![ccf8531b61a9a6520a43bd7a78fd9a07.jpeg](https://img-blog.csdnimg.cn/img_convert/ccf8531b61a9a6520a43bd7a78fd9a07.jpeg)
越来越多的证据表明,骨关节炎(OA)患者的冠状病毒2019(COVID-19)感染率较高,感染后预后较差。此外,科学家还发现,COVID-19 感染可能会导致肌肉骨骼系统发生病理变化。然而,其机制仍未完全阐明。本研究旨在进一步探索OA和COVID-19感染患者的共同发病机制,并寻找候选药物。
1. COVID-19 和 OA DEGs 的鉴定
本研究的整体流程图如图 1 所示。在 GSE147507 数据集中发现了 3569 个 DEGs,在 GSE51588 数据集中发现了 861 个 DEGs。图 2 和图 3通过热图和火山图分别显示了COVID-19患者和非COVID-19患者之间以及OA患者和正常对照组之间的DEGs分布。GSE147507数据集和GSE51588数据集的DEGs交集通过维恩图直观显示,共筛选出83个共享DEGs(图4)。
![fa0b1a8cea77fe07f36c70e73e4f63c8.jpeg](https://img-blog.csdnimg.cn/img_convert/fa0b1a8cea77fe07f36c70e73e4f63c8.jpeg)
图1 本研究总体工作流程示意图
![f257c136db49a1018a7859aaa02ab3c1.jpeg](https://img-blog.csdnimg.cn/img_convert/f257c136db49a1018a7859aaa02ab3c1.jpeg)
图2 COVID-19 患者 DEGs 的表达特征
![db0c6422bfc375c8e965f1135956b3a6.jpeg](https://img-blog.csdnimg.cn/img_convert/db0c6422bfc375c8e965f1135956b3a6.jpeg)
图3 OA中DEGs的表达特征
![453579c076d6e70634d1a321e85edf50.jpeg](https://img-blog.csdnimg.cn/img_convert/453579c076d6e70634d1a321e85edf50.jpeg)
图4 显示两个数据集拥有 83 个 DEG 重叠的维恩图
2. 通路富集分析
在GO的生物过程、分子功能和细胞成分类别中,最重要的术语分别是肌肉收缩的正调控、三级颗粒腔和磷酸铁结合(图5)。从 KEGG、WikiPathways、Reactome 和 BioCarta 等四个全球数据库中收集了 COVID-19 和 OA 之间共同 DEGs 的富集通路,并将其可视化(图 6)。
![a16c36db9c3d8d9143cadacef4b146a0.jpeg](https://img-blog.csdnimg.cn/img_convert/a16c36db9c3d8d9143cadacef4b146a0.jpeg)
图5 COVID-19和OA之间共享DEGs的本体分析条形图
![425afd612fb66a95dfb6fdc29246f200.jpeg](https://img-blog.csdnimg.cn/img_convert/425afd612fb66a95dfb6fdc29246f200.jpeg)
图6 COVID-19 和 OA 之间共有 DEGs 的通路富集分析柱形图
3. PPI 网络分析
作者仔细研究并可视化了 STRING 中的 PPI 网络,以预测常见 DEGs 的相互作用和粘附途径。常见 DEGs 的 PPI 网络包括 81 个节点和 273 条边,其中 PPI 富集 P 值小于 1.75E-08,如图 7 所示。
![6ba4e01e87784efd426c28e29bbe7de2.jpeg](https://img-blog.csdnimg.cn/img_convert/6ba4e01e87784efd426c28e29bbe7de2.jpeg)
图7 COVID-19 与 OA 之间共同 DEGs 的 PPI 网络
4. 关键基因的分类和功能分析
应用Cytoscape中cytoHubba插件的七种算法筛选出了前30个关键基因。通过 Venn 图的交叉最终确定了 14 个共同的关键基因,包括 CXCR4、EGR2、ENO1、FASN、GATA6、HIST1H3H、HIST1H4H、HIST1H4I、HIST1H4K、MTHFD2、PDK1、TUBA4A、TUBB1 和 TUBB3(图 8)。
![5f92bec30fc5d67c0ef9acf202d73ab4.jpeg](https://img-blog.csdnimg.cn/img_convert/5f92bec30fc5d67c0ef9acf202d73ab4.jpeg)
图8 维恩图显示了 7 种算法筛选出的 12 个重叠的关键基因
基于GeneMANIA数据库,作者构建了一个复杂的基因相互作用网络来解读这些关键基因的生物学功能(图9),其中共表达占63.34%,共享蛋白结构域占17.75%,物理相互作用占17.58%,通路占0.75%,共定位占0.57%。结果还表明,它们主要与核苷结合、嘌呤核苷结合、液泡组织调控、嘌呤核糖核苷结合、鸟苷酸核苷酸结合有关。这些中枢基因可能是潜在的生物标志物,也可能为所研究的疾病带来新的治疗策略。
![d56956ea024dec9b86ce5f64928cfb63.jpeg](https://img-blog.csdnimg.cn/img_convert/d56956ea024dec9b86ce5f64928cfb63.jpeg)
图9 通过 GeneMANIA 对关键基因及其共表达基因进行了分析
5. 转录因子和miRNA网络的构建
预测了与 DEGs 和 14 个关键基因相互作用的 TFs 和 miRNAs,并分别在 Networkanalyst 中进行了可视化(图 10)。通过TFs-基因和miRNA-基因相互作用网络分析,发现71个TFs和145个miRNAs调控特征与一个以上的共同DEGs发生调控。14个关键基因的TF-基因相互作用网络包括53个节点、99条边和10个基因,而miRNA-基因相互作用网络包括21个节点、29条边和9个基因。
![a32c28a537511731776dc65b5b9b6789.jpeg](https://img-blog.csdnimg.cn/img_convert/a32c28a537511731776dc65b5b9b6789.jpeg)
图10 DEG-TF(A)和关键基因-TF(B)调控相互作用网络
![f5c8ee1695669f74ce01e4b3f127e3e3.jpeg](https://img-blog.csdnimg.cn/img_convert/f5c8ee1695669f74ce01e4b3f127e3e3.jpeg)
图11 DEG-miRNA(A)和关键基因-miRNA(B)调控相互作用网络
6. 确定疾病关联
疾病治疗设计策略为揭示基因与疾病之间的关系打开了一扇大门。通过网络分析器(Networkanalyst)分析基因与疾病的关联,作者发现关节炎、乳腺肿瘤、肝硬化、贫血、自闭症、精神分裂症、常染色体隐性遗传、精神抑郁、高血压病、双相情感障碍、便秘和心律失常与作者的关键基因关系最为密切。图 12 显示了基因与疾病之间的关联。
![d6c39e7531a269b3afb01568583ec090.jpeg](https://img-blog.csdnimg.cn/img_convert/d6c39e7531a269b3afb01568583ec090.jpeg)
图12 基因-疾病关联网络表示与互作 DEG 和关键基因相关的疾病
7. 确定候选药物
调控关键基因表达的小分子药物是从 Enrichr 平台上的 DSigDB 数据库中收集的。根据 P 值生成潜在小分子药物的结果,以表示小分子药物与基因之间的接近程度。图 13 指出了关键基因的十大潜在小分子药物。
![f5a50ea8832005fa0b56c03bf46d9400.jpeg](https://img-blog.csdnimg.cn/img_convert/f5a50ea8832005fa0b56c03bf46d9400.jpeg)
图13 同时患有 COVID-19 和 OA 的患者的 10 大建议药物列表
8. 关键基因的 ROC 曲线
绘制了 ROC 曲线以评估 14 个关键基因的诊断效果(图 14)。在COVID-19数据集中,CXCR4(AUC:0.733)、ENO1(AUC:0.809)、FASN(AUC:0.830)、HIST1H4I(AUC:0.755)、HIST1H4K(AUC:0.743)、TUBA4A(AUC:0.811)和TUBB3(AUC:0.814)在区分COVID-19患者和健康对照方面表现出相对较好的诊断效率。在 OA 数据集中,CXCR4(AUC:0.998)、EGR2(AUC:0.830)、ENO1(AUC:0.930)、FASN(AUC:0.790)、GATA6(AUC:0.902)、HIST1H3H(AUC:0.772)、HIST1H4H(AUC:0.815)、HIST1H4I(AUC:0.820)、HIST1H4K(AUC:0.830)、MTHFD2(AUC:0.855)、PDK1(AUC:0.945)、TUBA4A(AUC:0.955)、TUBB1(AUC:0.823)和 TUBB3(AUC:0.700)在区分 OA 和健康个体方面表现出更佳的诊断性能。具体来说,在 COVID-19 数据集中,FASN 的诊断区分效率最高,而在 OA 数据集中,CXCR4 的区分能力最强。
![5ab2b76358254fc577a8fa8b31d51dbe.jpeg](https://img-blog.csdnimg.cn/img_convert/5ab2b76358254fc577a8fa8b31d51dbe.jpeg)
图14 GSE147507 和 GSE51588 中诊断性共享关键基因的验证
总结
总之,作者为 COVID-19 和 OA 找出了共同的 DEGs 和关键基因,并在此基础上进行了多种生物信息学分析。研究发现,COVID-19 和 OA 有一些共同的致病机制,可能是由特定的关键基因介导的。这项研究为进一步研究分子机制、寻找新药、开发针对COVID-19和OA患者的个体化疗法提供了潜在的前景,并为长期COVID-19的治疗铺平了道路。