糖尿病肾病中铁死亡相关基因的鉴定与验证

时间:2026年3月12日
来源:European Journal of Pharmacology

编辑推荐:

糖尿病肾病中铁死亡相关基因的筛选与验证。通过生物信息学分析GEO数据库和Ferroptosis数据库数据,发现125个差异表达的FRGs富集于铁死亡和糖尿病肾病相关通路,机器学习筛选出9个诊断标志物和13种潜在治疗化合物。qRT-PCR和ELISA验证显示IL-33、EZH2、GJA1等基因在肾组织及患者血清中显著异常表达,其中EZH2和IL-33与疾病进展直接相关。

广告
   X   

段浩|王彦秋|王桥|严杰|范行宇|吴文燕|钟星|王月|潘天荣|杜一军
安徽医科大学第二附属医院内分泌科,中国安徽省合肥市经开区芙蓉路678号,230601

摘要

背景

最新研究表明,铁死亡(ferroptosis)在糖尿病肾病(DN)的病理生理学中起着关键作用。本研究旨在通过生物信息学和实验验证,识别与糖尿病肾病相关的潜在铁死亡相关基因(FRGs)。

方法

糖尿病肾病(DN)和铁死亡相关基因集的数据分别来自Gene Expression Omnibus(GEO)数据库和Ferroptosis Database。差异表达分析确定了DN中的铁死亡相关基因(DE-FRGs),并应用机器学习方法筛选关键基因。使用接收者操作特征(ROC)曲线分析评估了风险模型的准确性。还探讨了与DE-FRGs和DN相关的潜在小分子化合物。通过定量逆转录PCR(qRT-PCR)测量DN小鼠肾脏中的DE-FRGs表达,并通过酶联免疫吸附测定(ELISA)检测DN患者与非DN对照组的血清中的DE-FRGs表达。

结果

分析确定了125个在铁死亡和DN相关通路中富集的DE-FRGs。机器学习方法筛选出9个诊断生物标志物,并通过ROC曲线进行了验证,同时还发现了13种潜在的治疗化合物。在DN小鼠肾脏中,qRT-PCR证实了白细胞介素-33(IL-33)、视黄酸受体响应蛋白2(RARRES2)、Zeste同源物增强因子2(EZH2)、间隙连接蛋白α1(GJA1)和缺氧诱导的脂滴相关蛋白(HILPDA)的表达失调。重要的是,DN患者的EZH2和IL-33血清水平显著升高,这表明它们在疾病发生中的关键作用及其作为治疗靶点的潜力。

结论

总之,本研究确定了IL-33和EZH2作为DN中的关键DE-FRGs,为了解该疾病的分子机制提供了新的见解。

引言

随着糖尿病发病率的上升和预期寿命的延长,糖尿病肾病(DN)已成为糖尿病患者发病率和死亡率的主要原因(Grek&Arasi, 2016)。然而,DN的治疗选择仍然有限,目前的疗法如血管紧张素转换酶抑制剂、血管紧张素II受体拮抗剂和钠-葡萄糖共转运蛋白2抑制剂的效果有限(Ricciardi&Gnudi, 2021)。DN的发病机制复杂,包括肾小球基底膜增厚、肾小球系膜区细胞外基质积聚以及肾小球硬化,可能伴有或不伴有肾小管间质纤维化,最终导致慢性肾功能衰竭(Qi et al., 2017; Samsu, 2021)。识别DN的易感因素对于及时实施针对性的预防和干预策略至关重要。
铁死亡是一种由铁依赖性氧化损伤引起的新型细胞死亡形式,导致膜脂质中活性氧(ROS)的积累。这种机制与其他形式的细胞死亡(如凋亡、坏死和自噬)有显著不同(Mou et al., 2019; Xu et al., 2019)。铁死亡的主要特征是脂质ROS的产生,其清除主要依赖于谷胱甘肽过氧化物酶4。脂质ROS的产生和清除失衡会促进铁死亡的发生(Shen et al., 2018)。这一过程已被证实与多种疾病有关,并成为潜在的治疗靶点。铁死亡在癌症、急性肾损伤(AKI)、神经退行性疾病和缺血/再灌注损伤中发挥作用(Xie et al., 2016)。最近的研究表明,近端肾小管上皮细胞的铁死亡参与了DN的发生和发展(Kim et al., 2021a; Wang et al., 2020),这突显了铁死亡相关生物标志物在糖尿病中的潜在价值。
已经确定了几种在DN进展中起关键作用的机制,其中铁死亡是一个重要的因素(Wang et al., 2024b)。鉴于涉及多种铁死亡相关分子,使用生物信息学方法探索关键的铁死亡相关基因(FRGs)至关重要。本研究收集并分析了与DN相关的高通量数据,旨在识别潜在的FRGs作为DN的诊断标志物,以改善疾病的诊断和治疗。此外,还研究了差异表达的FRGs(DE-FRGs)与疾病相关药物之间的关联。为了全面验证候选基因在DN中的致病作用,使用了动物模型和人类临床样本进行了跨物种研究。

数据搜索和信息

表达水平数据来自美国国家生物技术信息中心GEO数据库(Barrett et al., 2013)(http://www.ncbi.nlm.nih.gov/geo/)。相关信息显示在GEO表1中。我们使用了R4.1.2语言的SVA软件包(http://www.bioconductor.org/packages/release/bioc/html/sva.html)版本3.38.0(Leek et al., 2012)。合并了数据集A和B的部分数据;作为分析的训练数据集去除了批量效应,而数据集C用于验证

筛选DE-FRGs

使用SVA方法去除了数据集A和B的批量效应,得到了一个整合的数据集。图2A展示了去除批量效应前后的样本分布情况。去除批量效应后,数据集呈现出合并分布的趋势。然后将该数据集分为两组:DN组和对照组(CTRL),分别包含50个和33个样本。使用Limma进行了差异表达分析

讨论

肾脏是糖尿病微血管损伤的常见靶标。大约50%的2型糖尿病患者和三分之一的1型糖尿病患者会发展成DN(Thomas et al., 2015)。DN是终末期肾病的主要原因,因此迫切需要通过生物信息学分析识别其进展相关的基因和通路,并探索潜在的DN预防治疗药物。
利用机器学习评估了FRGs在DN中的作用

结论

铁死亡在DN的发生和发展中起着关键作用。因此,对DN中的DE-FRGs进行了分析。在动物模型和临床样本中,IL-33和EZH2的持续升高强烈表明它们参与了疾病进展。这些DE-FRGs为早期检测临床糖尿病肾病提供了潜在的血清学依据,尽管其临床应用仍需进一步研究。总之,虽然目前的

作者贡献声明

王桥:研究,数据整理。王彦秋:研究,数据整理。范行宇:研究,数据整理。严杰:研究,数据整理。钟星:软件开发。吴文燕:数据整理。潘天荣:撰写 – 审稿与编辑,概念构思。王月:撰写 – 审稿与编辑,监督,概念构思。杜一军:撰写 – 审稿与编辑,概念构思。段浩:撰写 – 初稿撰写,研究,正式分析,数据整理

未引用的参考文献

DE LA ROSA和KERSTEN, 2020; GREK和ARASI, 2016; HUANG等人, 2009a; HUANG等人, 2009b; LANGFELDER和HORVATH, 2008; LI和WAN, 2020; RICCIARDI和GNUDI, 2021; TANG和YIU, 2020; TOLOSI和LENGAUER, 2011; VAN等人, 2020; VAN等人, 2022; WANG和LIU, 2015; ZHANG和HORVATH, 2005.

伦理声明

所有动物实验程序均获得了安徽医科大学第二附属医院科学研究中心的批准(LLSC 20220413)。人类血清样本的采集得到了该机构伦理委员会的批准(批准编号:SL-YX2025-214)。

利益冲突声明

所有作者声明与本手稿的内容没有利益冲突。

数据可用性

数据可应要求提供。

出版同意

不适用。

资助

本工作得到了国家自然科学基金(82200805)、安徽省高等教育机构自然科学重点研究项目(2023AH053182)以及安徽省健康研究计划(AHWJ2023A10010, AHWJ2023BAc10010, AHWJ2023BAc10016)的支持。资助者在研究设计、数据收集与分析、发表决定或手稿准备方面没有发挥作用。

利益冲突声明

作者声明没有已知的财务利益或个人关系可能影响本文所述的工作。

生物通微信公众号
微信
新浪微博


生物通 版权所有