Auffinden von genregulatorischen Netzwerken bei Psoriasis: Anwendung eines baumbasierten maschinellen Lernansatzes


doi: 10.3389/fimmu.2022.921408.

eCollection 2022.

Zugehörigkeiten

Element in der Zwischenablage

Jingwen Deng et al.

Vorderseite Immunol.


.

Abstrakt

Psoriasis ist eine chronisch entzündliche Hauterkrankung. Obwohl es ausgiebig untersucht wurde, bleiben die molekularen Mechanismen, die die Krankheit antreiben, unklar. In dieser Studie haben wir einen baumbasierten maschinellen Lernansatz verwendet, um die genregulatorischen Netzwerke zu untersuchen, die der Psoriasis zugrunde liegen. Anschließend haben wir die Regulierungsbehörden und ihre Netzwerke in einer unabhängigen Kohorte validiert. Wir haben einige Schlüsselregulatoren der Psoriasis identifiziert, die Kandidaten sind, die als potenzielle Arzneimittelziele und Biomarker für die Schwere der Erkrankung dienen könnten. Gemäß dem von uns identifizierten genregulatorischen Netzwerk schlagen wir vor, dass die Interferon-Signalübertragung einen Schlüsselweg der Psoriasis-Entzündung darstellt.

Schlüsselwörter:

genregulatorisches Netzwerk; maschinelles Lernen; Schuppenflechte; Regler; Transkriptom.

Copyright © 2022 Deng, Schieler, Borghans, Lu und Pandit.

Erklärung zu Interessenkonflikten

Die Autoren erklären, dass die Forschung ohne kommerzielle oder finanzielle Beziehungen durchgeführt wurde, die als potenzieller Interessenkonflikt ausgelegt werden könnten.

Zahlen


Abbildung 1


Abbildung 1

Studiendesigns.


Figur 2


Figur 2

DEGs für Psoriasis und AD- und GO-Anreicherungsanalyse gemeinsam genutzter und krankheitsspezifischer DEGs. (EIN) Venn-Diagramm, das die Überschneidungen in DEGs zwischen läsionaler und nicht läsionaler Haut in verschiedenen öffentlichen Datensätzen für Psoriasis (lila) und AD (grün) visualisiert. (B) Beteiligte GO-Signalwege basierend auf den Genlisten von Psoriasis-spezifischen DEGs, AD-spezifischen DEGs und DEGs, die Psoriasis und AD gemeinsam haben. Die Punktgröße gibt die Anzahl der DEGs an, die an dem Begriff beteiligt sind, während die Farbe die angepasste anzeigt P Wert des hypergeometrischen Tests zur Genanreicherung.


Figur 3


Figur 3

Ermittlung von Regulierungsbehörden in öffentlich zugänglichen Datensätzen. (EIN) Die Ränge (oberes Bild) und der log2-fache Wechsel (zwischen läsionaler und nicht läsionaler Haut) (unteres Bild) der Top-30-Regulatoren in den Psoriasis-Datensätzen. (B) Die Ränge (oberes Bild) und der log2-fache Wechsel (zwischen läsionaler und nicht läsionaler Haut) (unteres Bild) der Top-30-Regulatoren in den AD-Datensätzen. (C) Venn-Diagramm für die überlappenden und krankheitsspezifischen Regulatoren bei Psoriasis und AD. Regulatoren in Rot bezeichnen heraufregulierte Gene und solche in Blau bezeichnen herunterregulierte Regulatoren.


Figur 4


Figur 4

Validierung der identifizierten Regulatoren. (EIN) Volcano-Plot von DEGs in Psoriasis-Läsionen im Vergleich zu nicht-Läsionen. Die Top 30 Regulierungsbehörden sind mit ihren Namen gekennzeichnet. Die roten Punkte sind die Gene mit einer Falschentdeckungsrate (FDR) kleiner als 0,05 und einem log2FoldChange größer als 0. Die blauen Punkte sind die Gene mit entweder einer FDR kleiner als 0,05 oder einem log2FoldChange kleiner als 0. (B) Heatmap der Korrelation zwischen den 30 wichtigsten Regulatoren und Genmarkern oder Maßen für die Schwere der Erkrankung. Farbe bezeichnet r Wert der Korrelation. Die Gennamen mit Lila gelten als einzigartige DEGs der Psoriasis, mit Schwarz werden Gene mit AD geteilt. * Angepasst P < 0,05.


Abbildung 5


Abbildung 5

Visualisierung des genregulatorischen Netzwerks und des Koexpressionsmusters. (EIN) Visualisierung des genregulatorischen Netzwerks bei Psoriasis. Die Kantenbreite repräsentiert das Gewicht jeder Verbindung. (B) Lokaler PSI-Score und Heatmaps des Koexpressionsmusters der wichtigsten Regulatoren (erste Reihe jedes Heatmap-Panels) und ihrer Zielgene über alle Proben in der Validierungskohorte hinweg.

Verweise

    1. Parisi R, Symmons DPM, Griffiths CEM, Ashcroft DM und das IMPACT-Projektteam (Identification and Management of Psoriasis and Associated ComorbidiTy) . Globale Epidemiologie der Psoriasis: Eine systematische Überprüfung von Häufigkeit und Prävalenz. J Invest Dermatol (2013) 133(2):377–85. doi: 10.1038/jid.2012.339 –

      DOI

      –

      PubMed

    1. Albanesi C, Madonna S, Gisondi P, Girolomoni G. Das Zusammenspiel zwischen Keratinozyten und Immunzellen bei der Pathogenese der Psoriasis. Front Immunol (2018) 9:1549. doi: 10.3389/fimmu.2018.01549 –

      DOI

      –

      PMC

      –

      PubMed

    1. C. Fotiadou, E. Lazaridou, E. Sotiriou, S. Gerou, A. Kyrgidis, E. Vakirlis et al. . IL-17a, IL-22 und IL-23 als Marker der Psoriasis-Aktivität: Eine krankenhausbasierte Querschnittsstudie. J Cutaneous Med Surg (2015) 19(6):555–60. doi: 10.1177/1203475415584503 –

      DOI

      –

      PubMed

    1. Ayala-Fontánez N., Soler DC, McCormick TS. Aktuelles Wissen zu Psoriasis und Autoimmunerkrankungen. Psoriasis (Auckland NZ) (2016) 6: 7–32. doi: 10.2147/PTT.S64950 –

      DOI

      –

      PMC

      –

      PubMed

    1. Zeng F, Liu H, Lu D, Liu Q, Chen H, Zheng F. Integrierte Analyse von Genexpressionsprofilen identifiziert potenziell an der Psoriasis-Pathogenese beteiligte Transkriptionsfaktoren. J. Cell Biochem (2019) 120(8):12582–94. doi: 10.1002/jcb.28525 –

      DOI

      –

      PubMed

Dies ist ein automatisch übersetzter Artikel. Er kann nur einer groben Orientierung dienen. Das Original gibt es hier: psoriasis

Schreibe einen Kommentar

Ähnliche Beiträge