阿尔茨海默病表达谱芯片的加权基因共表达网络分析

发布时间：2021-11-19 21:59

　　目的使用加权基因共表达网络分析（WGCNA）探究阿尔茨海默病（AD）在不同病情分级下基因的协同共表达,寻找与阿尔茨海默病发病有关的关键基因。方法从GEO数据库下载GSE1297表达谱数据,根据基因的相关性,构建基因共表达模块,并计算模块基因与临床信息的相关性,选取与临床表型显著相关的模块使用Matescape数据库进行下游GO与KEGG富集分析,同时对模块内GS和MM的相关性进行分析,并使用Cytosacpe绘制共表达网络图,筛选枢纽基因。结果根据基因表达的相关性,发现8个共表达模块,其中模块Green（MEgreen）和模块Turquoise（MEturquoise）与临床简易智力状态检查（MMSE）评分、临床病情分级显著相关,MEturquoise与神经元纤维缠结（NFT）评分显著相关,共表达网络发现ATRNL1、SV2A、FXYD7、SYNGR3、MDH1、TBC1D9、UCHL1、NGFRAP1等基因在网络中处于核心的地位。结论 ATRNL1、SV2A、FXYD7、SYNGR3等基因可能在AD疾病发生发展中扮演重要的角色。 

【文章来源】：中国老年学杂志. 2020,40(11)北大核心

【文章页数】：6 页

【部分图文】：

重要临床表型与模块间的相关关系

选取相关性最强的MEgreen和MEturquoise和MMSE评分,进行GS和MM的分析。从图4可见几个模块间的相关关系,几个模块大致可三类,其中MEgreen和MEturquoise两个模块高度相关,而MMSE评分与MEgreen和MEturquoise两个模块高度相关,可以看出MEgreen和MEturquoise基因与AD的发病和病情的进展有密切联系。图4 重要临床表型与模块间的相关关系

GSE1297芯片数据及临床信息的下载及预处理,过滤其中探针信息注释不全和重复的基因,最终获得13 515个基因对应31个样本的表达矩阵,绘制样本的分层聚类图,与对应的临床信息的热图(图1)。根据MAD值选取前5 000个在不同样本间表达差异最大的基因,进行下一步WGCNA分析。通过WGCNA包的算法,根据无尺度网络分布拟合,选取2作为软阈值,并计算基因间的相关性矩阵和TOM,使用TOM构建基因间分层聚类树,同时使用动态剪切树的方法把基因分成8个模块:Black(30个)、Blue(1 072个)、Brown(191个)、Grey(2 050个)、Red(71)、Turquoise(1 348个)、Yellow(142个)、Green(96个)(图2)。其中Grey中的模块无法归类于其他任何模块的基因。


本文编号：3505951