《PLOS Computational Biology》:Shared pathogenic genes and therapeutic targets in periodontitis and systemic juvenile idiopathic arthritis: An integrative bioinformatics and machine learning study
编辑推荐:
摘要专业翻译
牙周炎(Periodontitis, PD)与全身型幼年特发性关节炎(systemic juvenile idiopathic arthritis, sJIA)均为慢性炎症性疾病,二者存在潜在的临床关联,但其共享分子机制尚不明确——JIA患者面临
摘要专业翻译
牙周炎(Periodontitis, PD)与全身型幼年特发性关节炎(systemic juvenile idiopathic arthritis, sJIA)均为慢性炎症性疾病,二者存在潜在的临床关联,但其共享分子机制尚不明确——JIA患者面临更高的牙周风险,JIA累及的颞下颌关节与PD共享炎症通路,Th17细胞驱动两种疾病,且糖皮质激素治疗可能加剧牙周易感性。本研究旨在利用GEO数据库中的基因表达数据,通过综合生物信息学分析探索PD与sJIA的共享机制及潜在治疗靶点,分析内容包括差异表达基因分析、加权基因共表达网络分析(weighted gene co-expression network analysis, WGCNA)、功能富集分析、蛋白质-蛋白质相互作用网络构建,以及涵盖175种预测模型的机器学习分析,其中Ridge+AdaBoost集成模型被确定为性能最佳的组合;随后采用SHapley Additive exPlanations(SHAP)进行模型可解释性分析,利用CIBERSORT评估免疫浸润,并通过分子对接及100-ns分子动力学模拟验证治疗靶点。研究人员共鉴定出PD与sJIA之间37个共享候选基因,这些基因显著富集于IL-17、NF-κB、类风湿关节炎及脂质动脉粥样硬化通路;机器学习进一步筛选出6个核心诊断基因(FAM46C、CXCL1、SELP、LGALSL、ELOVL4、VCAN),其中SELP展现出最稳健的跨模型、跨数据集诊断价值(AUC>0.8);SHAP分析确认SELP在所有模型中均为稳定的风险驱动预测因子,而CXCL1则一致呈现保护效应。免疫浸润分析揭示两种疾病共享中性粒细胞升高及CD8+ T细胞减少的特征,CXCL1与SELP与中性粒细胞及静息肥大细胞的相关性保持一致,FAM46C与浆细胞呈正相关。药物-靶点网络分析确定IL1B、MMP1和ITGAM为核心靶点,分子对接获得脱氧胆酸-MMP1(?7.6 kcal/mol)、山奈酚-IL1B(?7.2 kcal/mol)、山奈酚-ITGAM(?6.9 kcal/mol)的强结合亲和力,MD模拟进一步确认了稳定且特异的结合。综上,本研究探索了PD与sJIA之间共享的遗传及免疫学特征,提示SELP可能作为关键的跨疾病诊断生物标志物,并为两种疾病的发病机制及潜在治疗靶点提供了新见解,有待进一步的实验验证。
论文解读
一、研究背景与意义
牙周炎(periodontitis, PD)是一种全球高发的慢性感染性口腔炎症性疾病,患病率约为11%,其临床特征为细菌感染导致的牙龈、牙周组织、牙槽骨及牙本质的进行性破坏,本质上是口腔细菌与宿主免疫系统相互作用所引发的炎症与免疫应答。全身型幼年特发性关节炎(systemic juvenile idiopathic arthritis, sJIA)是幼年特发性关节炎(juvenile idiopathic arthritis, JIA)中较为罕见的一种亚型,约占JIA病例的10%–20%,以发热、皮疹及全身性炎症为特征。两种疾病之间存在潜在的临床关联:JIA患者发生严重牙龈疾病和牙周疾病的风险更高;JIA常累及颞下颌关节(temporomandibular joint, TMJ),其炎症过程与PD具有相似性;Th17细胞在多种自身免疫疾病及PD发病中均发挥关键作用;此外,sJIA的治疗药物如糖皮质激素长期使用可导致牙龈增生并扰乱口腔菌群平衡,使牙周病风险增加20%–30%。然而,迄今关于PD与sJIA共享分子机制的证据仍不充分,二者之间的共同致病基因、免疫特征及潜在治疗靶点尚不清楚。本研究正是基于这一科学问题,利用GEO数据库中的基因表达数据,通过整合生物信息学与机器学习方法系统探索PD与sJIA的共享遗传基础,以期揭示两种疾病的内在联系并为临床诊断与治疗提供新思路。
二、研究内容与主要结论
研究人员从GEO数据库获取PD与sJIA的基因表达数据。PD方面,GSE16134作为训练集(含310例牙龈组织样本,241例患病、69例非患病,来自120例患者),GSE10334作为验证集(90例患者,183例患病、64例健康组织样本);sJIA方面,GSE80060(33例患者、22例正常对照)与GSE7753(17例患者、30例正常对照)合并作为训练集,GSE8650(27例患者、9例正常对照)作为验证集。通过差异表达基因(differentially expressed genes, DEGs)分析、加权基因共表达网络分析(WGCNA)、功能富集分析、蛋白质-蛋白质相互作用(protein-protein interaction, PPI)网络构建、175种机器学习模型构建与筛选、SHAP可解释性分析、CIBERSORT免疫浸润评估、药物-靶点网络分析、分子对接及100-ns分子动力学(molecular dynamics, MD)模拟等一系列方法,系统揭示了两种疾病的共享致病基因、免疫特征及潜在治疗靶点。
三、关键技术方法
本研究采用的主要技术方法包括:差异表达基因分析(利用limma R包,筛选标准为校正后p值<0.05且|logFC|>0.585);加权基因共表达网络分析(WGCNA,用于识别与疾病性状显著相关的基因模块);共识WGCNA验证(Consensus TOM=min(TOM_PD, TOM_sJIA),通过置换检验评估候选基因的保守连接性);功能富集分析(GO与KEGG通路分析);PPI网络构建与hub基因筛选(STRING数据库与Cytoscape软件的cytoHubba MCC算法);机器学习建模(整合15种经典机器学习算法构建175种预测模型,经五折交叉验证优化超参数,采用堆叠集成学习策略筛选核心基因);SHAP算法进行模型可解释性分析;CIBERSORT算法(基于LM22基因集)评估免疫细胞浸润;药物-靶点网络分析(整合CTD与TCMSP数据库);分子对接(AutoDock Vina)与100-ns分子动力学模拟(GROMACS 2022.3,AMBER14SB力场与TIP3P水模型)。
四、研究结果
4.1 PD与sJIA差异表达基因的鉴定
通过合并GSE80060和GSE7753数据集并标准化基因表达矩阵,PCA分析确认批次效应得到有效校正。差异表达分析在PD中鉴定出734个DEGs(491个上调、243个下调),在sJIA中鉴定出1231个DEGs(685个上调、546个下调),火山图与热图展示了显著差异基因的表达模式。
4.2 PD与sJIA的加权基因共表达网络分析
经系统敏感性分析确定最佳基因筛选标准(SD>0.5),PD与sJIA的最优软阈值功率分别为6和12。PD数据集获得6个有效共表达模块,其中turquoise模块与PD性状相关性最强(r=0.67);sJIA数据集获得9个有效模块,其中pink、green和brown模块与sJIA性状呈最高正相关(r>0.6)。基因显著性(GS)与模块成员度(MM)呈强正相关,确认了模块内基因与疾病性状的紧密关联。
4.3 PD与sJIA共享基因的功能富集分析
通过将两种疾病的DEGs与WGCNA模块高连接基因取交集,鉴定出37个共享候选基因,共识WGCNA验证(置换检验,n=1000,p=0.008)确认这些基因具有显著升高的保守连接性。GO与KEGG富集分析显示这些基因显著富集于IL-17信号通路、类风湿关节炎、NF-κB信号通路及脂质与动脉粥样硬化通路。PPI网络分析结合cytoHubba MCC算法筛选出前10个hub基因。
4.4 基于机器学习的核心诊断基因筛选与验证
通过构建175种预测模型,Ridge+AdaBoost集成模型在训练与验证阶段均表现出最优性能,筛选出6个核心诊断基因(FAM46C、CXCL1、SELP、LGALSL、ELOVL4、VCAN)。ROC曲线分析确认这些基因在训练集(AUC>0.8)及PD验证集(AUC>0.75)中具有良好的诊断性能;在sJIA验证集中,仅FAM46C、CXCL1和SELP表现良好。表达分析显示CXCL1、FAM46C、SELP和VCAN在两种疾病中一致显著升高,ELOVL4一致显著降低。
4.5 模型性能与SHAP特征解释
五折重复交叉验证确认Ridge与AdaBoost模型在PD和sJIA数据集上均具有强判别能力。SHAP分析显示SELP在全部四种模型-数据集组合中均排名第一,是唯一在所有模型中保持稳定风险驱动方向的基因;CXCL1在所有组合中一致呈现保护效应(高表达与负SHAP值相关);FAM46C、ELOVL4、VCAN和LGALSL则呈现模型依赖的混合方向。瀑布图揭示全局排名最高的基因并非每个个体患者的主要驱动因素。
4.6 免疫细胞浸润及其与核心基因的关联
CIBERSORT分析显示,PD牙龈组织和sJIA外周血中均存在显著的中性粒细胞升高和CD8+ T细胞减少。相关性分析揭示CXCL1和SELP在两种数据集中均与中性粒细胞呈正相关、与静息肥大细胞呈负相关;FAM46C与浆细胞呈正相关;ELOVL4在两种疾病中均与M2巨噬细胞正相关;LGALSL在两种组织中对中性粒细胞呈现相反的关联方向;VCAN仅在sJIA中与中性粒细胞显著正相关。
4.7 基于hub基因的候选药物鉴定与分子对接分析
药物-靶点网络分析确定IL1B、MMP1和ITGAM为核心靶点。分子对接获得以下结合亲和力:黄芩素-IL1B(?6.6 kcal/mol)、脱氧胆酸-MMP1(?7.6 kcal/mol)、山奈酚-ITGAM(?6.9 kcal/mol)、山奈酚-IL1B(?7.2 kcal/mol)、花旗松素-MMP1(?8.2 kcal/mol)。其中脱氧胆酸-MMP1、山奈酚-IL1B和花旗松素-MMP1均低于?7.0 kcal/mol的显著性阈值,表明具有强预测结合亲和力。
4.8 分子动力学模拟与结合稳定性评估
对山奈酚-IL1B、山奈酚-ITGAM和脱氧胆酸-MMP1三个复合物进行100-ns MD模拟。RMSD分析显示三个复合物均达到平衡且无上升漂移;回转半径(Rg)分析确认配体结合未诱导蛋白质去折叠或显著膨胀;RMSF分析显示结合口袋残基波动一致较低,确认结合位点刚性且特异;氢键分析显示极性相互作用保持动态稳定;基于主成分的自由能景观分析显示三个复合物均呈现单一、狭窄、深层的能量盆地,确认系统在单一热力学有利构象状态下波动,验证了结合模式的稳定性与选择性。
五、讨论与结论
讨论部分指出,本研究通过整合生物信息学与机器学习方法,系统揭示了PD与sJIA之间共享的遗传与免疫学特征。SELP被确认为最稳健的跨模型、跨数据集风险预测因子,CXCL1一致呈现保护效应,二者可能共同参与两种疾病共享的炎症-血管病理过程。免疫浸润分析揭示了以中性粒细胞-肥大细胞-浆细胞环路为核心的共享炎症骨架,以及组织特异性的调控模块。分子对接与MD模拟为山奈酚、脱氧胆酸等天然化合物作为潜在治疗候选提供了计算层面的支持。研究结论为:SELP可能作为关键的跨疾病诊断生物标志物,CXCL1作为保护因子,二者可能通过共享的炎症-血管通路将PD与sJIA联系起来。然而,所有发现均为纯计算预测,来源于跨组织数据(牙龈vs.外周血),缺乏实验验证,不构成治疗主张;研究结果属于探索性和假设生成性质,需要在匹配的组织队列和功能研究中进一步验证。