膜性肾病中M2巨噬细胞相关基因的生物信息学分析

doi:10.3877/cma.j.issn.2095-3216.2023.03.007

目的

通过生物信息学分析探讨膜性肾病(MN)中有关M2巨噬细胞的免疫分子机制。

方法

从基因表达集(GEO)数据库下载微阵列数据集(GSE104948和GSE108109，其中GSE108109作为验证数据集)，使用Timer数据库进行免疫浸润分析。以M2巨噬细胞作为表型进行加权基因共表达网络分析，筛选M2巨噬细胞相关核心基因。从差异表达基因和核心基因的交集确定潜在关键基因。利用数据集GSE108109验证潜在关键基因的表达水平，以接受者操作特征(ROC)曲线分析评估其诊断价值。

结果

M2巨噬细胞在MN组和正常对照组之间显著不同。确定了6个M2巨噬细胞相关的关键基因：PPARGC1A、ESRRG、KCNJ16、HLF、HGD和SULT1C2。ROC曲线分析显示，以上6个基因的ROC曲线下面积值均大于0.85。

结论

本研究发现了有关MN中M2巨噬细胞的6个基因，尚需进一步研究验证其在MN中的作用。

关键词: 膜性肾病, 免疫细胞浸润, M2巨噬细胞, 生物信息学分析, 关键基因

Objective

This study aimed to explore the immune molecular mechanisms related to M2 macrophages in membranous nephropathy (MN) through bioinformatics analysis.

Methods

Microarray datasets (GSE104948 and GSE108109, with GSE108109 as the validation dataset) were downloaded from the Gene Expression Omnibus (GEO) database. And immune infiltration analysis was performed using the Timer database. M2 macrophages were used as a phenotype for weighted gene co-expression network analysis in order to screen M2 macrophage-related hub genes. Differentially expressed genes and the hub genes were then intersected to identify potential key genes. Meanwhile, the expression levels of the potential key genes were validated in dataset GSE108109, and their diagnostic value was assessed by the receiver operating characteristics (ROC) curve analysis.

Results

M2 macrophages were significantly different between the MN patients and normal controls. Six M2 macrophages-related key genes were identified including PPARGC1A, ESRRG, KCNJ16, HLF, HGD, and SULT1C2. The ROC curve analysis showed that values of the area under the ROC curve of the key 6 genes were greater than 0.85.

Conclusions

This study identified six key genes related to M2 macrophages in MN, and further research is needed to verify their roles in MN.

Key words: Membranous nephropathy, Immune cells infiltration, M2 macrophage, Bioinformatic analysis, Key genes

图1 差异表达基因的火山图和热图注：A：差异表达基因的火山图，横坐标log₂(差异表达倍数)为差异表达倍数以2为底的对数值，纵坐标-log₁₀(P值)为显著性水平以10为底的负对数值；B：差异表达基因的热图

图2 膜性肾病与正常对照组免疫细胞浸润对比注：A：膜性肾病组和对照组中免疫细胞在不同样本中的相对百分比，横坐标代表不同样本，纵坐标代表免疫细胞在样本中的表达量；B：膜性肾病组和正常对照组之间免疫细胞浸润的小提琴图，横坐标代表不同免疫细胞，纵坐标代表免疫细胞比例

图3 加权基因共表达网络分析注：A：基因共表达网络分层聚类树与共表达模块；B：M2巨噬细胞相关的模块特征，每个模块中上面的数值为模块与M2巨噬细胞之间的相关性值，下面括号中的数值为P值

表1 38个核心基因

上调/下调	核心基因
上调	HNF1B、CHI3L2、ELF3、WWC1、HBD、ITGB6、MAPK13、S100A14、C3orf52、VTCN1
下调	PPARGC1A、CLCN5、ESRRG、GLS、TMEM176B、HADH、HGD、ACADL、IMPA2、KCNJ16、GRAMD1C、RAB17、SLC15A1、SLC22A2、SULT1C2、KMO、AKR1C3、CLDN10、MTCL1、GALNT3、TOX3、HLF、MET、RAB25、TFAP2B、TPD52L1、FHOD3、SLC38A1

表1 38个核心基因

上调/下调	核心基因
上调	HNF1B、CHI3L2、ELF3、WWC1、HBD、ITGB6、MAPK13、S100A14、C3orf52、VTCN1
下调	PPARGC1A、CLCN5、ESRRG、GLS、TMEM176B、HADH、HGD、ACADL、IMPA2、KCNJ16、GRAMD1C、RAB17、SLC15A1、SLC22A2、SULT1C2、KMO、AKR1C3、CLDN10、MTCL1、GALNT3、TOX3、HLF、MET、RAB25、TFAP2B、TPD52L1、FHOD3、SLC38A1

表2 核心基因的GO富集分析及KEEG通路分析结果

指标	功能或通路	P值	基因
GO功能富集分析
0044282	小分子分解代谢过程	<0.001	ACADL、GLS、HADH、HGD、IMPA2、KMO、AKR1C3
0016491	氧化还原酶活性	<0.001	ACADL、HADH、HBD、HGD、KMO、AKR1C3
0006520	细胞氨基酸代谢过程	<0.001	GLS、HGD、KMO、SLC38A1
0003014	肾脏系统过程	<0.001	CLCN5、TFAP2B、AKR1C3
0006631	脂肪酸代谢过程	<0.001	ACADL、HADH、AKR1C3、PPARGC1A
0034599	细胞对氧化应激的反应	0.003	MAPK13、AKR1C3、PPARGC1A
0062197	细胞对化学应激的反应	0.005	MAPK13、AKR1C3、PPARGC1A
KEGG通路富集分析
hsa05208	化学致癌-活性氧	0.003	MET、MAPK13、AKR1C3

表2 核心基因的GO富集分析及KEEG通路分析结果

指标	功能或通路	P值	基因
GO功能富集分析
0044282	小分子分解代谢过程	<0.001	ACADL、GLS、HADH、HGD、IMPA2、KMO、AKR1C3
0016491	氧化还原酶活性	<0.001	ACADL、HADH、HBD、HGD、KMO、AKR1C3
0006520	细胞氨基酸代谢过程	<0.001	GLS、HGD、KMO、SLC38A1
0003014	肾脏系统过程	<0.001	CLCN5、TFAP2B、AKR1C3
0006631	脂肪酸代谢过程	<0.001	ACADL、HADH、AKR1C3、PPARGC1A
0034599	细胞对氧化应激的反应	0.003	MAPK13、AKR1C3、PPARGC1A
0062197	细胞对化学应激的反应	0.005	MAPK13、AKR1C3、PPARGC1A
KEGG通路富集分析
hsa05208	化学致癌-活性氧	0.003	MET、MAPK13、AKR1C3

图4 潜在关键基因的确定及表达注：A：差异表达基因和核心基因的韦恩图；B：9个潜在关键基因在GSE104948中的表达情况，横坐标代表不同的基因，纵坐标代表基因相对表达量

图5 9个潜在关键基因在GSE108109中的表达注：横坐标代表不同的基因，纵坐标代表基因相对表达量

图6 6个关键基因的ROC曲线

表3 关键基因的基因集富集分析结果

通路	基因数目	标准化的富集分数(NES)	错误发现率(FDR)	P值
HLF
色氨酸代谢	32	1.843	0.077	0.008
脂肪酸代谢	37	1.701	0.108	0.023
细胞色素P450对外源性物质的代谢	45	1.701	0.099	0.016
精氨酸和脯氨酸代谢	45	1.691	0.099	0.042
PPARGC1A
精氨酸和脯氨酸代谢	45	2.112	0.001	0.002
甘氨酸、丝氨酸和苏氨酸代谢	26	2.077	0.002	<0.001
氧化磷酸化	94	2.053	0.002	<0.001
脂肪酸代谢	37	1.950	0.005	0.001
ESRRG
精氨酸和脯氨酸代谢	45	1.989	0.012	0.005
三羧酸循环	27	1.836	0.023	0.005
补体和凝血级联反应	66	1.656	0.058	0.030
抗原处理和呈递	71	－1.667	0.167	0.047
FCγR介导的吞噬作用	84	－1.578	0.250	0.041
HGD
精氨酸和脯氨酸代谢	45	2.146	<0.001	<0.001
甘氨酸、丝氨酸和苏氨酸代谢	26	2.061	0.002	<0.001
脂肪酸代谢	37	1.936	0.006	0.005
PPAR信号通路	57	1.872	0.009	0.003
KCNJ16
精氨酸和脯氨酸代谢	45	2.062	0.002	0.001
过氧化物酶体	68	1.977	0.005	0.003
三羧酸循环	27	1.920	0.008	0.001
补体和凝血级联反应	66	1.920	0.007	0.005
抗原处理和呈递	71	－1.664	0.233	0.047
SULT1C2
精氨酸和脯氨酸代谢	45	2.139	0.001	<0.001
过氧化物酶体	68	1.954	0.005	0.004
补体和凝血级联反应	66	1.721	0.032	0.026
自然杀伤细胞介导的细胞毒性	114	－1.692	0.234	0.035
抗原处理和呈递	71	－1.666	0.249	0.046

表3 关键基因的基因集富集分析结果

通路	基因数目	标准化的富集分数(NES)	错误发现率(FDR)	P值
HLF
色氨酸代谢	32	1.843	0.077	0.008
脂肪酸代谢	37	1.701	0.108	0.023
细胞色素P450对外源性物质的代谢	45	1.701	0.099	0.016
精氨酸和脯氨酸代谢	45	1.691	0.099	0.042
PPARGC1A
精氨酸和脯氨酸代谢	45	2.112	0.001	0.002
甘氨酸、丝氨酸和苏氨酸代谢	26	2.077	0.002	<0.001
氧化磷酸化	94	2.053	0.002	<0.001
脂肪酸代谢	37	1.950	0.005	0.001
ESRRG
精氨酸和脯氨酸代谢	45	1.989	0.012	0.005
三羧酸循环	27	1.836	0.023	0.005
补体和凝血级联反应	66	1.656	0.058	0.030
抗原处理和呈递	71	－1.667	0.167	0.047
FCγR介导的吞噬作用	84	－1.578	0.250	0.041
HGD
精氨酸和脯氨酸代谢	45	2.146	<0.001	<0.001
甘氨酸、丝氨酸和苏氨酸代谢	26	2.061	0.002	<0.001
脂肪酸代谢	37	1.936	0.006	0.005
PPAR信号通路	57	1.872	0.009	0.003
KCNJ16
精氨酸和脯氨酸代谢	45	2.062	0.002	0.001
过氧化物酶体	68	1.977	0.005	0.003
三羧酸循环	27	1.920	0.008	0.001
补体和凝血级联反应	66	1.920	0.007	0.005
抗原处理和呈递	71	－1.664	0.233	0.047
SULT1C2
精氨酸和脯氨酸代谢	45	2.139	0.001	<0.001
过氧化物酶体	68	1.954	0.005	0.004
补体和凝血级联反应	66	1.721	0.032	0.026
自然杀伤细胞介导的细胞毒性	114	－1.692	0.234	0.035
抗原处理和呈递	71	－1.666	0.249	0.046

[1]	Stahl RA, Reinhard L, Hoxha E. Characterization of autoantibodies in primary membranous nephropathy and their clinical significance [J]. Expert Rev Clin Immunol, 2019, 15(2): 165-175.
[2]	Liu Q, Liu J, Lin B, et al. Novel biomarkers in membranous nephropathy [J]. Front Immunol, 2022, 13: 845767.
[3]	Hu W, Li G, Lin J, et al. M2 macrophage subpopulations in glomeruli are associated with the deposition of IgG subclasses and complements in primary membranous nephropathy [J]. Front Med (Lausanne), 2021, 8: 657232.
[4]	Clough E, Barrett T. The gene expression omnibus database [J]. Methods Mol Biol, 2016, 1418: 93-110.
[5]	Leek JT, Johnson WE, Parker HS, et al. The sva package for removing batch effects and other unwanted variation in high-throughput experiments [J]. Bioinformatics, 2012, 28(6): 882-883.
[6]	Ritchie ME, Phipson B, Wu D, et al. Limma powers differential expression analyses for RNA-sequencing and microarray studies [J]. Nucleic Acids Res, 2015, 43(7): e47.
[7]	Li T, Fu J, Zeng Z, et al. TIMER2.0 for analysis of tumor-infiltrating immune cells [J]. Nucleic Acids Res, 2020, 48(W1): W509-W514.
[8]	Pei G, Chen L, Zhang W. WGCNA application to proteomic and metabolomic data analysis [J]. Methods Enzymol, 2017, 585: 135-158.
[9]	Zhou Y, Zhou B, Pache L, et al. Metascape provides a biologist-oriented resource for the analysis of systems-level datasets [J]. Nat Commun, 2019, 10(1): 1523.
[10]	Couser WG. Primary membranous nephropathy [J]. Clin J Am Soc Nephrol, 2017, 12(6): 983-997.
[11]	Di Benedetto P, Ruscitti P, Vadasz Z, et al. Macrophages with regulatory functions, a possible new therapeutic perspective in autoimmune diseases [J]. Autoimmun Rev, 2019, 18(10): 102369.
[12]	Alikhan MA, Ricardo SD. Mononuclear phagocyte system in kidney disease and repair [J]. Nephrology (Carlton), 2013, 18(2): 81-91.
[13]	Hobson-Gutierrez SA, Carmona-Fontaine C. The metabolic axis of macrophage and immune cell polarization [J]. Dis Model Mech, 2018，11(8): dmm034462.
[14]	Mills EL, O′Neill LA. Reprogramming mitochondrial metabolism in macrophages as an anti-inflammatory signal [J]. Eur J Immunol, 2016, 46(1): 13-21.
[15]	靳鑫，倪田根，王宁，等. PGC-1α通过线粒体介导巨噬细胞极化状态的机制研究[J]. 第三军医大学学报，2019, 41(1): 56-62.
[16]	Tran M, Parikh SM. Mitochondrial biogenesis in the acutely injured kidney [J]. Nephron Clin Pract, 2014, 127(1-4): 42-45.
[17]	Noordmans GA, Huang Y, Savage H, et al. Genetic analysis of intracapillary glomerular lipoprotein deposits in aging mice [J]. PLoS One, 2014, 9(10): e111308.
[18]	刘浩，杨慧，宋宁，等. PGC-1α和ERRγ在子宫内膜癌组织中的表达及临床意义[J]. 现代肿瘤医学，2017, 25(13): 2108-2112.
[19]	孟桂林，孟欣欣，谷瑞民，等. 高钾饮食调节血压的肾脏机制[J]. 生理学报，2022, 74(1): 110-116.
[20]	Gachon F, Olela FF, Schaad O, et al. The circadian PAR-domain basic leucine zipper transcription factors DBP, TEF, and HLF modulate basal and inducible xenobiotic detoxification [J]. Cell Metab, 2006, 4(1): 25-36.
[21]	杨利，黄慧，杨玉，等. 尿黑酸尿症一家系基因诊断及分析[J]. 中华实用儿科临床杂志，2015, 30(8): 608-610.

[1]	张原, 李小龙, 王亚鹏. 胰腺癌中ANGPTL2蛋白与免疫抑制细胞浸润的关系及临床意义[J/OL]. 中华普外科手术学杂志(电子版), 2023, 17(02): 145-148.
[2]	唐国军, 洪余德, 赵崇玉, 李辽源. 基于TCGA数据库Wnt相关长链非编码RNA构建肾乳头状细胞癌预后模型[J/OL]. 中华腔镜泌尿外科杂志(电子版), 2023, 17(03): 270-275.
[3]	朱兴墅, 郑师尧, 王庆惠, 陈力, 刘旺武, 纪辉涛, 王瑜, 赵虎, 方永超. 蛋白磷酸酶-1催化亚基β在结直肠癌诊断、预后及免疫浸润中的生物信息学分析[J/OL]. 中华细胞与干细胞杂志(电子版), 2023, 13(06): 321-330.
[4]	张杰, 田广磊, 陈雄. 基于生物信息学分析探讨肝癌BRD4与预后关系及其ceRNA调控网络构建[J/OL]. 中华肝脏外科手术学电子杂志, 2024, 13(04): 568-576.
[5]	施麟宵, 洪兰兰, 阳柳, 芶碧珍, 刘畅, 吴欣. 钠-葡萄糖协同转运蛋白2 抑制剂治疗原发性膜性肾病的疗效及其对Th1/Th2 的影响[J/OL]. 中华肾病研究电子杂志, 2024, 13(05): 261-267.
[6]	张勤灵, 王盼飞, 赵倩文. 尿β2-微球蛋白在原发性膜性肾病预后评估中的作用[J/OL]. 中华肾病研究电子杂志, 2024, 13(04): 195-200.
[7]	林玲, 李京儒, 沈瑞华, 林惠, 乔晞. 基于生物信息学分析小鼠急性肾损伤和急性肺损伤的枢纽基因[J/OL]. 中华肾病研究电子杂志, 2024, 13(03): 134-144.
[8]	王琳娜, 郭存霞, 乔东鸽, 赵旭, 阎磊, 邵凤民, 陈香美. 无高血压和糖尿病的特发性膜性肾病患者肾内动脉病变特点及其预后影响分析[J/OL]. 中华肾病研究电子杂志, 2024, 13(01): 39-45.
[9]	桑田, 赵磊, 佟琰, 欧阳清, 陈香美. 急性肾损伤的内质网应激相关基因和通路的生物信息学分析[J/OL]. 中华肾病研究电子杂志, 2024, 13(01): 26-33.
[10]	代叶梅, 苏晓乐, 王利华. 膜性肾病靶抗原的研究进展[J/OL]. 中华肾病研究电子杂志, 2023, 12(05): 282-286.
[11]	杨蕴钊, 周诚, 石美涵, 赵静, 白雪源. 人羊水间充质干细胞对膜性肾病大鼠的治疗作用[J/OL]. 中华肾病研究电子杂志, 2023, 12(04): 181-186.
[12]	王素霞. 非典型膜性肾病的病理表现和鉴别诊断思路[J/OL]. 中华肾病研究电子杂志, 2022, 11(06): 360-360.
[13]	贾红艳, 王丹, 张冉冉, 马茜, 焦永红. 基于全外显子组测序探寻Möbius综合征发病机制的遗传学研究[J/OL]. 中华眼科医学杂志(电子版), 2024, 14(03): 146-154.
[14]	许航, 崔宇韬, 任广凯, 刘贺, 王雁冰, 彭传刚, 吴丹凯. 骨质疏松症关键基因的筛选及生物信息学分析[J/OL]. 中华老年骨科与康复电子杂志, 2023, 09(01): 18-22.
[15]	华杨, 孙劲禹, 程晨, 邢子琳, 盛燕辉, 孔祥清, 孙伟. 肥厚型心肌病的关键基因：一项基于加权基因共表达网络的分析[J/OL]. 中华心脏与心律电子杂志, 2023, 11(01): 32-38.

阅读次数

全文

摘要

选择文件类型/文献管理软件名称

选择包含的内容

Bioinformatic analysis of genes associated with M2 macrophages in membranous nephropathy

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

Bioinformatic analysis of genes associated with M2 macrophages in membranous nephropathy