关注公众号

关注公众号

手机扫码查看

手机查看

NC文章:多组学研究揭示人类新生儿第一周分子动态变化轨迹

迈维代谢
2019.12.16

 ● 期刊:Nature communications

 ● IF=12.12

 ● 发表时间:2019-03-12

系统生物学可以揭开复杂的生物学面纱,但尚未广泛应用于人类新生儿,人类新生儿是一个极易感染多种疾病的群体。作者采用转录组、蛋白质组学和代谢组学进行多组学联合分析,同时检测细胞因子/趋化因子和单细胞免疫表型变化情况,通过创新的集成计算方法揭示新生儿第一周分子动态变化轨迹。这在干扰素和补体途径的变化以及与中性粒细胞相关的信号传导中最为明显。系统生物学和创新的数据集成可以为新生儿第一周的分子本体论提供新的见解,新生儿第一周是健康和疾病关键动态的发展阶段。

研究延伸

本文采用代谢组+转录组+蛋白组多组学联合分析思路。迈维代谢提供领先的代谢组学服务,包括多组学联合分析如:代谢组+转录组、代谢组+蛋白组、代谢组+基因组、代谢组+转录组+蛋白组、mGWAS等。选择迈维代谢,就选择了专业和专注。

实验设计(研究思路)如下:

■ ■■■■

图1 实验设计思路

DOL:Day of Life

DOL0:刚出生;DOL1:出生第1天;DOL3:出生第3天;DOL7:出生第7天。

研究结果

 1. 新生儿第一周免疫表型变化>> 

在新生儿第一周内通过单变量分析发现了以下可区分的细胞特征:嗜碱性粒细胞、浆细胞样树突状细胞(DC)、自然杀伤细胞和中性粒细胞减少;DOL0后髓样DC升高,而其他许多细胞类型则保持稳定。

在新生儿第一周内我们还检测到可溶性免疫标记物(包括血浆细胞因子和趋化因子)发生了显着但一致的变化。根据相关的单变量分析,我们发现血浆CXC趋化因子10(CXCL10),白介素(IL)-17A,巨噬细胞衍生的趋化因子(MDC)和干扰素(IFN)γ升高,而IL-10,趋化因子CC配体(CCL)5,粒细胞集落刺激因子2(GCSF)和IL-6在出生后第一周随着年龄的增长而下降;许多其他可溶性免疫标记保持不变。

■ ■■■■

图2 新生儿第一周免疫表型变化

 2. 转录组、蛋白组和代谢组学分析>> 

对于DOL3与DOL0,我们检测到1125个差异表达基因,而在DOL7与DOL0中,则检测到1864个差异表达基因(图3a)。特别是,在生命的第一周内表达降低的基因参与了细胞对应激、活性氧的解毒以及血红素生物合成和铁吸收的反应。相反,参与干扰素信号传导的基因、Toll样受体(Toll-like-receptor,TLR)、视黄酸诱导基因I(RIG-I)的负调控和补体激活在生命的第一周内被上调。

与DOL0相比,血浆蛋白成分的差异随着年龄的增长而增加(图3b)。在DOL3与DOL0相比,以补体级联为中心的三个途径均被上调。在DOL7与DOL0相比,上调了五个其他途径,包括从血浆中清除血红素和向RAS发出信号。

与DOL1和DOL0相比,血浆代谢产物几乎没有差异,但是在对比DOL3或DOL7与DOL0时,差异有所增加(图3c)。有趣的是,跨年龄检测到的代谢组学差异涉及与血浆类固醇和碳水化合物代谢产物相关的途径,可能反映了新生儿的神经发育,细胞快速增殖和营养吸收。

■ ■■■■

图3  转录组、蛋白组和代谢组学分析

 3. 多组学整合分析>> 

通过NetworkAnalyst分子相互作用网络整合多种数据类型为新生儿第一周分子动态变化轨迹提供新的生物学见解(图4)。将转录组学与蛋白质组学数据整合在一起,证实了在生命的第一周中1型IFN相关功能的增强和补体级联的调节;肌酸代谢(DOL3),血纤蛋白凝结级联反应以及适应性免疫和吞噬体活性增加的信号(DOL7)。

■ ■■■■

图4 NetworkAnalyst分析图

DIABLO通过整合跨数据类型的信息发现新的生物学相关特征(图5)。我们比较了这个集成网络(图5a,b)衍生自使用另一种非综合性稀疏判别分析方法确定的特征。集成网络的连接更加紧密(全局聚类系数= 0.91 vs. 0.68),并且由几个更紧密连接的模块组成(网络模块化= 0.26 vs. 0.09),这表明DIABLO选择了可区分并且在数据类型之间具有良好相关性的功能,而非集成方法则倾向于使用标记,这些标记在数据类型之间没有很好的相关性。

DIABLO模型的两个组成部分由不同的特征集组成(图5d,蓝色条),代表了不同的生物学特征(图5e,蓝色条)。反映DOL0的第一个成分由与干扰素和细胞因子信号传导一致的标记物以及其他免疫生物学组成(图5a)。第二个成分反映了DOL1–7的进展情况,具有独特的粒细胞特征,并且着重于免疫系统中的细胞因子信号传导和细胞对潜伏感染的反应(图5a)。

■ ■■■■

图5 DIABLO分析

通过验证集验证上述统计分析结果。为了验证这些来自冈比亚(西非)新生儿数据整合模型的可推广性,我们从世界不同地区(巴布亚新几内亚(PNG),大洋洲)招募了一个独立的新生儿队列(30名参与者)并进行了特征分析。根据与上述相同的方法处理该验证队列。

PNG数据的输出显示出与DOL函数相同的基本轨迹,并且显示出相当大的重叠(例如,转录组学p  <10 –138两个队列中DOL3与DOL0以及DOL7与DOL0的Jaccard索引/相似度)。

总体而言,使用DIABLO进行的集成多变量建模可以很好地预测这些独立队列的正确DOL(图6)。

为了量化该模型的预测性能,我们使用了接收机操作员特征曲线(AUROC)下的面积。转录组数据的总体预测准确性非常高,DOL0和DOL7的样本与所有其他DOL和接近完美的AUC值(分别为0.98和0.95)分开,而DOL3或DOL1的样本更难以分类(0.84和0.60)。

一个功能性的零阶网络,其中包括由DIABLO选择的关键特征,这些特征预测了与干扰素信号传导,补体和嗜中性粒细胞活性相关的PNG队列途径中突出显示的DOL(图6d),正如冈比亚队列所观察到的那样。因此,我们能够在独立且不同的新生儿群体中验证复杂的冈比亚数据集。

■ ■■■■

图6 对DIABLO分析进行评估验证

文章作者
推荐
关闭