转录组测序助力解锁精神分裂症分子特征与关键基因密码

1.样本采集：从多个地点招募参与者，获取 3 个独立数据集。数据集 1 包含鹰潭精神卫生医院的首发未用药 SCZ 患者和健康对照；数据集 2 来自山东精神卫生中心的 SCZ 患者和山东大学齐鲁医院的健康对照；数据集 3 则有鹰潭精神卫生医院的 SCZ 和非 SCZ 精神疾病患者。采集 2.5mL 全血用于 RNA 测序，且患者样本有超 1 个月的停药史。

2.其他数据来源：获取 PsychENCODE 的 3 个前额叶皮层（prefrontal cortex，PFC） RNA 测序数据集（包含 SCZ 患者和健康对照）和新生成的外周血 RNA 测序数据。

3.分析流程：作者利用 PsychENCODE 的前额叶皮层（prefrontal cortex，PFC）RNA 测序数据和新的外周血 RNA 测序数据，将 70% 的数据用于差异表达基因分析，通过 DESeq2、EdgeR 和 Limma 三种算法的结果交集确定差异表达基因，再经支持向量机（SVM）递归特征消除法识别 DREGs。之后，使用自建的最新人类相互作用组进行蛋白质 - 蛋白质相互作用分析，通过 GO 和 KEGG 分析揭示 SCZ 相关通路富集情况，并在人类脑组织和 SCZ 模型中验证 DREGs 表达，利用多基因风险评分评估其遗传贡献。最后，选用八种顶级机器学习模型对 70% 的 PFC 和血液 RNA 测序数据进行十折交叉验证，获得最佳特征描述模型，并在三个独立数据集上验证 DREGs 对 SCZ 的特征描述能力，通过受试者工作特征曲线下面积（AUC）评估结果。

Figure1. The workflow for SCZ DREGs identification, analysis, and characterization.

1. 184个精神分裂症（SCZ）疾病反应必需基因（DREGs）的鉴定结果

首先，作者通过 limma、EdgeR 和 DESeq2 算法对四个数据集（CommonMind Consortium [CMC]、Human Brain Collection Core [HBCC]、Lieber Institute for Brain Development [LIBD] 以及来自外周血的 Dataset 1）进行差异表达基因分析。接着，整合四个训练数据集的差异表达基因富集通路，识别出 70 条显著通路和 600 个相应基因。最后，基于这 600 个基因，利用支持向量机（SVM）进行递归特征消除，得到结果曲线，最终选定 184 个 DREGs，这些基因将进一步用于构建 SCZ 的特征模型。

Figure2. The results of characterization of 184 SCZ DREGs.

2. 疾病反应必需基因（DREGs）编码的蛋白质-蛋白质相互作用（PPI）网络的特征

作者构建了包含 24178 个基因和 2544177 个相互作用的综合人类相互作用组数据集，在 184 个 DREGs 中，155 个存在直接相互作用，形成了一个包含 155 个基因和 900 个相互作用的紧密连接的 PPI 网络（图 3A）。通过置换检验，将该网络与 1000 个随机生成的 PPI 网络比较，发现 DREGs 的 PPI 网络具有显著更多的蛋白质相互作用（P<1×10⁻¹⁶）（图 3B）。对比 DREGs 的 PPI 网络和背景基因（BG）的 PPI 网络的节点度和中介中心性等网络参数，结果显示 DREGs 的相关参数值显著高于 BG 基因（节点度 P<2×10⁻¹⁶，中介中心性 P = 4.8×10⁻¹⁶）（图 3C、D）。这些结果表明 DREGs 在网络中蛋白质相互作用丰富且处于核心地位。

Figure3.The characteristics of the significantly interconnected PPI Network encoded by the DREGs.

3. DREGs 的 PPI 网络中主要富集的通路

对 DREG 集合中排名前 32 的基因进行通路富集分析，发现免疫调节、突触可塑性、神经元发育等多条通路显著富集（图 4A）。从 DREGs 的 PPI 网络中提取直接相互作用大于 20 的基因作为 hub 基因，对其进行 GO 和 KEGG 富集分析，发现染色质重塑、转录调控等通路显著富集（图 4B）。通过 ClusterONE 算法识别出两个功能模块，模块 1 包含 8 个基因（如 RFGAP1、CYTH2 等），主要与谷氨酸能神经递质分泌和突触传递相关（图 4C、E）；模块 2 包含 3 个基因（如 PLXND1、PLXNA2 等），与突触可塑性、神经元发育和投射有关（图 4D、F）。这些结果表明不同基因集合在不同通路上存在特异性富集，进一步揭示了 DREGs 在精神分裂症发病机制中的重要作用。

Figure4.The results of dominant pathway enrichment in the DREG PPI network.

4.疾病反应必需基因（DREGs）在多种人类脑组织中的表达模式

在 GTEx V8 数据库的 13 种人类脑组织中，DREGs 表达水平整体高于背景基因（BG genes），其中 hub 基因表达最高，hub 基因和模块 2 基因在不同脑组织中的表达趋势一致，而模块 1 基因在某些脑区表达较低（图 5A）。从 BrainSpan 数据库的脑发育阶段数据来看，DREGs、hub 基因和模块 2 基因在所有发育阶段的表达水平均显著高于 BG 基因，hub 基因在出生后表达达到峰值且在发育过程中波动明显（图 5B）。在 HBT 数据库的 16 个脑区中，DREGs、hub 基因以及模块 1 - 2 基因的表达水平均显著较高，hub 基因表达始终最高，模块 2 基因在不同脑区呈现出特异性表达变化（图 5C）。在 Allen 数据库中，SCZ 相关的中颞叶和前扣带回区域，DREGs、hub 基因和模块1-2基因表达水平也显著高于 BG 基因，关键 DREGs 在谷氨酸能神经元中表达波动明显，且模块 1 和 2 基因在这两个脑区的表达模式存在差异（图 5D、E）。

Figure5.The results of expression patterns in DREGs across various human brain tissues.

5. 9个关键疾病反应必需基因（DREGs）在精神分裂症（SCZ）动物模型和人类 RNA 测序数据集中的差异表达情况

研究选取 19 个关键 DREGs 中的 9 个 novel 基因（BICD1、IFFO1 等），利用 MK - 801 诱导的 SCZ 小鼠模型，检测其在小鼠外周血和前额叶皮层（PFC）中的 mRNA 水平，并与人类数据对比。结果显示，在动物模型的脑样本中，9 个基因里有 8 个呈现出统计学上显著的表达变化，KDELR3 基因虽未达显著水平但有变化趋势。在小鼠外周血中，KDELR3、PACSIN2、CDK9 和 PLXND1 这 4 个基因虽未呈现出统计学显著差异，但它们的表达趋势与人类脑数据一致。这些结果表明这些关键 DREGs 在 SCZ 的病理过程中可能发挥重要作用，可作为可靠的 SCZ 反应指标。

Figure6.Differential expression profiles of 9 key DREGs in the peripheral blood and prefrontal cortex of SCZ animal models and human RNA‐seq datasets.

6. 用疾病反应必需基因（DREGs）作为精神分裂症（SCZ）特征描述的性能评估

研究人员结合四个训练集数据，对逻辑回归（LR）、决策树（DT）等八种高性能机器学习模型进行十折交叉验证，结果显示支持向量机（SVM）模型表现最佳，平均准确率达 89.21%（图 7A）。因此选用优化后的基于 DREGs 的 SVM（DRES）模型进行后续测试，该模型在内部测试集上的准确率为 69% - 83%，对应的曲线下面积（AUC）值为 73% - 85%；在外部测试集 Dataset 2 上的特征准确率为 83%，AUC 值为 85%（图 7B）。此外，DRES 模型在区分 SCZ 与非 SCZ 疾病方面也表现良好，AUC 值达到 79%，准确率为 83%，仅 1 名 SCZ 患者被误分类，且在 6 种非 SCZ 疾病中，仅甲基苯丙胺诱导的精神病未被区分出来（图 7C）。这表明 DRES 模型在识别 SCZ 个体方面具有较高潜力。

Figure7.Assessment of characteristic performance and specificity of DREGs for SCZ.

欢迎咨询了解~      

电话：0871-65399960   

邮箱：service@biolinker.com