8+的综合多组学分析+糖皮质激素

使用来自随机交叉试验的综合多组学分析鉴定人类糖皮质激素反应标志物

背景：

糖皮质激素是最常用的处方药之一，但没有生物标志物可以量化其作用。该研究的目的是确定和验证糖皮质激素作用的循环生物标志物。

方法：

在一项随机、交叉、单盲、探索性研究中，10名患有原发性肾上腺皮质功能不全（且没有其他内分泌疾病）的受试者被送入住院诊所，并在生理性糖皮质激素暴露和停药期间进行研究。使用第一次干预前的随机化计划。除了轻微的身体反应和/或精神疲劳和对盐的渴望之外，没有观察到严重的不良事件。外周血单个核细胞和脂肪组织中的转录组、血浆miRNA组学和血清代谢组学使用综合多组学分析在干预措施之间进行比较。

结果：

我们确定了来自两个组织和一个多组学簇的转录组谱，两者都预测了糖皮质激素暴露。与受糖皮质激素暴露调节的基因和代谢物相关的 microRNA (miR-122-5p)被鉴定，并在不同糖皮质激素暴露的独立研究中复制。

结论：

我们已经产生的结果为成功发现用于测量糖皮质激素作用的生物标志物奠定了基础，允许制定个性化和优化糖皮质激素治疗的策略，并阐明与非生理性糖皮质激素暴露相关的疾病病因，例如心血管疾病和肥胖症。

1.与对GC的反应相关的差异调节的“组学元素”

与糖皮质激素反应相关的差异表达的“组学元素”摘要

2. PBMC 和脂肪组织转录组与血浆 miRNA 组学和血清代谢组学数据的整合

集成“组学数据”的超网络分析，超网络与传统网络的不同之处在于边缘可以连接两个以上的节点，超网络促进了“组学数据”的集成，并可用于定义强关联元素。具有大量共享边的元素更相似，并且可能具有功能相关性（图 1A、B）；绘制为热图的超网络可用于研究血液外周血单核细胞 (PBMC) 转录本的聚类，例如基于与脂肪组织转录组的相关性（图1C）。这维恩图还揭示了血清代谢组与PBMC和脂肪组织转录组之间的强烈对应关系。（图1D）

图1 综合“组学数据”的超网络分析

3.识别和验证PBMC和脂肪组织中预测GC反应的共同转录组学图谱

这组基因使用偏最小二乘判别分析(PLS-DA) 对HC 和盐水处理组进行了完美的分类（图 2A）。我们使用随机森林确定了重要的变量，并使用置换分析(BORUTA)对背景实验噪声进行了建模（图 2B）。这确定了一组 59 个基因作为重要变量，在两个转录组数据集中相同方向的折叠变化，将HC与盐水处理完美分类。其中9个基因在PBMC和脂肪组织转录组中显着差异表达（图 2C）。并且在这九个基因中，有六个通过基因本体与 GC 反应相关（IL18RAP、JAK2、MTSS1、RIN2、KIF1B和BCL9L）（图 2D）

图2 外周血单个核细胞（PBMC）和脂肪组织转录组中的重叠基因集可用于分类糖皮质激素（GC）反应

4.整合循环的“组学”数据集可产生GC作用的miRNA和代谢物标记

使用超网络量化了与GC暴露（n=336）相关的所有循环组学数据之间的相关性数量。这种方法用于定义一组与 GC 暴露相关的高度连接的多组学元素（图 3A）。生成了一个由139个高度连接元素组成的核心组的超网络模型（图3B）。DCK是唯一与GC依赖性脂肪组织转录组共享的基因，该基因也具有预测价值（以红色方块突出显示）图 3B）。使用网络中心性的度量来评估网络内模块的分层模型（图 3C）。

图3 整合与糖皮质激素（GC）反应相关的所有循环组学数据集。

在这项临床生物标志物发现研究中，我们鉴定了Addison病受试者在 GC 暴露和GC停药期间表达不同的基因、miRNA 和代谢物。多组学数据显示出高度的一致性，网络分析确定了密切相关的转录组学和代谢物。该研究的最终结果是鉴定了一种受GC暴露调节的miRNA，并与本研究中也受GCs调节的基因和代谢物相关，表明其功能相关性。在三个独立的研究组中复制这种miRNA增加了发现的miRNA，miR-122-5p，成为GC作用的生物标记物用于临床的可能性。 

补充图1：使用相似性网络融合技术整合受试者在早上7点糖皮质激素（GC）暴露和GC停药期间的无监督外周血单个核细胞（PBMC）转录组、代谢组和miRNAomic数据

补充图2 糖皮质激素 (GC) 暴露和 GC停药之间外周血单核细胞 (PBMC) 差异基因表达的基因本体和相互作用网络模型。

补充图3 外周血单个核细胞（PBMC）和脂肪组织转录组中与糖皮质激素（GC）作用相关的网络。

补充图4 与外周血单个核细胞（PBMC）和脂肪组织转录组中糖皮质激素（GC）作用相关的基因本体。