网络中心性重排视角下疾病驱动基因挖掘:DiCE-Ex服务器与差异中心性集成分析

《Nucleic Acids Research》:DiCE-Ex: a web server for network-based differential-centrality gene exploration

【字体: 大 中 小 】 时间:2026年09月29日 来源:Nucleic Acids Research 15.0

编辑推荐:

  从转录组数据中识别条件特异性(condition-specific)疾病驱动基因,需要能够同时捕捉差异表达(differential expression, DE)与网络结构动态变化的分析框架。现有方法常将基因视为独立特征,或主要依赖共表达相似性与枢纽(hub

  
从转录组数据中识别条件特异性(condition-specific)疾病驱动基因,需要能够同时捕捉差异表达(differential expression, DE)与网络结构动态变化的分析框架。现有方法常将基因视为独立特征,或主要依赖共表达相似性与枢纽(hub)识别,可能遗漏在蛋白质-蛋白质相互作用(protein-protein interaction, PPI)网络中驱动网络重连(network rewiring)的情境依赖性调控因子。为此,研究人员提出名为 DiCE-Ex(Differential Centrality-Ensemble Exploration)的网络服务器,用于优先排序那些在网络角色与拓扑影响力上跨条件发生重排的基因,即便其表达变化并不大。DiCE-Ex 将基因表达数据与 PPI 网络整合,构建条件特异性加权互作网络,并基于用户选择的多种网络中心性测度系统评估中心性偏移。通过关注网络中心性变化而非仅关注表达量大小,DiCE-Ex 可识别作为条件依赖性信号与调控重组关键中介的基因。案例研究表明,DiCE-Ex 能成功回收已知疾病调节因子,同时发现被常规差异表达分析忽视的关键非枢纽调控因子,从而为机制验证与治疗开发提供强候选。DiCE-Ex 提供示例数据、文档、教程与可共享任务永久链接。
研究背景方面,高通量转录组学虽可常规刻画疾病与对照队列,但常规基因水平差异表达(differential expression, DE)分析只关注基因平均表达大幅偏移,忽略基因间依赖关系与网络语境,难以捕获疾病状态下虽自身表达变化小却成为关键通路或调控枢纽的情境依赖性网络重连基因。加权基因共表达网络分析(weighted gene co-expression network analysis, WGCNA)等共表达方法主要描述静态模块或模块水平组织,DiffCoEx、CoXpress、DGCA、DINA 等方法也多捕获共表达结构或边水平变化;单一中心性如度中心性(degree centrality)只能片面反映网络重要性。因此,研究人员开展 DiCE-Ex 研究,将已发表的 DiCE(Differential Centrality-Ensemble)框架做成无编程门槛的网页平台,用《Nucleic Acids Research》论文形式发布,目的是让研究者通过上传表达矩阵、元数据与预计算 DE 结果,借助 PPI 先验与多中心性集成,优先获得跨条件网络影响力改变的疾病候选调控基因。
主要关键技术方法上,研究人员使用神经内分泌前列腺癌(neuroendocrine prostate cancer, NEPC)数据集 PRAD_SU2C_2019(来自 cBioPortal,22 例 NEPC 与 210 例 non-NEPC),以及射血分数降低型心力衰竭(heart failure with reduced ejection fraction, HFrEF)独立队列;先以 Limma 或 edgeR 做 DE 并上传结果,再经 Phase I 宽松 DE 过滤、Phase II 信息增益(information gain, IG)或加权信息增益(weighted IG, WIG)特征选择、Phase III 基于 STRINGdb 或 BioGRID 的 PPI 先验并用条件内 Pearson/Spearman 相关给边赋权、Phase IV 多中心性计算与 ProductOfRank 集成排名、Phase V 规则筛选 DiCE 基因并做 Louvain/Leiden 模块检测与跨条件 Jaccard 比较。
研究结果部分,研究人员在 NEPC 案例中先以 P<0.05 得 6498 个 Phase I 候选基因,因类别不平衡采用 WIG 保留 2775 个基因,构建条件特异性 PPI 网络后计算中心性;由于多个中心性强相关,选 betweenness 与 eigenvector 作代表。鲁棒性分析显示不同 Phase I P 值、WIG 截断、STRING 置信度、Pearson/Spearman 与相关聚合方法下,DiCE 排名高度一致。研究人员取前 230 个 DiCE 基因做 Louvain 模块分析,得到 M1–M4;M4 含 AR、KLK3、CHGA、SYP、ENO2、NCAM1、ASCL1、EZH2、SOX2 等经典 NEPC 标志与驱动基因。功能富集显示 M1 关 DNA 损伤应答与染色质重塑,M2 关突触功能与翻译重组,M3 关细胞周期与有丝分裂激酶,M4 关 NEPC 身份、ERBB/PI3K-AKT/JAK-STAT 等通路及小细胞肺癌(small cell lung cancer, SCLC)样特征。与 874 个 DEG(FDR<0.05, |log2FC|>1)和 283 个 WGCNA hub 比较,230 个 DiCE 基因中 111 个未被传统方法发现,包括 BCL2、EGFR、YAP1;文献整理的 NEPC 标志集中 43 个至少两研究重复者里 16 个被 DiCE 命中且 15 个落 M4,而 WGCNA hub 偏 M3 且漏掉 M4 经典标志,DEG 仅富 M4,M1/M2 未被 DEG 或 WGCNA 覆盖。
在 HFrEF 案例中,研究人员以 edgeR 得 1630 个 DEG,DiCE 取前 800 基因,其中 253 个上调与 409 个下调为 DEG 未捕获;上调者富 HIPPO、NOD-like、NF-κB、脂代谢/动脉粥样硬化、IL-17、T 细胞受体、凋亡、FOXO 等,下调者富心肌收缩、氧化磷酸化、脂肪酸降解、PI3K-AKT、AMPK、MAPK 等。Leiden 在正常样本分 NM1–NM6、HFrEF 分 DM1–DM6;NM5 在 HFrEF 拆为 DM3(免疫信号+蛋白稳态:干扰素、细胞因子、泛素-蛋白酶体、自噬)与 DM6(心肌结构重塑:肌节、细胞连接、ECM、MAPK/钙信号),NM3 与 NM4 在 HFrEF 合并为 DM4(FAO 与 OXPHOS 统一能量轴,多数基因下调)。由此研究人员提出三层 HFrEF 系统模型:代谢 dysfunction 层 DM4、结构 remodeling 层 DM6、免疫-蛋白稳态层 DM3,说明心衰中模块独立性丧失与系统级重连。
讨论部分,研究人员指出 DiCE-Ex 补足 DE 与 WGCNA 不足:DE 抓大表达偏移但无网络语境,WGCNA 抓静态模块与模块特征基因相关 hub 但不量化单基因角色偏移,DiCE 关注跨条件中心性重排,可发现表达变化小但网络重要性上升的非枢纽调控因子。限制包括 PPI 先验不完整、相关赋权非因果、初始 DE/IG 过滤塑造搜索空间、小样本或不平衡队列中相关估计方差大、加权模块易过度解读、高差异中心性基因可能是标记物而非驱动物,因此 DiCE 用于产生系统级假设而非最终机制结论,仍需扰动实验验证。
研究结论部分译为:DiCE-Ex 将转录组分析从表达量大小拓展到网络水平解读,使常规方法忽视的条件特异性调控因子可被识别。在癌症(NEPC)与非癌(HFrEF)场景中,DiCE 都揭示由网络重连驱动的连贯系统级组织。通过提供用户友好且可重复的网页服务器,DiCE-Ex 为生成有生物学意义的假设、优先排序实验验证与治疗探索候选物提供了实用框架。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号