《Multiple Sclerosis and Related Disorders》:A candidate CD4? T-cell gene expression panel for multiple sclerosis highlights MgADP-associated genes
编辑推荐:
摘要多发性硬化症(MS)是一种以免疫细胞失调为特征的自身免疫性疾病。HLA II类基因等位基因驱动了疾病风险,从而突出了CD4+ T细胞作为MS发病的核心贡献者。尽管全基因组关联研究已鉴定出额外的非HLA遗传风险位点,但将这些变异与下游分子过程联系起来的机制仍鲜有研究。基因表
摘要
多发性硬化症(MS)是一种以免疫细胞失调为特征的自身免疫性疾病。HLA II类基因等位基因驱动了疾病风险,从而突出了CD4+ T细胞作为MS发病的核心贡献者。尽管全基因组关联研究已鉴定出额外的非HLA遗传风险位点,但将这些变异与下游分子过程联系起来的机制仍鲜有研究。基因表达谱提供了分子活动的更全面视图,通过结合现代机器学习方法,可能会发现新的细胞类型特异性生物标志物。鉴于临床孤立综合征(CIS)是MS最早期的临床表现,我们构建了一个有监督的机器学习模型,使用CIS患者和健康个体的CD4? T细胞表达数据,以识别区分MS患者和健康个体的疾病特异性基因特征。这些生物标志物在未治疗个体中被发现,因此可能为驱动疾病发展的分子通路提供机制见解。在训练集中,我们使用递归特征消除选择了模型最预测的三个基因(ELOVL1, GALK2, 和 PRKCD)。这些基因在两个独立测试集中表现出高判别性能,测试集由MS患者和健康个体的T细胞或外周免疫细胞数据组成(AU-ROC = 0.84和0.83)。值得注意的是,其中两个基因编码的蛋白质与蛋白质-化学相互作用网络中的镁-ADP(MgADP)相关。MgADP是ATP敏感性钾(KATP)通道的已知激活剂,其激活已被证明在MS的实验动物模型中具有神经保护和抗炎作用。添加两个额外的MgADP相关基因(IP6K2 和 FUCA1)产生了一个探索性五基因候选面板,在测试集中表现出改善或相当的性能(AU-ROC = 0.87和0.91)。在这些基因中,GALK2 为MgADP生产提供了生化联系,因此可能对ATP敏感性钾通道活性产生潜在下游影响。总之,我们报告了MS的三基因候选生物标志物面板,并进行了探索性五基因扩展。基于这些发现,我们假设与MgADP相关的某些基因失调可能有助于MS发病,这需要未来的功能验证。
引言
大型全基因组关联研究鉴定出与多发性硬化症(MS)疾病风险相关的200多个遗传变异。尽管这些易感基因变异存在于或靠近具有多种免疫细胞活性的基因,(国际多发性硬化症遗传学联盟,2019)但多条证据表明CD4+ T细胞在疾病启动中具有重要作用。(Boutitah-Benyaich等,2025)MS是一种复杂疾病,其风险源自基因、免疫成熟和环境触发因素之间的相互作用。基因表达谱显示了疾病的活跃分子状态,比单独遗传学更具信息量,用于生物标志物识别和理解疾病机制。
据报道,许多基因在多发性硬化症患者(pwMS)与健康个体中差异表达。(Kemppinen等,2011,Parnell等,2014,Brorson等,2020)然而,这些分析往往依赖于传统统计方法,而现代机器学习(ML)方法可以捕获更复杂的模式。2010年,Gandhi等人开发了基于机器学习的生物标志物面板,使用基因表达数据和支持向量机(SVM)算法,(Gandhi等,2010)但他们研究中的逐步特征选择现在被认为是不最佳的。(Harrell,2015)最近,Li等人提出了一个基于ML的模型,使用Lasso算法区分pwMS和健康个体,(Li等,2021)但分析是在全血样本上进行的,缺乏对特定细胞来源的详细探索。鉴于显著的细胞类型特异性基因表达,我们假设使用ML方法在特定免疫细胞亚群中识别的生物标志物可能与MS表现出更强的关联,并为发病机制提供新的见解。
在本研究中,我们使用基于SVM的框架和递归特征消除(RFE)从CD4? T细胞测量的基因表达数据中推导MS的候选生物标志物。训练队列包括未经治疗的临床孤立综合征(CIS)患者(pwCIS),这是MS最早期的临床表现(Corvol等,2008),因此识别出的生物标志物可能反映早期临床阶段的变化。在所有RFE轮次中选择的三个基因在两个独立的测试集中表现出高分类性能,测试集包括pwMS和健康个体。此外,我们的蛋白质-化学相互作用(PCI)分析表明,三个基因中的两个编码与镁-ADP(MgADP)相关的蛋白质,MgADP是ATP敏感性钾(KATP)通道的激活剂。在MS的实验动物模型中,KATP通道的药理学激活已被证明具有神经保护和抗炎作用(Virgili等,2011)。添加另外两个MgADP相关基因产生了一个探索性五基因候选面板,在测试集中表现出改善或相当的性能。基于这些发现,我们假设这种基因特征的失调可能改变MgADP动态,从而影响MS中的KATP通道活性,但这一假设机制需要功能验证。
章节摘要
训练和测试材料
本研究的整体工作流程和使用的不同数据集如图1所示。为了生物标志物发现和模型训练,使用了基因表达综合数据库(GEO)中的GSE13732作为训练集。这个训练集包括天真CD4+ T细胞的数据,包括37名未经治疗的pwCIS和28名健康个体。(Corvol等,2008)
第一个测试集(GSE43592;测试集1)包括从10名pwMS和10名健康个体的泛T细胞中收集的表达数据(Jern?s等
三基因候选生物标志物面板的识别和外部评估
为了识别MS最稳健的候选生物标志物,我们在CD4+ T细胞的训练集中重复了100次RFE特征选择过程。十个基因被选择了85次以上(图2a);其中,三个基因在每一轮RFE中被选择:ELOVL1, GALK2,和PRKCD。其他频繁选择的基因有HBA1, HBA2, ALAS1, IP6K2, FUCA1, TP53INP2,和LRRC59。两个血红蛋白基因HBA1和HBA2在这个训练集中的表达可能反映技术或
讨论
在本研究中,我们识别了一个三基因面板,在两个独立测试集中以高性能区分pwMS和健康个体。PCI网络分析表明,这些基因中的两个编码与MgADP相关的蛋白质。添加另外两个由RFE选择的MgADP相关基因改善了测试集2的性能,在测试集1中产生了相当的性能,而添加其余RFE选择的基因降低了两个测试集中的性能。这些结果产生了
结论
我们识别了天真CD4? T细胞中的三基因表达面板,在两个独立的免疫细胞数据集中区分pwMS和健康个体。这些基因中有两个通过PCI网络与MgADP相关。我们进一步识别了两个额外的RFE选择的、与MgADP相关的基因作为探索性五基因扩展的候选者。这些结果提出了一个假设,即CD4? T细胞中与MgADP相关的基因失调可能影响MgADP可用性,从而影响KATP
CRediT作者贡献声明
Haifeng Xu:写作 – 审阅和编辑,写作 – 原稿,形式分析,概念化。Mikko S. Ven?l?inen:写作 – 审阅和编辑,写作 – 原稿,监督。Tone Berge:写作 – 审阅和编辑,写作 – 原稿。Laura L. Elo:写作 – 审阅和编辑,写作 – 原稿,监督,资金获取。
致谢
我们感谢Hannu M?kinen博士和Shixiong Wang博士的宝贵讨论,这些讨论为本文献做出了贡献。
Haifeng Xu|Mikko S. Ven?l?inen|Tone Berge|Laura L. Elo
奥斯陆大学临床医学研究所精准精神医学中心,挪威奥斯陆