|
结果：
差异分析揭示了在异质数据集中激活的OA样本中的共同生物过程在每个队列中进行DE分析，作者获得了关于骨关节炎患者与健康对照组的生物过程和通路的概述，考虑到每个研究的不同实验设置。例如，作者观察到显著调节的基因数量不同：数据集1上调156个，下调79个；数据集2上调190个，下调28个；数据集3上调272个，下调170个；验证数据集上调315个，下调320个（见图2和附加文件2）。
三个队列的荟萃分析使作者能够确定一个包括44个基因（39个上调，5个下调）的共识特征，更好地重现与OA相关的一致差异（附加文件3：表S1）。共识特征的富集分析显示，上调基因最富集的是细胞外基质和骨重组相关术语（图4）。作者评估了共识特征，并评估其与独立队列[26]的一致性。图5A中的Venn图显示，在验证数据集中，共有44个共识特征基因中的31个也是差异表达的。超几何检验显示，重叠部分具有统计学意义（p值为 <0.01 ）。作为进一步验证，对验证数据集应用无监督聚类，并由共识基因引发，证实了它们的区分能力（图5B，在预处理后排除了3个基因中的44个基因）。此外，GSEA运行图显示，共识特征基因倾向于出现在验证数据集表达谱的顶部（附加文件5：图S2）。
在以疾病为中心的分析中，作者根据预测的能力对大约19,000个药物诱导的基因表达谱进行了评分，以对抗OA引起的转录效应。特别是，在这种方法中，排名靠前的药物对应于可以上调与OA标志下调的基因相关的途径的药物，反之亦然。这种优先排序完全不考虑靶点，但仍然包含与转录相关的信息，作者希望利用这些信息来识别潜在的临床相关基因。作者还进行了蛋白质相互作用网络分析，包括标志基因和优先药物的分子靶点。特别是，作者首先注意到，The Library of Integrated Network-based Cellular Signatures (LINCS)数据库中的分子没有任何OA标志基因作为其靶点。然后，作者根据假设从共识标志中选择相关基因，认为那些与药物靶点之间存在短路径的基因可能具有临床意义（图6）。此外，5个基因（PPARA，SIRT1，PTGS1/2，ANO1）是几个优先药物的直接靶点，并与标志基因直接相互作用。在相应的药物中，白藜芦醇已被证明在体外和体内对组织的稳态具有积极影响[56-58]；替诺考昔目前被用于治疗各种退行性风湿病引起的疼痛和炎症缓解[59, 60]。网络分析还揭示了其他相关药物，包括苯溴马隆、吡利尼酸和美沙拉嗪（见“讨论”部分）。
作者提取的用于体外验证的基因组包括TSPAN2、TNFSF11、GAS1、KCNN4和CRABP2作为网络中最接近的基因，以及THY1、TGFBI、S100A4和HTRA1作为额外的基因。此外，作者还包括COL3A1作为阳性对照，以评估实验方案的测试有效性，并确认在原代人软骨细胞上的文献结果。
患者为中心的分析使作者能够得出与OA相关的风险评分。对于降低的 sR 评分，逻辑回归与弹性网惩罚和自助法策略使作者能够确定DNER、TNFSF11、THBS3、LOXL3、TSPAN2、DYSF、ASPN和HTRA1作为至少50%的运行中选择的特征（附加文件6：图S3）。这些基因作为共识基因上调（图2）。与这些基因相关的权重用于评估 sR （图8A）。在对训练和测试数据中的每个样本i评估 sR 之后，作者比较了两类患者的评分分布：图8B和C显示正常和OA样本在训练和测试队列中的 sR 评分分布有显著差异（p值 << 0.01，Wilcoxon检验）。此外，图9A、B显示按照 sR 评分排序的患者在疾病状态和特征基因的表达上趋于分离。虽然在训练集中分离是完美的（面板A），但在测试集中也非常明显（面板B）。最后，作者将 sR 分数与基于两个数据集中可用的共识标志基因（共有44个中的43个）的类似分数（称为 sT ）的分类性能进行了比较。图10中报告的相应ROC曲线显示，使用减少的基因集对预测性能没有显著影响（AUC为0.875，与0.922相比，应用DeLong AUC测试返回的p值为0.507）。
总结 共识特征基因突出了疾病进展的关键机制。此外，这些基因与多种候选药物相关，可能代表潜在的创新治疗方法。此外，患者的风险评分可在临床环境中使用。
|
