高效、安全的数据管理?
在未来的发展中,通信行业的企业应加强数据治理意识,提高数据治理能力;同时,积极开展跨行业的合作创新,共同推动行业的繁荣与发展。相信在不久的将来,通信行业将迎来更加美好的明天。
|
缓存 JavaScript 前端开发
从四个部分,浅谈 Vue 3 渲染机制!
从四个部分,浅谈 Vue 3 渲染机制!
|
存储 缓存 JavaScript
|
SQL 分布式计算 大数据
"揭秘MaxCompute大数据秘术:如何用切片技术在数据海洋中精准打捞?"
【8月更文挑战第20天】在大数据领域,MaxCompute(曾名ODPS)作为阿里集团自主研发的服务,提供强大、可靠且易用的大数据处理平台。数据切片是其提升处理效率的关键技术之一,它通过将数据集分割为小块来优化处理流程。使用MaxCompute进行切片可显著提高查询性能、支持并行处理、简化数据管理并增强灵活性。例如,可通过SQL按时间或其他维度对数据进行切片。此外,MaxCompute还支持高级切片技术如分区表和分桶表等,进一步加速数据处理速度。掌握这些技术有助于高效应对大数据挑战。
344 0
|
Oracle Java 关系型数据库
04. 【Java教程】在 Linux 上安装 Java
04. 【Java教程】在 Linux 上安装 Java
766 0
|
运维 安全 API
全网首发 | Elasticsearch 认证专家考试(ECE)8.1 版本最新考纲解读
全网首发 | Elasticsearch 认证专家考试(ECE)8.1 版本最新考纲解读
|
Oracle 关系型数据库 数据库连接
Navicat 数据库连接工具连接oracle数据库提示cannot create oci handles问题解决方法
Navicat 数据库连接工具连接oracle数据库提示cannot create oci handles问题解决方法
1434 0
Navicat 数据库连接工具连接oracle数据库提示cannot create oci handles问题解决方法