Artykuł badawczy

Analiza transkryptomiczna ujawnia podgrupy mitochondrialne w zmianach atopowego zapalenia skóry

DOI:

10.3791/70240

⸱

26 maja 2026

 ,  ,  ,  , 
1Department of Dermatology, General Hospital of Ningxia Medical University

W tym artykule

Podsumowanie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Atopowe zapalenie skóry (AD) to przewlekła zapalna choroba skóry o znacznej heterogeniczności molekularnej. Badanie to identyfikuje dwie transkryptomicznie odrębne podgrupy AD, napędzane różnicą ekspresji genów mitochondrialnych i infiltracją immunologiczną, oraz ujawnia cztery geny hubowe jako potencjalne biomarkery dla stratyfikacji pacjenta.

Streszczenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Atopowe zapalenie skóry (AD) to powszechna i przewlekła zapalna choroba skóry o globalnej powszechności. Jej heterogeniczność kliniczna oraz złożone mechanizmy molekularne stanowią poważne wyzwania dla rozwoju skutecznych terapii. Badanie heterogeniczności molekularnej AD na podstawie danych transkryptomicznych skóry ze zmian, charakteryzacja ich profili biologicznych i immunologicznych oraz identyfikacja kluczowych genów leżących u podstaw różnicowania. Geny różnicowo ekspresyjne zostały zidentyfikowane za pomocą DESeq2, a następnie przeprowadzono analizy szlaków i współekspresji odpowiednio za pomocą GSEA i WGCNA. Geny związane z mitochondriami zostały wyodrębnione przez przecięcie modułów DEG i WGCNA z bazą danych MitoCarta3.0, a ich funkcjonalność oceniono poprzez wzbogacenie GO i KEGG. Geny hubów zostały zidentyfikowane za pomocą analizy sieci interakcji białko-białko, które następnie posłużyły do stworzenia modelu klasyfikacji. Regulatory transkrypcyjne przewidywano za pomocą hTFtarget, natomiast infiltrację komórek odpornościowych ilościowo określano za pomocą CIBERSORT. Zidentyfikowano dwie podgrupy molekularne. Klaster 1 był wzbogacony o szlaki sygnalizacji komórkowej i adhezji, podczas gdy Klaster 2 wykazywał wzrost fosforylacji oksydacyjnej i procesów związanych z proteasomem. Łącznie 85 genów związanych z mitochondriami, głównie zaangażowanych w metabolizm energii, zostało różnie ekspresowanych pomiędzy klastrami. Analiza sieci PPI wykazała cztery geny hubów (BAD, BOLA1, CHCHD5 i ISOC2), które zostały istotnie zwykłe w klastrze 1. Klasyfikator oparty na genach hubowych wykazał silną dyskryminacyjną moc (pole pod krzywą > 0,7). Przewidywane kluczowe regulatory transkrypcyjne to ATF3, BRD2, BRD4 i CEBPA. Profilowanie immunologiczne wykazało wyższą infiltrację komórek T regulujących w klastrze 1 oraz zwiększoną liczbę komórek pomocniczych pęcherzyków w klastrze 2. Badanie to ujawnia dwa molekularnie i immunologicznie odrębne podtypy AD, charakteryzujące się różnicową funkcją mitochondriów oraz sygnaturami immunologicznych w mikrośrodowisku.

Wprowadzenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Atopowe zapalenie skóry (AD) to powszechna i przewlekła zapalna choroba skóry, która dotyka do 20% dzieci i 10% dorosłych1. Charakteryzuje się intensywnym swędzeniem i nawracającymi zmianami egzematycznymi2. Klinicznie AD wynika z dynamicznej interakcji podatności poligenowej (np. mutacji utraty funkcji u FLG), zaburzeń odporności oraz narażenia środowiskowego, takich jak niska wilgotność i dysbioza mikroorganizmów3. Chociaż AD dzieli pewne cechy patofizjologiczne z łuszczycą, ich objawy kliniczne są wzajemnie wykluczające się, z różnymi efektami genetycznymi w wspólnych szlakach i wyraźnymi zmianami immunologicznych4.

AD jest chorobą heterogeniczną, charakteryzującą się różnorodnymi profilami transkryptomowymi w różnych grupach pacjentów oraz objawami choroby5. Zintegrowane analizy tkanek skóry i komórek jednojądrowych krwi obwodowej wykazały, że cechy kliniczne, takie jak rumień i rozruch mięśnia, są powiązane z odrębnymi sygnaturami immunologicznymi, odzwierciedlając współdziałanie lokalnej skóry z ogólnoustrojową odpowiedzią immunologiczną6. Szeroko zakrojone badania transkryptomiczne dodatkowo podkreślają rolę szlaków IL-13 w patogenezie AD, podczas gdy AD wykazuje większą heterogeniczność molekularną niż łuszczyca, z różnicami w wzorcach ekspresji genów powiązanymi z nasileniem choroby, wiekiem wystąpienia choroby i tłem genetycznym 5,7. Te różnice podkreślają złożoność patogenezy AD oraz potrzebę indywidualnych podejść do badań i terapii.

Białka mitochondrialne odgrywają ważną rolę w patogenezie AD poprzez zaburzenia stresu oksydacyjnego i szlaków metabolicznych. Badania wykazały zwiększoną aktywność kompleksów mitochondrialnych I i II w nieuległych keratinocytach AD, co powoduje nadmierną utlenianie długołańcuchowych kwasów tłuszczowych oraz zwiększaną produkcję ROS, co zwiększa dysfunkcję bariery naskórnej 8,9. Równocześnie analizy proteomiczne wykrywają zmniejszone białka szlaku NRF2-antyoksydacyjnego oraz składniki mitochondrialne w naskórku AD, co zmniejsza rozwiązywanie stresu oksydacyjnego10. Uszkodzenia DNA mitochondrialnego dodatkowo przyczyniają się do reakcji zapalnych, podczas gdy interwencje takie jak stosowanie antyoksydantów ukierunkowanych na mitochondria wykazują skuteczność w przywracaniu homeostazy naskórka poprzez łagodzenie ROS11,12. Te odkrycia podkreślają białka mitochondrialne jako czynniki napędzające patologię AD oraz potencjalne cele terapeutyczne.

Najnowsze analizy transkryptomu AD znacząco pogłębiły zrozumienie jego architektury genetycznej i heterogeniczności molekularnej. Pierwsze sekwencjonowanie RNA AD wykazało zwiększoną ekspresję w szlaku TREM-1 oraz cytokinyIL-36 13. Analiza ważonej sieci współekspresji genów oparta na profilu ekspresji genów ujawniła także odrębne moduły molekularne i geny hubowe, takie jak HSPA4, LCE3E i LCE3D, które koordynują odpowiedzi zapalne i keratynizację, podkreślając potencjalne cele terapeutyczne14. Badania te podkreślają wartość wielotkankowej transkryptomiki oraz poligenicznego modelowania ryzyka w doskonaleniu przewidywania chorób i odkrywaniu złożonych podstaw choroby AD. Jednak istniejące badania koncentrowały się głównie na ogólnej transkryptomice AD, nie rozstrzygając konkretnie roli genów mitochondrialnych w definiowaniu podgrup molekularnych. Niniejsze badanie wykracza poza wcześniejsze analizy transkryptomiczne, integrując wiele zbiorów danych GEO w celu identyfikacji podgrup AD opartych na konsensusie oraz systematycznie przecięcie genów różnicowo ekspresyjnych, modułów WGCNA oraz starannie wyselekcjonowanego katalogu genów mitochondrialnych, aby wskazać geny mitochondrialne w centrum, które definiują tożsamość podgrup i mogą służyć jako nowe biomarkery.

Z hipotezą, że skóra z lezyjną chorobą AD posiada molekularnie odrębne podgrupy transkryptomiczne charakteryzujące się różnicową ekspresją mitochondrialnych genów, co może stanowić podstawę klinicznej heterogeniczności AD. Aby to przetestować, badanie to zintegrowało dane sekwencjonowania RNA z opublikowanych badań oraz zebrało dane o ekspresji genów próbek skóry zmian od 266 pacjentów z chorobą AD. Podgrupy molekularne zostały zidentyfikowane na podstawie konsensusowego skupienia ekspresji genów, a ekspresja genów porównana między tymi dwoma podgrupami molekularnymi. Geny generujące tę różnicę wykazują funkcjonalne wzbogacenie sygnalizacji komórkowej i fosforylacji oksydacyjnej. Ponadto zbadano geny mitochondrialne różniące dwie grupy molekularne, a kluczowe geny hubowe zidentyfikowano w sieci interakcji białko-białko. Te odkrycia podkreślają genetyczną heterogeniczność choroby Alzheimera i poszerzają wiedzę na temat roli białek mitochondrialnych w patologii AD.

Protokół

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Badanie to wykorzystało publicznie dostępne zbiory danych o ekspresji genów z bazy Gene Expression Omnibus (GEO). Nie uzyskano dostępu do danych identyfikowalnych przez pacjenta ani pobrano nowe próbki pacjentów. Dlatego nie było wymagane zatwierdzenie przez instytucjonalną komisję przeglądową (IRB) ani zgoda pacjenta na tę wtórną analizę publicznie dostępnych danych. Oprogramowanie i używane bazy danych są wymienione w Tabeli Materiałów.

1 Dane i zasoby

Dane transkryptomowe pacjentów z atopowym zapaleniem skóry (AD) zostały pozyskane z bazy GEO, w tym z czterech badań: GSE121212 (N = 55)5, GSE157194 (N = 57)15, GSE193309 (N = 111)16 oraz GSE277961 (N = 43)17. Wszystkie zbiory danych zawierały surowe lub wstępnie znormalizowane dane liczebne z biopsji skóry po zmianie. Surowe macierze liczenia zostały pobrane i zintegrowane w różnych badaniach. Efekty wsadowe badań międzybadań zostały skorygowane metodą ComBat-seq (pakiet sva R, v3.44.0), aby ujednolicić profile ekspresji między czterema zbiorami danych GEO przed dalszą analizą. Wszystkie cztery zbiory danych opierają się na RNA-seq wykonanym na próbkach biopsji skóry ludzkiej i zostały dopasowane do referencyjnego genomu ludzkiego GRCh38 przy użyciu specyficznych dla badań pipeline'ów. Ilościowa ekspresja na poziomie genu została przeprowadzona za pomocą anotacji genu Ensembl (v105).

2 Skupianie konsensusu

Nienadzorowane klasteryzowanie konsensualne przeprowadzono przy użyciu pakietu ConsensusClusterPlus R (v1.64.0)18 , aby stratyfikować 266 próbek skóry z uszkodzeniem od pacjentów z AD na podstawie profili transkryptomicznych. Przed klastrowaniem surowe dane liczebne ze wszystkich badań były łączone, a efekty partii badań krzyżowych korygowane za pomocą funkcji removeBatchEffect z pakietu limma. Dane ekspresji genów zostały następnie przekształcone stabilizujące wariancję (VST) za pomocą DESeq2 i przefiltrowane, aby zachować 5 000 najbardziej zmiennych genów. Klasteryzacja przeprowadzono przy użyciu hierarchicznego klasteryzmu z korelacją Pearsona i średnim powiązaniem na 1000 iteracji, podpróbkując 80% próbek na iterację. Najlepsza liczba klastrów (k waha się od 2 do 10) została wyłoniona na podstawie oceny konsensualnej skumulowanej funkcji rozkładu (CDF), wykresów powierzchni delta oraz wyników konsensusu klastrów. Powstałe klastry zostały zweryfikowane za pomocą konsensusowych map cieplnych i PCA oraz wykorzystane w dalszych analizach biologicznych i klinicznych.

3 Różnicowa analiza ekspresji genów

Poziomy ekspresji genów porównano między podgrupami molekularnymi za pomocą pakietu DESeq2 R (v1.46.0)19. Dane z surowej liczby zostały wprowadzone w celu oszacowania dyspersji genowej i dopasowania do ujemnego modelu dwumianowego. Geny różnicowo ekspresyjne (DEG) zidentyfikowano za pomocą testu Walda, a wyniki filtrowano według progu istotności w postaci skorygowanej wartości p < 0,01 oraz bezwzględnej zmienności log2 > 1.

4 Analiza wzbogacania zbiorów genów

Analiza wzbogacania zbiorów genów (GSEA) została przeprowadzona przy użyciu pakietu clusterProfiler R (v4.12.6)20. Wszystkie geny zostały uszeregowane według ich log2 zmian stopni na podstawie analizy różnicowej ekspresji, a funkcja GSEA została zastosowana z parametrami eps = 0, minGSSize = 10 i maxGSSize = 500, podczas gdy inne ustawienia pozostały domyślne. Wzbogacenie zostało przeprowadzone na zestawach genów MSigDB Hallmark. Dla każdego klastra molekularnego (Klaster 1 i Klaster 2) wybrano trzy najwyżej wzbogacone szlaki na podstawie nominalnej wartości p oraz normalizowanego wyniku wzbogacenia (NES). Wyniki były wizualizowane za pomocą pakietu GseaVis R (v0.1.0)21.

5 Analiza ważonej sieci współekspresji genów

WGCNA została przeprowadzona na profilu ekspresji genów pacjentów z AD w celu identyfikacji modułów współekspresji genów związanych z transkryptomiczną tożsamością podtypu przy użyciu pakietu R WGCNA (v1.73)22. Geny zostały przefiltrowane, aby zachować górne 75% z największą wariancją we wszystkich próbkach. Skonstruowano sieć współwyrażeń ze znakiem, wykorzystując moc miękkiego progu wybranego od 1 do 30, aby przybliżyć topologię bezskalową. Moduły genowe identyfikowano poprzez hierarchiczne klastrowanie i dynamiczne cięcie drzew. Powiązania modułów z cechami badane były poprzez korelację współekspresowanych genów własnych modułów z oznakami podtypów molekularnych, a moduły wykazujące istotną korelację (p < 0,05) z podtypem molekularnym zostały wybrane do dalszej analizy.

6 Białka mitochondrialne w podgrupach molekularnych AD

Aby zidentyfikować geny związane z mitochondriami w modułach DEGs i WGCNA, zestawy tych zestawów genów zostały nałożone na listę białek mitochondrialnych z MitoCarta3.023. Przecinające się geny uznano za potencjalne białka mitochondrialne istotne dla kontekstu choroby AD.

7 Ontologia genów i analiza wzbogacania KEGG

Identyfikacja głównych funkcji komórek i procesów biologicznych, które różnicują podgrupy molekularne. Analizy wzbogacenia GO i KEGG przeprowadzono dla genów związanych z mitochondriami przy użyciu clusterProfilera. Wzbogacenie GO przeprowadzono osobno dla kategorii Procesów Biologicznych (BP), Składników Komórkowych (CC) i Funkcji Molekularnych (MF), używając funkcji enrichGO z OrgDb = "org. Hs.eg.db", ont = "WSZYSTKIE" oraz parametry domyślne. Wzbogacenie szlaku KEGG przeprowadzono za pomocą funkcji wzbogacania KEGG z organizmem ustawionym na "has". Wzbogacone składniki o skorygowanej wartości p < 0,05 uznano za istotne.

8 Sieci interakcji białko-białko

85 DEG oraz geny mitochondrialne powiązane z modułami AD zostały przeszukane w bazie danych STRING (https://string-db.org)24 w celu uzyskania znanych i przewidywanych PPI. Analiza topologii sieci została przeprowadzona przy użyciu siedmiu miar (stopień, bliskość, pomiędzy nimi, wektor własny, PageRank, hub oraz autorytet), aby uszeregować znaczenie każdego białka dla węzła. Wybrano 30 najwyżej ocenionych genów każdego stopnia, a przecięcia wszystkich siedmiu podejść zobrazowano za pomocą wykresu UpSet. Cztery przecinające się geny z tych miar zostały wykorzystane do stworzenia modelu klasyfikacyjnego opartego na poziomie ekspresji genów. Dokładność modelu, czułość, swoistość oraz pole pod krzywą ROC (AUC) zostały obliczone w celu oceny wydajności klasyfikacji.

9 Analiza regulacji transkrypcji

Baza danych hTFtarget (http://bioinfo.life.hust.edu.cn/hTFtarget)25 została przeszukana w celu uzyskania eksperymentalnie wspieranych interakcji TF-target dla czterech przecinających się genów hubów. Powstała w ten sposób sieć regulacyjna genu TF została zbudowana i zwizualizowana za pomocą pakietów igraph26 i ggraph27 R.

10 Analiza infiltracji komórek odpornościowych RNA-seq

Algorytm CIBERSORT28 (https://cibersort.stanford.edu/) został użyty do oszacowania względnych proporcji 22 typów komórek odpornościowych w danych transkryptomowych skóry uszkodzonych zmian. Dane o znormalizowanej ekspresji genów zostały wprowadzone do CIBERSORT (v0.1.0) wraz z macierzą sygnatur LM22. Analiza została przeprowadzona z 1 000 permutacji i wyłączoną normalizacją kwantylną. Próbki o wartościach p wyjściowych CIBERSORT < 0,05 były rozpatrywane do analizy dalszej. Szacowane frakcje komórek odpornościowych porównano między podgrupami molekularnymi za pomocą testu sumy rangi Wilcoxona z korektą FDR dla wielu porównań między 22 typami komórek odpornościowych (p.adjust.method = "FDR"), a wyniki zobrazowano za pomocą wykresów pudełkowych przy użyciu pakietu ggplot229 R.

Wyniki

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Podgrupy transkrypcyjne w atopowym zapaleniu skóry

Analizowano dane RNA-seq z próbek pobranych od 266 pacjentów z chorobą Alzheimera (AD), aby zbadać heterogeniczność transkrypcyjną w przebiegu tej choroby. Po kontroli jakości i korekcie efektów seryjnych (batch effects) w wielu badaniach, nienadzorowane klastrowanie konsensualne ujawniło dwie odrębne podgrupy molekularne (Rysunek 1A). Stabilność klastrów oraz optymalną liczbę klastrów oceniono za pomocą wykresu funkcji rozkładu skumulowanego (CDF) (Rysunek 1B), wykresu delta area (Rysunek 1C) oraz mapy ciepła macierzy konsensualnej (Rysunek 1D). Wspólnie wyniki te potwierdzają istnienie dwóch stabilnych podtypów transkrypcyjnych w AD, odzwierciedlających leżącą u podłoża heterogeniczność genetyczną.

Geny o różnej ekspresji pomiędzy podgrupami AD

Wykres t-SNE sporządzony na podstawie znormalizowanej macierzy ekspresji genów dodatkowo potwierdził podgrupy transkrypcyjne zidentyfikowane za pomocą klastrowania konsensusowego. Wykres t-SNE ujawnił dwa wyraźnie oddzielone klastry, z których każdy odpowiadał jednej z wcześniej zdefiniowanych podgrup (Rysunek 2A), co potwierdza obecność odrębnych profili molekularnych u pacjentów z AD. Różnice w ekspresji między dwiema podgrupami przeanalizowano następnie przy użyciu DESeq2, przyjmując próg skorygowanego p < 0,01 oraz |log₂ fold change| > 1. Powstały wykres wulkaniczny (Rysunek 2B) wykazał obecność genów różnicowo eksponowanych (DEGs), co wskazuje na silną dywergencję transkrypcyjną. 10 genów o najwyższej nadekspresji to ABHD2, ADAR, ADCY3, ADCY9, ADD1, ADIPOR2, AFF1, AGFG1, AGRN oraz AHNAK w klastrze 1 oraz C2orf68, CTTN, GPR108, HERPUD1, LRPAP1, MAP1LC3B2, NKIRAS2, NR1H2, PDE5D oraz PMPCA w klastrze 2 (Rysunek 2C).

Zbiór genów powiązanych z podgrupą AD

Analiza wzbogacenia zestawów genów (GSEA) ujawniła odmienne profile wzbogacenia funkcjonalnego pomiędzy dwoma klastrami transkrypcyjnymi (Rycina 3A). Klaster 1 wykazywał istotne wzbogacenie w szlakach związanych z sygnalizacją komórkową i adhezją, w tym adhezję ogniskową (Rycina 3B) oraz szlak sygnalizacyjny MAPK (Rycina 3C), co sugeruje stan aktywny charakteryzujący się nasilonymi interakcjami komórka-komórka-macierz zewnątrzkomórkowa oraz proliferacją. W przeciwieństwie do niego, Klaster 2 wykazywał silne wzbogacenie w procesy fosforylacji oksydacyjnej (Rycina 3D) oraz funkcję proteasomów (Rycina 3E), co wskazuje na aktywny oksydacyjny i proteolityczny fenotyp metaboliczny.

Geny współwyrażane w grupach molekularnych AD

W celu zidentyfikowania modułów koekspresji powiązanych z podtypami transkrypcyjnymi, po wstępnym przetwarzaniu danych przeprowadzono analizę WGCNA. W pierwszej kolejności zidentyfikowano i usunięto próbki odstające na podstawie hierarchicznego grupowania odległości między próbkami, aby zapewnić stabilność późniejszej konstrukcji sieci (Ryc. 4A). Następnie, stosując kryterium topologii bezskalowej, wybrano miękki próg odcięcia (soft-thresholding power), przyjmując wartość 6 w celu uzyskania skali bezskalowej R2 > 0.85 (Ryc. 4B). Moduły genów zidentyfikowano za pomocą grupowania hierarchicznego i dynamicznego przycinania drzew, a następnie zastosowano grupowanie eigengenów w celu połączenia blisko spokrewnionych modułów (Ryc. 4C oraz Ryc. 4D). Powstałą sieć genów zwizualizowano za pomocą mapy ciepła nakładania topologicznego (topological overlap), co potwierdziło obecność wyraźnych wzorców koekspresji genów (Ryc. 4E). Analiza relacji między modułami a cechami wykazała silną i istotną korelację między modułem MEyellow (Ngene = 743) a podgrupą molekularną (Ryc. 4F).

Wzbogacenie funkcjonalne genów mitochondrialnych powiązanych z podgrupą AD

Następnie przeprowadzono analizę wzbogacenia GO i KEGG dla genów wspólnych (N = 85) zidentyfikowanych wśród DEG, genów w module MEyellow oraz listy białek mitochondrialnych z bazy MitoCarta3.0 (Rysunek 5A), aby zbadać role funkcjonalne genów związanych z mitochondriami, które napędzają różnice transkrypcyjne między klastrami. Analiza szlaków KEGG wykazała wzbogacenie w obszarach fosforylacji oksydacyjnej oraz szlaków metabolicznych (Rysunek 5B). Analiza wzbogacenia GO ujawniła znaczną nadreprezentację terminów związanych z funkcją mitochondriów, w tym syntezą ATP mitochondrialnego napędzaną siłą protonową, kompleksy łańcucha oddechowego oraz aktywność dehydrogenazy NADH (Rysunek 5C), co sugeruje, że geny te są głównie powiązane z mitochondrialnym metabolizmem energetycznym i regulacją energii.

Kluczowe geny mitochondrialne w różnicowaniu molekularnym AD

W celu zidentyfikowania kluczowych genów spośród 85 genów powiązanych z podgrupami transkryptomu mitochondrialnego skonstruowano sieć PPI (Rysunek 6A). Na podstawie rankingu każdego z siedmiu parametrów topologicznych (patrz metoda) wybrano 30 najważniejszych genów, a ich części wspólne przeanalizowano i przedstawiono na wykresie UpSet (Rysunek 6B). Analiza ta pozwoliła na wyłonienie czterech genów hubowych, które konsekwentnie identyfikowano jako węzły centralne na podstawie wszystkich kryteriów rankingowych (BAD, BOLA1, CHCHD5, ISOC2). Zbadano ich profile ekspresji w dwóch klastrach transkryptomicznych i stwierdzono, że wszystkie cztery geny hubowe były istotnie upregulowane w Klastrze 1 w porównaniu do Klastra 2 (Rysunek 6C). Analiza korelacji ekspresji genów w parach wykazała pozytywne korelacje między wszystkimi czterema genami, co wskazuje na skoordynowaną regulację, przy czym CHCHD5 i ISOC2 wykazywały najsilniejszą korelację (Rysunek 6D). Ponadto zbudowany przez nas model klasyfikacji oparty na ekspresji tych czterech genów wykazał silną zdolność dyskryminacyjną między dwoma klastrami, a krzywa ROC wykazała pole pod krzywą (AUC) > 0,7 (Rysunek 6E). Dodatkowo przeprowadzono analizę sieci regulacyjnej czynników transkrypcyjnych (TF), aby zbadać mechanizmy regulacyjne sterujące ekspresją czterech zidentyfikowanych genów hubowych. Wszystkie znane i przewidywane czynniki transkrypcyjne, które potencjalnie regulują te geny hubowe, wyszukano w bazie hTFtarget, a wyniki zintegrowano i przedstawiono jako sieć regulacji transkrypcyjnej (Rysunek 7). W sieci regulacyjnej TF-geny hubowe gen BAD posiadał największą liczbę TF, natomiast ATF3, BRD2, BRD4 oraz CEBPA wchodziły w interakcje z wszystkimi czterema genami hubowymi, co sugeruje wspólny mechanizm regulacyjny.

Porównanie infiltracji komórek odpornościowych pomiędzy podgrupami AD

W celu zbadania krajobrazu immunologicznego powiązanego z podgrupami transkrypcyjnymi przeprowadzono analizę infiltracji komórek odpornościowych za pomocą narzędzia CIBERSORT, które szacuje względne proporcje 22 typów komórek immunologicznych na podstawie danych z całego transkrypomu (Rycina 8). Wśród podzbiorów immunologicznych stwierdzono, że limfocyty T regulatorowe (Tregs) występowały w znacznie większej liczbie w Klastrze 1, co sugeruje immunosupresyjne mikrośrodowisko potencjalnie powiązane z aktywnością mitochondriów oraz szlakami sygnałowymi upregulowanymi w tej grupie. Z kolei limfocyty T pomocnicze pęcherzykowe były znacznie wzbogacone w Klastrze 2, co wskazuje na potencjalnie bardziej aktywną adaptacyjną odpowiedź immunologiczną w tej podgrupie.

DOSTĘPNOŚĆ DANYCH:

Dane transkrypcyjne analizowane w niniejszym badaniu są publicznie dostępne w repozytorium Gene Expression Omnibus (GEO) pod numerami dostępu GSE121212, GSE157194, GSE193309 oraz GSE277961 (https://www.ncbi.nlm.nih.gov/geo/).

figure-results-1
Rysunek 1: Grupowanie konsensusowe próbek zmian w atopowym zapaleniu skóry na podstawie profilów transkrypcyjnych. (A) Mapa ciepła i hierarchiczne grupowanie macierzy konsensusowej dla próbek z atopowym zapaleniem skóry (AD). (B) Wykres funkcji rozkładu skumulowanego (CDF) konsensusu wykorzystany do wyznaczenia optymalnej liczby klastrów (k = 2–10). (C) Wykres delta area pokazujący względną zmianę pola pod krzywą CDF dla każdego k. (D) Przypisanie próbek do klastrów konsensusowych dla k = 2. Każda kolumna reprezentuje pojedynczą próbkę, a kolory wskazują przynależność do klastra (Klaster 1, czerwony; Klaster 2, morski). Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

figure-results-2
Rysunek 2: Różnicowa ekspresja genów w molekularnych podtypach atopowego zapalenia skóry. (A) Wykres t-SNE (t-distributed stochastic neighbor embedding) próbek AD. Każdy punkt reprezentuje próbkę rzutowaną na dwie wymiary i jest pokolorowany zgodnie z przypisaniem do klastra. (B) Wykres wulkaniczny (volcano plot) genów o różnej ekspresji (DEGs) pomiędzy Klastrem 1 a Klastrem 2. Każdy punkt reprezentuje gen, naniesiony w zależności od log2 fold change (oś x) oraz −log10 skorygowanej wartości p (oś y). Punkty czerwone i niebieskie wskazują geny istotnie nadmiernie ekspresowane odpowiednio w Klastrze 1 i Klastrze 2, natomiast punkty szare wskazują geny nieistotne. (C) Mapa ciepła (heatmap) 10 najwyraźniej ekspresowanych genów w Klastrze 1 i Klastrze 2. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

figure-results-3
Rycina 3: Analiza wzbogacenia zestawów genów (GSEA) w podtypach molekularnych atopowego zapalenia skóry. (A) Dwustronny wykres słupkowy przedstawiający wyniki GSEA pomiędzy Klastrem 1 a Klastrem 2, z najwyraźniej wzbogaconymi szlakami. Szlaki wzbogacone w Klastrze 1 przedstawiono po prawej stronie, a szlaki wzbogacone w Klastrze 2 po lewej stronie. (B–E) Reprezentatywne wykresy wzbogacenia dla adhezji ogniskowej, szlaku sygnałowego MAPK, fosforylacji oksydacyjnej oraz szlaków proteasomów. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

figure-results-4
Rysunek 4: Ważona analiza sieci koekspresji genów w próbkach z atopowym zapaleniem skóry. (A) Dendrogram klastrowania próbek na podstawie profili ekspresji genów. (B) Wskaźnik dopasowania topologii bezskalowej oraz średnia łączność w zależności od potęg miękkiego progowania (1–30). (C) Klastrowanie i mapa ciepła eigengenów modułów, gdzie kolory wskazują korelacje parzyste. (D) Dendrogram hierarchicznego klastrowania przedstawiający geny pogrupowane w moduły koekspresji. (E) Mapa ciepła macierzy nakładania topologicznego (TOM), reprezentująca podobieństwo koekspresji między parami genów. (F) Mapa ciepła relacji moduł–cecha, pokazująca korelacje między eigengenami modułów a cechami klinicznymi. Współczynniki korelacji są wyświetlone w każdej komórce, a intensywność koloru wskazuje siłę i kierunek korelacji (czerwony – dodatnia; niebieski – ujemna). Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.

figure-results-5
Rysunek 5: Ontologia genów i wzbogacenie szlaków KEGG dla genów mitochondrialnych związanych z podtypem. (A) Diagram Venna pokazujący nakładanie się DEG, genów modułów związanych z podtypem oraz genów mitochondrialnych. (B) Wykres bąbelkowy przedstawiający 20 najbardziej wzbogaconych szlaków KEGG dla genów część wspólna. (C) 10 najbardziej wzbogaconych terminów Ontologii Genów (GO) dla procesów biologicznych (BP), komponentów komórkowych (CC) i funkcji molekularnych (MF). Wszystkie analizy wzbogacenia przeprowadzono, przyjmując skorygowaną wartość p < 0.05 (wskaźnik fałszywych odkryć) jako próg istotności. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

figure-results-6
Rysunek 6: Analiza oddziaływań białko-białko i identyfikacja genów węzłowych (hub genes). (A) Sieć oddziaływań białko-białko (PPI) dla 85 wspólnych genów. Węzły reprezentują białka, a krawędzie wskazują przewidywane lub eksperymentalnie potwierdzone oddziaływania z bazy danych STRING. (B) Wykres UpSet przedstawiający przecięcia wśród 30 najwyżej sklasyfikowanych genów na podstawie siedmiu miar centralności sieci. (C) Wykresy pudełkowe przedstawiające poziomy ekspresji czterech genów węzłowych w Klastrze 1 i Klastrze 2. (D) Analiza korelacji parowej między czterema genami węzłowymi. (E) Krzywa charakterystyki operacyjnej odbiornika (ROC) przedstawiająca skuteczność klasyfikacji, z czułością naniesioną na specyficzność. Pole pod krzywą (AUC) wskazuje całkowitą dokładność. Istotność statystyczną w panelu (C) oceniono za pomocą testu sum rang Wilcoxona (*p < 0,05). Kliknij tutaj, aby zobaczyć powiększoną wersję tego rysunku.

figure-results-7
Rysunek 7: Sieć regulacyjna genów węzłowych (hub genes). Czerwone okręgi reprezentują geny węzłowe, a niebieskie okręgi reprezentują powiązane czynniki transkrypcyjne (TFs). Krawędzie wskazują interakcje regulacyjne. Rozmiar każdego węzła genu węzłowego odzwierciedla liczbę oddziałujących czynników TF. Aby wyświetlić powiększoną wersję tego rysunku, kliknij tutaj.

figure-results-8
Rysunek 8: Porównanie infiltracji komórek odpornościowych pomiędzy podgrupami atopowego zapalenia skóry.Wykresy pudełkowe przedstawiające szacowane proporcje 22 typów komórek odpornościowych w każdym klastrze (Klaster 1, czerwony; Klaster 2, morski). Gwiazdki (*) oznaczają istotne statystycznie różnice między klastrami, ocenione za pomocą testu sum rang Wilcoxona z korekcją FDR (false discovery rate) dla wielokrotnych porównań. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Dyskusja

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Atopowe zapalenie skóry to powszechne i genetycznie niejednorodne zapalenie skóry, które stanowi poważne wyzwanie dla spersonalizowanych strategii leczenia. Badanie to dostarcza wglądu w molekularną heterogeniczność AD poprzez identyfikację dwóch odrębnych podgrup transkrypcyjnych w 266 próbkach skóry z urazami u pacjentów z AD. Te podgrupy wykazują różne biologiczne wzbogacenie funkcji i infiltrację komórek odpornościowych, przy czym Klaster 1 charakteryzuje się aktywnym sygnalizowaniem komórkowym i szlakami adhezji oraz wzbogaceniem regulatorowych komórek T (Treg), natomiast Klaster 2 charakteryzuje się zwiększoną fosforylacją oksydacyjną i funkcją proteasomów, a także wzrostem liczby pęcherzykowych komórek pomocniczych T. Co istotne, zidentyfikowano cztery geny związane z mitochondriami (BAD, BOLA1, CHCHD5 i ISOC2), które są podwyższone w klastrze 1. Są to geny hubowe w sieci PPI składającej się z 85 genów, które definiują oba podtypy transkryptomiczne i mogą być regulowane jednocześnie przez czynniki transkrypcyjne, w tym ATF3, BRD2, BRD4 i CEBPA.

Dwa odrębne klastry zostały zidentyfikowane na podstawie wzorca ekspresji genów, co sugeruje, że AD wykazuje istotną heterogeniczność ekspresji genów. Wcześniejsze badania wykazały, że ta heterogeniczność może być napędzana przez mechanizmy genetyczne, epigenetyczne i immunologiczne, które definiują odrębne molekularne endotypy 5,30,31. Pomiędzy tymi dwoma klastrami zaobserwowano również różne infiltracje komórek odpornościowych: klaster 1 charakteryzował się regulacyjnymi komórkami T, a klaster 2 wzbogacony o pęcherzykowe komórki pomocnicze T (Tfh), co sugeruje podstawową heterogeniczność immunologiczną i potencjalnie odmienne mechanizmy choroby w kohorcie AD. Klaster zdominowany przez Treg sugeruje środowisko immunologiczne, w którym dominują mechanizmy regulacyjne, co może odzwierciedlać próby kontroli stanu zapalnego lub kompensacyjną odpowiedź na przewlekłą aktywację immunologiczną32,33. Jednak w AD funkcja Treg może być upośledzona mimo zwiększonej wartości, co może nie skutecznie hamować stanu zapalnego. Natomiast klaster wzbogacony o Tfh wskazuje na zwiększoną pomoc komórek B, zwiększoną aktywność ośrodków zarodkowych oraz prawdopodobnie podwyższoną produkcję IgE, które są cechami charakterystycznymi reakcji alergicznych oraz cięższych lub zewnętrznych form AD34,35. Komórki Tfh są znane z wspierania różnicowania komórek B i zmiany klas przeciwciał, a ich rozszerzanie koreluje z aktywnością choroby i uczuleniem alergicznym36. Obecność tych odrębnych klastrów może odzwierciedlać różne fenotypy kliniczne, nasilenie choroby lub reakcje na terapię, podkreślając znaczenie spersonalizowanych podejść w badaniach i leczeniu AD.

Wiadomo, że dysfunkcja mitochondrialna odgrywa istotną rolę w patogenezie AD poprzez mechanizmy takie jak utrzymanie bariery naskórnej37, produkcja reaktywnego rodzajutlenu 38 oraz regulacja odpowiedzi komórek odpornościowych39. Cztery białka mitochondrialne zostały zidentyfikowane jako centralne węzły genów związanych z różnicowaniem transkryptomicznym, które mogą z dużą dokładnością przewidywać podtyp molekularny (AUC>0.7). Chociaż żadne wcześniejsze badanie nie wykazało bezpośredniego związku tych genów z AD, wyniki te sugerują, że są one potencjalnymi biomarkerami do stratyfikacji pacjentów z AD oraz oceny dysfunkcji mitochondrialnej u pacjentów z AD. BAD (agonista śmierci komórkowej związany z BCL2) jest pro-apoptotycznym członkiem rodziny BCL-2, zaangażowanym w mitochondrialne sygnalizację apoptotyczną; jego wzrost w klastrze 1 może odzwierciedlać zwiększone apoptotyczne primowanie mitochondrialne u tego podtypu. BOLA1 to białko mitochondrialne zaangażowane w biogenezę klastrów żelaza i siarki oraz regulację stresu oksydacyjnego. CHCHD5 (domena spiralna-helis-spiralna-spiralna-helis-zawierająca 5) to białko błony mitochondrialnej związane z organizacją kryszt i efektywnością łańcucha transportu elektronów. ISOC2 (domena izochoryzmataza zawierająca 2) została powiązana z procesami metabolicznymi i funkcją mitochondriów. Skoordynowana zwiększouaktywność tych czterech genów w Klastrze 1 sugeruje stan zwiększonej aktywności metabolicznej mitochondrialnej oraz sygnałów apoptotycznych w tej podgrupie AD.

To badanie ma kilka ograniczeń. Chociaż badanie to zidentyfikowało dwie podgrupy molekularne z odmienną ekspresją genów w genach mitochondrialnych i infiltracją komórek odpornościowych oddzielonych, brakuje nam szczegółowych danych fenotypowych klinicznych, które pozwoliłyby powiązać warstwowość z nasileniem choroby i podłużnymi odpowiedziami na leczenie. Aby w pełni zrozumieć, co oznacza wysoka ekspresja tych czterech genów hubowych w Klastrze 1, przyszłe badania powinny integrować kompleksowe metadane kliniczne i najlepiej przeprowadzić walidację funkcjonalną w modelach keratynocytów lub myszy. Ponadto badanie opiera się na publicznie dostępnych zbiorowych danych RNA-seq; Chociaż jest potężny w analizie na dużą skalę, brakuje mu rozdzielczości w określonych typach komórek. To ograniczenie utrudnia określenie, czy obserwowana różnica ekspresji genów mitochondrialnych pochodzi z keratynocytów, komórek odpornościowych infiltrujących lub innych populacji komórek zamieszkujących skórę. Dzięki szerokiemu zastosowaniu podejść transkryptomicznych jednokomórkowych i przestrzennych, przyszłe badania znacznie skorzystają na mocy dekonwilacjonowania sygnałów ekspresji i dostarczania dokładniejszego obrazu profilu transkryptomicznego na poziomie komórkowym. Dodatkowo, wszystkie dane pochodzą z próbek biopsji punch, które pobierają pełną grubość skóry. Przyszłe badania z wykorzystaniem taśmowego RNA-seq mogą zaoferować komplementarne, nieinwazyjne podejście do profilowania powierzchownego transkryptomu naskórka i potwierdzić zidentyfikowane sygnatury podgrup w minimalnie inwazyjnych warunkach. Przyszła integracja danych RNA-seq z pojedynczych komórek oraz transkryptomii przestrzennej jeszcze bardziej przyspieszyłaby rozdzielczość specyficznych dla typu komórek sygnatur mitochondrialnych w skórze AD.

Podsumowując, badanie to analizowało transkryptomiczną heterogeniczność AD w 266 próbkach, zidentyfikowało kluczowe geny mitochondrialne oraz unikalną infiltrację komórek odpornościowych, różnicując podgrupy. Te odkrycia poprawiają zrozumienie heterogeniczności molekularnej AD i podkreślają potencjał do opracowania precyzyjnych metod leczenia opartych na konkretnych profilach molekularnych.

Oświadczenia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy deklarują brak konfliktu interesów.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
CIBERSORTUniwersytet Stanfordav0.1.0; dekonwolucja komórek odpornościowych; https://cibersortx.stanford.edu
clusterProfilerBioconductorv4.12.6; Analiza wzbogacania GSEA i GO/KEGG; https://bioconductor.org/packages/clusterProfiler
ConsensusClusterPlusBioconductorv1.64.0; nienadzorowane skupianie konsensusu; https://bioconductor.org/packages/ConsensusClusterPlus
DESeq2Bioconductorv1.46.0; różnicową analizę ekspresji genów; https://bioconductor.org/packages/DESeq2
Omnibus ekspresji genów (GEO)NCBIPubliczne repozytorium danych transkryptomicznych; zbiory danych GSE121212, GSE157194, GSE193309, GSE277961; https://www.ncbi.nlm.nih.gov/geo
ggplot2CRANwizualizacja danych; https://ggplot2.tidyverse.org
ggraphCRANWizualizacja grafów i sieci; https://ggraph.data-imaginist.com
GseaVisGitHub (junjunlab)v0.1.0; wizualizacja GSEA; https://github.com/junjunlab/GseaVis
hTFtargetUniwersytet Nauki i Technologii Huazhongbaza docelowych czynników transkrypcji ludzkich; http://bioinfo.life.hust.edu.cn/hTFtarget
igraphCRANKonstrukcja i wizualizacja sieci; https://igraph.org
LimmaBioconductorfunkcję removeBatchEffect; https://bioconductor.org/packages/limma
MitoCarta3.0Instytut BroadKuratorowana baza danych białek mitochondrialnych; https://www.broadinstitute.org/mitocarta
MSigDB (zestawy genów Hallmark)Instytut Broadbaza danych zbiorów genów dla GSEA; https://www.gsea-msigdb.org/gsea/msigdb
org. Hs.eg.dbBioconductorbaza danych adnotacji genomu ludzkiego; https://bioconductor.org/packages/org.Hs.eg.db
RZespół R CoreŚrodowisko obliczeń statystycznych; https://www.r-project.org
STRINGEMBLv12.0; baza danych interakcji białko-białko; https://string-db.org
sva (ComBat-seq)Bioconductorv3.44.0; korekcja efektu wsadowego; https://bioconductor.org/packages/sva
WGCNACRANv1.73; analizę ważonej sieci współekspresji genów; https://cran.r-project.org/package=WGCNA

Bibliografia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Abuabara, K., Magyari, A., McCulloch, C. E., Linos, E., Margolis, D. J., et al. Prevalence of atopic eczema among patients seen in primary care: Data from the health improvement network. Ann Intern Med. 170, 354-356 (2019).
  2. Sroka-Tomaszewska, J., Trzeciak, M. Molecular mechanisms of atopic dermatitis pathogenesis. Int J Mol Sci. 22, 4130 (2021).
  3. Bieber, T. Disease modification in inflammatory skin disorders: opportunities and challenges. Nat Rev Drug Discov. 22, 662-680 (2023).
  4. Guttman-Yassky, E., Irvine, A. D., Brunner, P. M., Kim, B. S., Boguniewicz, M., et al. The role of Janus kinase signaling in the pathology of atopic dermatitis. J Allergy Clin Immunol. 152, 1394-1404 (2023).
  5. Tsoi, L. C., Rodriguez, E., Degenhardt, F., Baurecht, H., Wehkamp, U., et al. Atopic dermatitis is an IL-13-dominant disease with greater molecular heterogeneity compared to psoriasis. J Invest Dermatol. 139, 1480-1489 (2019).
  6. Sekita, A., Kawasaki, H., Fukushima-Nomura, A., Yashiro, K., Tanese, K., et al. Multifaceted analysis of cross-tissue transcriptomes reveals phenotype-endotype associations in atopic dermatitis. Nat Commun. 14, 6133 (2023).
  7. Tsoi, L. C., Rodriguez, E., Stölzl, D., Wehkamp, U., Sun, J., et al. Progression of acute-to-chronic atopic dermatitis is associated with quantitative rather than qualitative changes in cytokine responses. J Allergy Clin Immunol. 145, 1406-1415 (2020).
  8. Leman, G., Pavel, P., Hermann, M., Crumrine, D., Elias, P. M., et al. Mitochondrial activity is upregulated in nonlesional atopic dermatitis and amenable to therapeutic intervention. J Invest Dermatol. 142, 2623-2634.e12 (2022).
  9. Natarelli, N., Gahoonia, N., Aflatooni, S., Bhatia, S., Sivamani, R. K. Dermatologic manifestations of mitochondrial dysfunction: A review of the literature. Int J Mol Sci. 25, 3303 (2024).
  10. Koch, M., Kockmann, T., Rodriguez, E., Wehkamp, U., Hiebert, P., et al. Quantitative proteomics identifies reduced NRF2 activity and mitochondrial dysfunction in atopic dermatitis. J Invest Dermatol. 143, 220-231.e7 (2023).
  11. Fairley, L. H., Das, S., Dharwal, V., Amorim, N., Hegarty, K. J., et al. Mitochondria-targeted antioxidants as a therapeutic strategy for chronic obstructive pulmonary disease. Antioxidants (Basel). 12, 973 (2023).
  12. Zong, Y., Li, H., Liao, P., Chen, L., Pan, Y., et al. Mitochondrial dysfunction: mechanisms and advances in therapy. Signal Transduct Target Ther. 9, 124 (2024).
  13. Suárez-Fariñas, M., Ungar, B., Correa da Rosa, J., Ewald, D. A., Rozenblit, M., et al. RNA sequencing atopic dermatitis transcriptome profiling provides insights into novel disease mechanisms with potential therapeutic implications. J Allergy Clin Immunol. 135, 1218-1227 (2015).
  14. Wang, S., Sun, D., Liu, C., Guo, Y., Ma, J., et al. Weighted gene co-expression network analysis reveals the hub genes associated with pulmonary hypertension. Exp Biol Med (Maywood). 248, 217-231 (2023).
  15. Möbus, L., Rodriguez, E., Harder, I., Stölzl, D., Boraczynski, N., et al. Atopic dermatitis displays stable and dynamic skin transcriptome signatures. J Allergy Clin Immunol. 147, 213-223 (2021).
  16. Hu, T., Todberg, T., Ewald, D. A., Hoof, I., Correa da Rosa, J., et al. Assessment of spatial and temporal variation in the skin transcriptome of atopic dermatitis by use of 1.5 mm minipunch biopsies. J Invest Dermatol. 143, 612-620.e6 (2023).
  17. Tandon, R., Harder, I., Stölzl, D., Hübenthal, M., Sander, N., et al. Tralokinumab treatment of atopic dermatitis induces a progressive transcriptomic response. J Invest Dermatol. 145 (7), 1643-1652.e13 (2025).
  18. Wilkerson, M. D., Hayes, D. N. ConsensusClusterPlus: a class discovery tool with confidence assessments and item tracking. Bioinformatics. 26, 1572-1573 (2010).
  19. Love, M. I., Huber, W., Anders, S. Moderated estimation of fold change and dispersion for RNA-seq data with DESeq2. Genome Biol. 15, 550 (2014).
  20. Yu, G., Wang, L. G., Han, Y., He, Q. Y. clusterProfiler: an R package for comparing biological themes among gene clusters. OMICS. 16, 284-287 (2012).
  21. JunZhang, GseaVis: An implement R package to visualize GSEA results. GitHub. , (2022).
  22. Langfelder, P., Horvath, S. WGCNA: an R package for weighted correlation network analysis. BMC Bioinformatics. 9, 559 (2008).
  23. Rath, S., Sharma, R., Gupta, R., Ast, T., Chan, C., et al. MitoCarta3.0: an updated mitochondrial proteome now with sub-organelle localization and pathway annotations. Nucleic Acids Res. 49, D1541-D1547 (2021).
  24. Szklarczyk, D., Kirsch, R., Koutrouli, M., Nastou, K., Mehryary, F., et al. The STRING database in 2023: protein-protein association networks and functional enrichment analyses for any sequenced genome of interest. Nucleic Acids Res. 51, D638-D646 (2023).
  25. Zhang, Q., Liu, W., Zhang, H. M., Xie, G. Y., Miao, Y. R., et al. HTFtarget: A comprehensive database for regulations of human transcription factors and their targets. Genomics Proteomics Bioinformatics. 18, 120-128 (2020).
  26. Csardi, G., Nepusz, T. The igraph software package for complex network research. InterJournal Complex Syst. , 1695 (2006).
  27. Pedersen, T. L. . ggraph: An Implementation of Grammar of Graphics for Graphs and Networks. , (2024).
  28. Chen, B., Khodadoust, M. S., Liu, C. L., Newman, A. M., Alizadeh, A. A. Profiling tumor infiltrating immune cells with CIBERSORT. Methods Mol Biol. 1711, 243-259 (2018).
  29. Wickham, H. . ggplot2: Elegant Graphics for Data Analysis. , (2009).
  30. Nedoszytko, B., Reszka, E., Gutowska-Owsiak, D., Trzeciak, M., Lange, M., et al. Genetic and epigenetic aspects of atopic dermatitis. Int J Mol Sci. 21, 6484 (2020).
  31. Lefèvre-Utile, A., Saichi, M., Oláh, P., Delord, M., Homey, B., et al. Transcriptome-based identification of novel endotypes in adult atopic dermatitis. Allergy. 77, 1486-1498 (2022).
  32. Sawant, D. V., Vignali, D. A. A. Once a Treg, always a Treg?. Immunol Rev. 259, 173-191 (2014).
  33. van der Veeken, J., Gonzalez, A. J., Cho, H., Arvey, A., Hemmers, S., et al. Memory of inflammation in regulatory T cells. Cell. 166, 977-990 (2016).
  34. Kräutler, N. J., Suan, D., Butt, D., Bourne, K., Hermes, J. R., et al. Differentiation of germinal center B cells into plasma cells is initiated by high-affinity antigen and completed by Tfh cells. J Exp Med. 214, 1259-1267 (2017).
  35. Cyster, J. G., Allen, C. D. C. B cell responses: Cell interaction dynamics and decisions. Cell. 177, 524-540 (2019).
  36. Crotty, S. T follicular helper cell differentiation, function, and roles in disease. Immunity. 41, 529-542 (2014).
  37. Koch, M., Kockmann, T., Rodriguez, E., Wehkamp, U., Hiebert, P., et al. Quantitative proteomics identifies reduced NRF2 activity and mitochondrial dysfunction in atopic dermatitis. J Invest Dermatol. 143, 220-231.e7 (2023).
  38. Mizuguchi, S., Gotoh, K., Nakashima, Y., Setoyama, D., Takata, Y., et al. Mitochondrial reactive oxygen species are essential for the development of psoriatic inflammation. Front Immunol. 12, 714897 (2021).
  39. Zhao, L., Hu, X., Xiao, F., Zhang, X., Zhao, L., et al. Mitochondrial impairment and repair in the pathogenesis of systemic lupus erythematosus. Front Immunol. 13, 929520 (2022).

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Geny mitochondrialnepodgrupy molekularner nicowa ekspresja gen wprofilowanie immunologicznesie oddzia ywa bia kowychanaliza wzbogacenia zestaw w gen wlimfocyty T regulatorowefosforylacja oksydacyjna

Powiązane artykuły