早！今天小编和大家分析一篇23年2月发表在Scientific Reports（IF:4.6）杂志的文章《Identification of Parkinson’s disease-associated chromatin regulators》。
作者从之前的研究中获得了870个染色质调节因子，并从GEO数据库中下载了PD患者的数据集。从蛋白质互作网络中获得20个关键基因，并分析了关键基因与PD免疫细胞和免疫功能的相关性，选择相关性绝对值大于0.4的5个（BANF1、PCGF5、WDR5、RYBP、BRD2）与PD免疫功能相关的基因。然后构建预测模型来预测发生PD的可能性，结果表明预测模型具有良好的预测效果。最后筛选出10种药物和12种miRNAs，为PD的治疗提供参考。因此，认为BANF1、PCGF5、WDR5、RYBP和BRD2与帕金森病的免疫过程相关，可预测帕金森病的发生，且有望成为帕金森病诊断和治疗的新靶点。
背景
帕金森病（PD）是一种常见的神经退行性疾病。PD的病因尚不清楚，现有的医学方法无法阻止疾病的进展。虽然目前尚无治愈PD的方法，但有效的治疗可以显着改善患者的生活质量。随着高通量测序数据的快速发展，很多疾病进入了分子诊疗阶段，也带来了治愈一些疑难杂症的可能。许多与帕金森病相关的生物标志物已经被发现：SNCA是第一个被发现与帕金森病相关的基因，SCNA突变增加了散发性帕金森病的风险。PRKN是一种常染色体隐性帕金森病相关基因。LRRK2是导致常染色体显性PD的相关基因。此外，许多生物标志物已被发现并用于帕金森病的治疗，这对改善帕金森病的诊断和治疗起着重要作用。然而，研究也表明，许多基因突变的影响可能与种族有关，这使得某些基因不能普遍适用于帕金森病的诊断和治疗。因此，迫切需要寻找更多的生物标志物。
CRs是一类具有特殊功能域的酶，能够以细胞环境依赖的方式识别、形成和维持表观遗传状态。CRs是表观遗传学中不可缺少的上游调控因子。根据其在表观遗传学中的调节作用，一般将CRs分为DNA甲基化因子、组蛋白修饰因子和染色质重塑因子三类。CRs的异常表达与炎症、凋亡、自噬、增殖等多种生物学过程有关，提示CRs的异常表达可能导致多种疾病的发生。因此，CRs有望成为治疗各种疾病的新靶点。目前，关于CRs与PD之间关系的研究较少。以期探讨两者之间的关系，为帕金森病的治疗提供新的思路。通过生物学分析，获得了与PD免疫相关的CRs，并预测了相关药物和miRNAs。
方法：
1.筛选差异基因：使用R软件筛选差异表达的CRs，绘制了热图和火山图，以可视化不同样本之间差异基因的表达情况。
2.基因本体（GO）分析和京都基因和基因组百科全书（KEGG）分析：对差异CRs进行基因本体（GO）分析和京都基因和基因组百科全书（KEGG）分析；以及进行蛋白质-蛋白质相互作用（PPI）分析：将差异表达的CRs提交到STRING数据库（http://www.string-db.org/），以获取基因相互作用的信息。之后用Cytoscape软件通过cytoHubba插件筛选出TOP20基因作为枢纽基因。
3.免疫细胞和免疫功能分析：为了了解PD患者样本与正常样本在免疫细胞表达和免疫功能方面的差异，利用ssGSEA算法计算了样本中免疫细胞的丰度和免疫功能，并绘制了热图。之后分析了免疫细胞与免疫功能的相关性，进而分析了正常样本与PD患者不同免疫细胞和免疫功能是否存在差异。
4.列线图的构造：对筛选的枢纽基因进行免疫细胞及免疫功能的分析，筛选出与免疫相关的基因。然后对与免疫相关的基因建立预测模型，预测相关基因与疾病发生的概率，并利用标准曲线评价模型的预测精度。
5.相关药物和miRNA的预测：将与免疫相关的基因上传至enrichment数据库(https://maayanlab.cloud/Enrichr/)，并通过相关数据库预测相关药物和miRNA。
研究结果
鉴别差异表达的CRs
筛选了来自64个正常样本和29名PD患者的40个差异表达的CRs基因。差异CRs包括22个上调基因和42个下调基因，热图和火山图显示CRs表达差异（图1）。
差异CRs的富集分析和蛋白质-蛋白质相互作用（PPI）分析
对64个差异基因进行GO分析和KEGG分析。可以看到相应的生物学过程和相关途径中基因的富集。在GO分析中，可以看到CRs主要与生物过程有关，如组蛋白修饰、肽基赖氨酸修饰、肽基赖氨酸乙酰化、蛋白质乙酰化和蛋白质酰化(图2A)。在KEGG分析中，发现差异CRs主要参与FoxO信号通路、胰高血糖素信号通路、病毒癌变、细胞周期和产热过程(图2B)。通过PPI分析差异基因(图3A)，并使用Cytoscape软件中的cytoHubba插件筛选Top 20 Hub基因(图3B)。
免疫细胞与免疫功能分析
使用ssGSEA算法得到PD患者样本与正常样本中相关免疫细胞和免疫功能的表达情况，然后分别分析两者间免疫细胞和免疫功能的相关性和差异(图4)。可以看到，在免疫细胞中，Th1细胞与中性粒细胞的相关性为0.68，TIL细胞与B细胞的相关性为0.55，说明它们具有较强的正相关性；而Th1细胞与肥大细胞的相关性为- 0.49，iDCs与TIL的相关性为- 0.45，两者具有较强的负相关关系(图5A)。在免疫功能的相关性分析中，Para炎症与I型IFN反应、T细胞共抑制与细胞溶解活性、checkpoint与T细胞共刺激之间存在较强的正相关，分别达到0.83、0.72、0.70。
MHC I类与II型IFN应答之间、T细胞共抑制与II型IFN应答之间、II型IFN应答与细胞溶解活性之间存在较强的负相关，分别达到- 0.48、- 0.45、- 0.44(图5B)。可以看到正常样本和PD患者在免疫细胞肥大细胞和免疫功能HLA上存在显著差异(P < 0.05)(图5C-D)。
列线图的构造
分析了20个hub基因与免疫细胞和免疫功能的相关性，最终根据相关性绝对值大于0.4的结果鉴定出5个基因(图6)。其中，BANF1与Th2细胞正相关，PCGF5与II型IFN反应正相关，与细胞溶解活性负相关，WDR5与T细胞共刺激负相关，RYBP与中性粒细胞和II型IFN反应正相关。BRD2与TIL呈正相关。然后构建预测模型，预测各种基因与PD的可能性(图7A-C)。从图中可以看出，BANF1、RYBP表达越高，发生PD的概率越高，PCGF5、WDR5、BRD2表达越高，发生PD的概率越低。标定曲线和受试者工作特性(ROC)曲线表明该模型具有良好的预测功能。
预测相关药物和miRNAs
将免疫相关枢纽基因上传到enrichment数据库，使用DSigDB数据库预测相关药物，使用TargetScan数据库预测相关miRNAs。得到112种相关药物(前十位见表1)和12种相关miRNAs(表2)，并使用Cytoscape软件绘制网络图(图8)。
