《Translational Psychiatry》:A transcriptomic dimension of neuronal and immune gene programs within the subgenual anterior cingulate cortex in schizophrenia
编辑推荐:
本研究旨在阐明复杂精神疾病背后的分子机制。研究者整合诊断、毒理学暴露和基因表达数据,应用组正则化典型相关分析(GRCCA)等方法,对精神分裂症(SCZ)、双相情感障碍(BD)、重度抑郁(MDD)及对照个体的sgACC脑区RNA-seq数据进行了多变量整合分析。结果鉴定出一个与精神分裂症显著相关的表达梯度,其特征是神经元通路上调、免疫过程下调,且与GWAS风险基因重合。该研究为解析精神疾病的转录组学信号提供了新视角。
尽管许多精神疾病具有遗传性,但由于环境因素的混杂和转录组数据的复杂性,遗传风险所导致的分子后果仍然难以解析。这一挑战阻碍了依赖于遗传与基因组学见解整合的治疗手段的开发。精神分裂症、双相情感障碍和重度抑郁症等疾病严重影响着全球公共卫生,但仅凭传统的病例对照差异基因表达分析,往往难以在错综复杂的生物学噪音中,剥离出稳健且具有生物学意义的疾病信号。为了更清晰地揭示大脑疾病相关的转录组模式,研究者们将目光投向了亚属前扣带皮层(subgenual anterior cingulate cortex, sgACC)——一个在情感调节和精神疾病中扮演关键角色的脑区。
研究人员开展了一项整合诊断、环境暴露与基因表达的深度研究。他们获取了来自精神分裂症(SCZ, N=44)、双相情感障碍(BD, N=35)、重度抑郁症(MDD, N=51)患者及健康对照(N=55)个体的sgACC脑组织样本,进行了深度测序的批量RNA测序(RNA-seq)。为了评估已知环境暴露的相对贡献,研究还整合了17种已知化合物的毒理学数据。在分析方法上,他们不仅采用了传统的差异基因表达(Differential Gene Expression, DGE)分析,还应用了一种能够建模特征相互依赖关系的多元回归方法——组正则化典型相关分析(Group Regularized Canonical Correlation Analysis, GRCCA),旨在通过多变量整合来提炼复杂的转录组信号。此外,通过基因集富集分析,评估了神经精神疾病风险基因、基因本体(Gene Ontology)通路和细胞类型标记物的富集情况。
该研究发表于《Translational Psychiatry》期刊,其核心结论是:GRCCA分析鉴定出一个与精神分裂症显著相关的潜在变量(pperm=0.001)。这个特定的表达模式呈现出神经元通路上调、免疫过程下调的特征,并且富集了与全基因组关联研究(Genome-Wide Association Studies, GWAS)所识别出的精神分裂症风险位点内的基因。虽然传统的DGE分析结果与GRCCA结果存在相关性(r=0.43; pperm=1.0×10?4),并且在相似的功能通路上有富集,但GRCCA方法显示出与GWAS所提示的精神分裂症风险基因有更强的关联性。这些发现共同定义了sgACC脑区中一个与精神分裂症相关的表达梯度,并阐释了多元整合方法如何在复杂精神疾病的背景下优化转录组信号,为理解疾病机制和寻找治疗靶点提供了更精确的路线图。
本研究主要运用了以下几个关键技术方法:首先,收集并构建了包含精神分裂症、双相情感障碍、重度抑郁症患者及对照共185例个体的sgACC脑组织样本队列,进行了高通量的批量RNA测序以获取转录组数据。其次,整合了涵盖17种已知化合物的毒理学暴露数据作为环境协变量。在数据分析层面,核心是应用了组正则化典型相关分析这一多变量回归方法,以建模基因表达特征之间的相互依赖关系。同时,使用传统的差异基因表达分析作为对比基准。最后,通过系统的基因集富集分析,评估了与疾病风险基因、生物学通路和特定细胞类型相关的基因集的富集程度。
GRCCA identifies a latent variable associated with schizophrenia.
(GRCCA鉴定出一个与精神分裂症相关的潜在变量。)
通过应用GRCCA对转录组和毒理学数据进行多变量分析,研究者发现了一个与精神分裂症诊断显著相关的潜在变量(即表达梯度)。该变量能够解释数据中与疾病状态相关的变异,其统计显著性通过了严格的排列检验(pperm=0.001)。这一发现表明,存在一个由多基因协同变化构成的、与精神分裂症密切相关的整体转录组程序。
The schizophrenia-associated expression gradient reflects upregulation of neuronal and downregulation of immune gene programs.
(与精神分裂症相关的表达梯度反映了神经元基因程序的上调和免疫基因程序的下调。)
对GRCCA所识别出的关键潜在变量所负载的基因进行功能解读,发现其特征是神经元相关通路(如突触组装、神经元投射发育)的基因表达上调,而免疫与炎症反应通路(如T细胞活化、白细胞介素产生)的基因表达下调。这揭示了精神分裂症在sgACC脑区可能同时涉及神经元功能异常和免疫状态改变的生物学过程。
The GRCCA-derived expression gradient is enriched for schizophrenia GWAS risk genes.
(GRCCA衍生的表达梯度富集了精神分裂症GWAS风险基因。)
基因集富集分析显示,构成上述表达梯度的基因显著富集于已知的、由大规模全基因组关联研究所识别出的精神分裂症风险基因。这表明GRCCA方法捕获的转录组变化模式,与从遗传学角度发现的精神分裂症风险因素在生物学上具有高度一致性,验证了该表达模式的疾病相关性。
Comparison with DGE reveals method-specific insights.
(与DGE的比较揭示了方法特异性的见解。)
作为对比,传统的差异基因表达分析也识别出了一些在病例与对照间表达差异的基因,且其功能富集结果与GRCCA结果有部分重叠(如免疫过程下调)。两者结果存在中度相关(r=0.43)。然而,GRCCA在富集GWAS风险基因方面表现更强,提示这种多变量整合方法能更有效地提炼出与疾病遗传架构相符的转录组信号,而DGE可能更侧重于捕捉表达差异最显著的个体基因。
Differential gene expression analysis identifies case-control changes.
(差异基因表达分析识别出病例-对照间的变化。)
传统的DGE分析为每种精神疾病(SCZ, BD, MDD)分别识别出了一组相对于对照的差异表达基因。这些基因也显示出在免疫、突触功能等通路上的富集,为各疾病的分子病理提供了补充信息,并与现有文献部分吻合。
Gene set enrichment analyses support biological interpretability.
(基因集富集分析支持生物学可解释性。)
进一步的富集分析表明,不仅GRCCA变量,DGE结果也富集于特定的基因本体通路和细胞类型标记物。例如,小胶质细胞(中枢神经系统的免疫细胞)标记物在精神分裂症DGE下调基因中富集,这从另一个角度支持了免疫系统在疾病中可能受到抑制的发现。
本研究通过整合多维度数据和应用先进的多变量分析方法,在sgACC脑区成功定义了一个与精神分裂症显著相关的转录组表达梯度。该梯度特征性地表现为神经元相关基因程序的上调和免疫/炎症相关基因程序的下调,并且与大规模遗传学研究(GWAS)所发现的精神分裂症风险基因高度关联。这些发现具有多重重要意义。首先,它们在系统水平上将特定的转录组变化模式与精神分裂症诊断直接联系起来,为理解该疾病的分子基础提供了更清晰的框架。其次,研究揭示了神经元与免疫系统功能失调可能在精神分裂症的sgACC病理生理中共同起作用,这为开发同时针对这两个系统的干预策略提供了理论依据。最后,方法论上,研究证明了GRCCA这类多变量整合技术在处理复杂精神疾病转录组数据时的优势——它能够超越传统的单变量DGE分析,捕获基因间的协同变化,并提炼出与疾病遗传风险更吻合的生物学信号,从而增强了研究结果的稳健性和可解释性。这项工作不仅深化了对精神分裂症特定脑区分子病理的认识,也为未来利用多组学数据整合策略解析其他复杂疾病树立了范例。