今天给大家解读一篇4月发表在《Frontiers in Cell and Developmental Biology》上的题目为“Exploring the common ferroptosis-related genes and molecular mechanisms in periodontitis and systemic sclerosis via integrated bioinformatics and experimental analysis.”的文章。该研究通过双向孟德尔随机化分析发现牙周炎与系统性硬化症之间存在潜在的不对称因果关系。接着，利用GEO数据库的转录组数据，整合差异表达分析和WGCNA，并结合FerrDb数据库的铁死亡相关基因，筛选出9个共同候选基因。通过三种机器学习算法进一步筛选，最终确定FNDC3B和NNMT为共享的核心基因。研究进一步分析了这两个基因在免疫浸润、单细胞水平上的表达特征，构建了转录因子-miRNA调控网络，并预测了潜在治疗药物。最后，体外细胞实验初步验证了FNDC3B和NNMT在模拟疾病状态的细胞模型中表达上调，且其沉默能够缓解铁死亡相关的细胞损伤。（请持续关注我们，每天为您解读最新见刊的文献!）想薅生信资料羊毛？直接在对话框回复 “资料”，免费领取干货大礼包！包括数据集、绘图代码、图表复现、思路总结、参考文献……0代码！鼠标点点点即可轻松完成5-10分生信SCI全文复现！
不想做实验，没数据，还想要快速发表文章，没问题的！公共数据库就是我们的数据宝藏！没思路不用担心，作为专业的生信团队，我们很乐意为你们效劳，提供研究路线设计和数据挖掘分析，扫码联系我们吧！
团队成员合影（位于上海陆家嘴中心，可随时预约参观）
题目：《通过整合生物信息学和实验分析探索牙周炎与系统性硬化症中常见的铁死亡相关基因及分子机制》Exploring the common ferroptosis-related genes and molecular mechanisms in periodontitis and systemic sclerosis via integrated bioinformatics and experimental analysis
发表期刊：Frontiers in Cell and Developmental Biology
影响因子：4.3
研究背景：
- 疾病关联性
已有证据表明牙周炎与系统性硬化症互为风险因素，共享促炎细胞因子和免疫失调等病理特征。 - 铁死亡的作用
铁死亡作为一种铁依赖的、与免疫相关的程序性细胞死亡形式，已被发现参与牙周炎（如促进破骨细胞生成和牙周组织破坏）和系统性硬化症（如参与免疫失调和纤维化）的发病过程。 - 研究空白
尽管铁死亡在两种疾病中均有涉及，但两者之间共享的铁死亡相关分子机制尚不清楚，缺乏系统性研究。
研究思路：
- 确立因果关联
利用GWAS数据进行双向孟德尔随机化分析，评估牙周炎与系统性硬化症之间的潜在因果关系。 - 筛选共享基因
-
从GEO数据库获取牙周炎和系统性硬化症的基因表达数据集。 -
通过差异表达分析和WGCNA分别识别与疾病相关的差异表达基因和共表达模块基因。 -
将上述基因分别与铁死亡相关基因库取交集，获得共同铁死亡差异表达基因和共同铁死亡模块基因。 -
取上述两类共同基因的交集，作为候选基因。 - 鉴定核心标志物
使用三种机器学习算法（LASSO, SVM-RFE, RF）对候选基因进行筛选，得到共享的核心诊断标志物。 - 多维度表征
-
评估核心基因的表达水平和诊断效能（ROC曲线）。 -
分析免疫细胞浸润情况及与核心基因的相关性。 -
利用单细胞RNA测序数据解析核心基因在不同细胞类型中的表达特异性。 -
构建转录因子和miRNA的调控网络。 -
预测并筛选潜在的靶向治疗药物，并进行分子对接验证。 - 实验验证
在体外建立牙周炎和系统性硬化症的细胞模型，检测核心基因的表达，并通过基因沉默实验观察其对铁死亡相关指标（细胞活力、GPX4、Fe²⁺、MDA）的影响。
研究亮点：
- 多方法学整合
结合了双向孟德尔随机化分析、差异表达基因分析、加权基因共表达网络分析、三种机器学习算法（LASSO、SVM-RFE、随机森林），以及免疫浸润和单细胞RNA测序分析，系统性筛选了共享基因。 - 由宏观到微观
从全基因组关联研究出发，到转录组学、单细胞水平，再到分子调控网络和药物预测，最后通过体外实验验证，形成了一个多层次、相互印证的完整研究链条。 - 初步实验验证
研究不仅停留在生物信息学预测，还通过体外细胞模型（脂多糖处理的牙周膜成纤维细胞和转化生长因子-β1处理的皮肤成纤维细胞）进行了基因沉默实验，初步验证了核心基因在铁死亡相关细胞损伤中的功能。
研究结果：
- 因果关系
双向孟德尔随机化分析显示，牙周炎可能增加系统性硬化症的风险（OR=1.28, P=0.045），而系统性硬化症对牙周炎则显示出潜在的保护关联（OR=0.92, P<0.001），提示两者存在不对称的因果关系。 - 共享基因鉴定
-
共鉴定出28个共同铁死亡差异表达基因和63个共同铁死亡模块基因，其交集为9个候选基因。 -
通过机器学习，最终确定FNDC3B和NNMT为共享核心枢纽基因。 - 诊断价值
FNDC3B和NNMT在牙周炎和系统性硬化症的疾病样本中均显著上调，其AUC值均大于0.75，显示出良好的诊断性能，并在外部验证集中得到确认。 - 免疫与单细胞特征
-
免疫浸润分析显示，两种疾病均存在免疫失调，如CD8+ T细胞、调节性T细胞和静息肥大细胞浸润减少。 -
单细胞分析表明，FNDC3B在成纤维细胞中高表达，NNMT在内皮细胞、成纤维细胞和血管周细胞中高表达，两种细胞类型分布模式在两种疾病中相似。 - 调控网络与药物
-
预测GTF2E2、hsa-miR-124-3p、hsa-miR-4768-3p和hsa-miR-98-5p为潜在的核心调控因子。 -
预测毒胡萝卜素（thapsigargin）为潜在先导化合物，分子对接显示其与FNDC3B和NNMT均具有良好的结合活性。 - 体外实验验证
-
在模拟疾病的细胞模型中，FNDC3B和NNMT的mRNA表达水平显著上调。 -
沉默FNDC3B或NNMT能部分逆转疾病模型导致的细胞活力下降、GPX4表达降低以及Fe²⁺和MDA水平升高，提示其参与铁死亡相关细胞损伤。
研究总结：
- 主要结论
本研究通过整合生物信息学和初步实验验证，系统性地揭示了牙周炎与系统性硬化症之间共享的铁死亡相关基因FNDC3B和NNMT。这些基因可能通过影响免疫微环境和铁死亡过程，参与两种疾病的共病机制。 - 研究意义
为理解牙周炎和系统性硬化症的共病分子机制提供了新见解，并提出了潜在的诊断生物标志物（FNDC3B, NNMT）和治疗靶点（毒胡萝卜素），为未来的精准诊断和治疗策略开发提供了理论基础。 - 局限性
-
缺乏牙周炎与系统性硬化症共病的大规模公共数据集。 -
不同样本类型和检测平台可能引入偏倚。 -
转录因子-miRNA调控网络和药物预测结果来自计算分析，需要进一步的实验验证。 - 未来方向
需要进行更大样本量的队列研究和共病数据集验证，并开展更深入的机制研究，以确认这些生物标志物和治疗靶点的临床价值。
结果译文：
1.基于MR分析的PD与SSc之间的因果关联
为了评估PD与SSc之间的潜在因果关系，进行了双向两样本孟德尔随机化分析。在正向分析中，共选择了26个与PD相关的SNP作为工具变量。作为主要MR方法的逆方差加权法提示，基因预测的PD可能与SSc风险增加存在关联（OR = 1.28，95% CI = 1.01-1.63，P = 0.045），加权中位数分析也支持这一结果（OR = 1.60，95% CI = 1.14-2.26，P = 0.007）。其余MR方法显示方向一致但无显著性的估计值（图2A-C）。未检测到显著异质性（IVW：P = 0.555；MR-Egger：P = 0.513）和多效性（P = 0.608）（图2D；补充表S3）。此外，留一法分析表明观察到的关联并非由任何单个SNP驱动（图2E）。在反向分析中，选择了8个与SSc相关的SNP作为工具变量。IVW（OR = 0.92，95% CI = 0.87-0.96，P < 0.001）和加权中位数（OR = 0.91，95% CI = 0.85-0.97，P = 0.006）分析均提示SSc对PD可能存在保护性关联（图2F-H）。未观察到显著异质性（IVW：P = 0.719；MR-Egger：P = 0.620）或多效性（P = 0.770），留一法敏感性分析进一步支持结果的稳定性（图2I,J；补充表S3）。总体而言，双向MR分析提示PD与SSc之间存在潜在但不完全对称的关联。
2.共同铁死亡相关差异表达基因（Co-FRDEGs）的鉴定
通过差异表达分析，在PD数据集GSE16134中总共鉴定出1567个DEGs（包括1001个上调和566个下调基因）（图3A）。类似地，从SSc数据集GSE95065中获得1255个DEGs（包括718个上调和537个下调基因）（图3B）。使用火山图和热图可视化了PD和SSc中DEGs的分布和表达模式（图3A-D）。通过取两个数据集的DEGs交集，鉴定出286个共同DEGs（Co-DEGs）（图3E）。随后将Co-DEGs与来自FerrDb V2数据库的1279个铁死亡相关基因（FRGs）进行交叉比对，得到28个共同铁死亡相关DEGs（Co-FRDEGs）（图3F）。
3.Co-FRDEGs的功能富集分析
对28个Co-FRDEGs进行GO和KEGG通路富集分析，以探究其功能和通路。共获得345个GO条目，包括生物学过程类别326个和分子功能类别18个，而细胞组分类别无显著富集。每个类别中前10个富集条目被可视化（补充图S1A）。在BP方面，大多数基因主要富集于趋化性、趋化作用和对脂多糖的反应。对于MF，大多数基因主要参与细胞因子活性、细胞因子受体结合和有机阴离子跨膜转运蛋白活性。KEGG通路分析进一步揭示这些基因显著富集于NOD样受体信号通路、疟疾和IL-17信号通路（补充图S1B）。完整的富集分析结果列于补充表S4。总之，这些结果强烈提示炎症和免疫相关通路可能是PD和SSc患者共有的病理机制。
4.PD和SSc的加权基因共表达网络分析（WGCNA）
采用WGCNA探索与疾病最相关的模块基因。基于尺度独立性和平均连通性，选择PD（GSE16134）的β=7和SSc（GSE95065）的β=12作为软阈值幂（图4A、B）。随后分别构建了聚类树状图并合并相似基因模块（图4C、D）。为评估每个基因模块与疾病状态之间的关联，使用Pearson相关系数生成了模块-性状关系热图。在PD数据集中共鉴定出26个共表达模块，在SSc数据集中鉴定出19个模块。其中，棕色模块（1833个基因，r=0.65，ρ=3e-39）与PD的发生呈强正相关，而蓝色模块（5491个基因，r=0.76，ρ=3e-07）和午夜蓝模块（1024个基因，r=0.75，ρ=4e-07）与SSc的发生呈正相关（图4E、F）。此外，关键模块中基因显著性（GS）和模块隶属度（MM）之间的线性相关性以散点图形式展示（图4G、H）。最后，将关键疾病相关模块中的基因与FRGs列表通过Venn图取交集，鉴定出63个共同铁死亡相关模块基因（Co-FRMGs）（补充图S2A）。
5.Co-FRMGs的功能富集分析
还对63个Co-FRMGs进行了GO和KEGG通路富集分析，以揭示其生物学功能和信号通路。共鉴定出514个GO条目，包括485个BP条目和28个MF条目，以及13个KEGG通路（详细结果见补充表S5）。每个类别中前10个富集条目被可视化。如补充图S2B所示，BP条目主要包括炎症反应的调节、对有毒物质的细胞应答和活性氧代谢过程，而MF条目主要包括抗氧化活性、铁离子结合和氧化还原酶活性（以过氧化物为受体）。KEGG通路分析显著富集于NOD样受体信号通路、脂质与动脉粥样硬化以及利什曼病（补充图S2C）。这些结果表明PD和SSc可能共享涉及氧化应激和免疫炎症调控的铁死亡相关分子机制。
6.通过机器学习筛选候选诊断生物标志物
为深入探究参与PD和SSc的关键FRGs，我们将先前获得的Co-FRDEGs和Co-FRMGs通过Venn图取交集，得到9个重叠基因（补充图S2D）。随后使用三种独立的机器学习算法（LASSO、SVM-RFE和RF）分析这些基因，以筛选两种疾病中具有诊断相关性的潜在共享候选基因。对于PD，经过10倍交叉验证后，LASSO回归选择了7个诊断核心基因（图5A），而SVM-RFE鉴定了另外5个基因（图5B）。同时，RF算法根据每个基因的变量重要性进行排序，MeanDecreaseGini指数大于1的基因被认为是显著贡献者（图5C）。通过将三种算法的结果重叠，最终确定4个重叠基因（ALOX5、FMO1、FNDC3B和NNMT）作为PD的潜在诊断生物标志物（图5D）。对SSc数据集进行了类似分析。经10倍交叉验证，LASSO和SVM-RFE分别鉴定出5个和6个基因（图5E、F）。RF算法鉴定出6个重要性高的基因（图5G）。交叉比较三种算法的结果，发现三个重叠基因（FNDC3B、HSPA13和NNMT）对SSc具有高诊断潜力（图5H）。最终，取交集后得到两个基因（FNDC3B和NNMT）作为PD和SSc共有的候选诊断标志物（图5I）。
7.候选枢纽诊断标志物的诊断价值评估与验证
8.免疫细胞浸润分析
9.候选枢纽诊断标志物在单细胞水平的表达
10.TFs、miRNAs与共享标志物的相互作用网络构建
11.潜在先导化合物的预测与分子对接
12.候选生物标志物的表达与功能验证
更多结果和补充图表：doi： 10.3389/fcell.2026.1803091
扫描上方二维码或登录平台官网后添加CNSknowall客服微信咨询！官网地址：https://cnsknowall.com
CNSknowall：24年最新问世的遥遥领先的颠覆性科研数据（0代码生信+统计学）分析平台，同时含有机制图模块（原创3000多素材和机制图模板）+AI一键生成高质量比国自然标书初稿+汉化版Pubmed融合Deepseek高效筛选目标文献同时一键提炼全文核心创新点+SCI文献例句/语料检索模块+全文翻译+文献求助+图片查重+期刊查询+OPenAI官方GPT接口，＞500款CNS级别图表皆可一秒内一键出图，登录即秒变数据分析大神，体验前所未有的便捷数据分析之旅，开启科研天骄之路！
可向下滑动发掘更多科研秘籍！
