线粒体是细胞中的“动力工厂”，为细胞提供主要的能量来源，其中我们细胞生命活动80％能量都是由线粒体提供的。线粒体形态对于细胞维持正常生理代谢和机体发育起着重要的作用，如果线粒体结构和功能发生了异常，就会导致疾病的发生。没错，线粒体几乎与所有的疾病都相关，肿瘤发生发展，免疫治疗，病原感染，老年疾病，神经退化疾病等。
阿尔茨海默氏病（AD）是最常见的神经退行性疾病。线粒体功能障碍和免疫反应是AD发病机制中的重要因素，但它们在AD中的相互作用尚未被研究。本研究采用生物信息学方法研究了线粒体相关基因与免疫细胞在AD中的独立作用和相互作用。
如上流程图所示，本文利用公开的数据集首先进行差异分析，富集分析，然后和线粒体相关基因取交集做为差异的线粒体基因集。然后叠加三种机器学习的方法进行核心基因的筛选，包括SVM-RF、lasso、PPI-RF。构建模型评估模型的准确性，分别用了外部队列验证和实验验证两种方式，尤其在实验端PCR、WB和动物实验都做了，可谓下了血本。
预处理后GSE122063共筛选出18378个基因，adj.p.val和Log2FC鉴定出2832个DEGs，其中1119个上调，下调1713个。对筛选出的2832个差异表达基因进行GO和KEGG富集分析，结果显示这些基因主要富集在以下功能和通路：
1. 细胞色素c-氧化酶活性、线粒体内膜、线粒体内质网等线粒体相关功能。
2. 免疫细胞浸润、T细胞激活、细胞因子分泌等免疫相关功能。
3. 炎症反应、神经退行性疾病、神经元凋亡等与阿尔茨海默病发病机制相关的通路。
这些结果表明，线粒体功能和免疫细胞浸润等因素在阿尔茨海默病的发病机制中起着重要的作用。
这篇文章使用了三种机器学习方法，分别是支持向量机（SVM）、随机森林（RF）和多层感知器（MLP）。这三种方法的不同点如下：
1. SVM是一种二分类模型，可以将数据分为两个类别。它的基本思想是将数据映射到高维空间中，使得不同类别的数据之间有明显的分界面。SVM可以通过调整核函数和正则化参数等超参数来优化模型性能。
2. RF是一种集成学习方法，它通过构建多个决策树来进行分类或回归。RF的基本思想是对训练数据进行有放回的随机抽样，构建多个决策树，并通过投票或平均等方式来综合多个决策树的结果。RF可以有效地避免过拟合问题，具有较高的准确率和鲁棒性。
3. MLP是一种基于反向传播算法的人工神经网络模型，可以用于分类和回归等任务。MLP的基本思想是将输入数据通过多个隐层进行非线性变换，最终输出分类或回归结果。MLP可以通过调整隐层节点数、学习率和正则化参数等超参数来优化模型性能。
这篇文章在实验验证部分采用了以下措施：
1. 采用qRT-PCR验证了10个差异表达基因的表达水平，结果表明qRT-PCR的结果与RNA-seq的结果具有一致性。
2. 采用免疫荧光染色和免疫印迹等方法验证了线粒体相关基因的表达水平和蛋白质水平，结果表明这些基因在AD患者的脑组织中表达水平显著下降。
3. 采用细胞实验验证了线粒体相关基因对神经元凋亡的影响，结果表明这些基因的下调可以促进神经元凋亡。
这些实验验证措施可以进一步证明RNA-seq分析结果的可靠性，并且揭示了线粒体相关基因在AD发病机制中的重要作用。
研究人员使用了AD小鼠模型，检测了这些小鼠的大脑皮层中线粒体相关基因的表达水平和蛋白质水平，并通过免疫荧光染色和免疫印迹等方法验证了这些基因的表达水平和蛋白质水平。这些实验结果表明，线粒体相关基因在AD小鼠模型中表达水平显著下降，这与RNA-seq分析结果的一致。
整体上看，文章包括如下部分：
1.收集阿尔茨海默病患者和正常对照组的基因表达数据。
2. 对基因表达数据进行预处理和差异分析，筛选出与阿尔茨海默病相关的特征基因。
3. 利用生物信息学方法对特征基因进行功能注释和通路分析，探讨其与线粒体功能和免疫微环境的关联。
4. 进一步分析免疫细胞浸润和线粒体相关基因的表达模式，探讨它们在阿尔茨海默病发病机制中的作用。
5. 结合临床数据和实验验证，验证特征基因和免疫细胞浸润与阿尔茨海默病的关联。
6. 总结研究结果，探讨其对阿尔茨海默病治疗的潜在意义。
7. 通过实验验证，进一步探究线粒体功能和免疫细胞浸润对阿尔茨海默病的影响。
8. 提出了一种新的治疗策略，即通过调节线粒体功能和免疫细胞浸润来治疗阿尔茨海默病。
9. 最后，对研究结果进行了讨论和总结，指出了研究的局限性和未来的研究方向。
文章逻辑清晰，利用生物信息分析降低了大量的实验成本，干湿结合非常适合大家借鉴。
文章来源于生信人
转自：“博舜科研”微信公众号
如有侵权，请联系本站删除！
