看我的“铁”如何平地起高楼！超绝思路震撼来袭！铁死亡+机器学习+单细胞轻松拿捏二区！速来！

各位科研探索者们，早上好！没有错，今天你们的科研领航者——馆长，又带来一篇非常值得复刻的文章，直击科研热点，让大家顺利搭上顺风车！那接下来咱们就一起深挖这篇发表在《Neural regeneration research》的二区文章，一同揭开其深邃的科研内涵吧~

该 研究团队以 脊髓损伤（SCI）和铁死亡作为切入点，通过构建 SCI模型小鼠 和机器学习方法筛选和验证了与SCI密切相关的铁死亡相关基因，并通过单细胞数据集确定了与铁死亡相关的细胞亚型及其内在状态转变过程，从而指导临床治疗。 创新性的研究视角与全面的数据集整合，研究团队将关注点放在SCI和细胞铁死亡上，而且并没有局限于单一数据集和组学，大规模的数据集整合，大大增强了研究的普适性，还极大地提升了研究的可信度和科学性 ；接着作者通过T8脊髓损伤模型和药物敏感性分析系统性地验证了上述结果。干湿结合，充分了 揭示两者的作用机制，强的让人感到害怕。 Ps:文章原文信息已放至文末，小伙伴们自行查看哦~ ! Ps:文章原文信息已放至文末 （ ps： 这项研究是不是足于指点迷津了，馆长已经把“重点”给大家划好了，赶紧拿起你的实验工具，向科研的高峰进发吧！可扫码联系！ ）

定制生信分析

云服务器租赁

加好友 备注“99” 领取试用

l 题目： 机器学习识别脊髓损伤后铁死亡过程中的关键细胞和治疗靶点

l 杂志： Neural regeneration research

l 影响因子：IF= 5.9

l 发表时间：202 4 年 7 月

后台回复“ 666 ”获取原文献，编号20240930

研究背景

脊髓损伤（SCI） 是一种典型的由外部创伤引起的破坏性神经系统疾病。主流临床治疗方法如手术减压、药物治疗和康复训练仍然无法满足导致炎症损伤和神经退行性变的复杂病理生理变化所带来的挑战。最近一种新发现的被称为铁死亡的细胞死亡过程成为研究焦点。既往研究发现使用铁螯合剂如去铁胺可以抑制脊髓损伤后的铁下沉，减轻功能性神经损伤，但两者作用机制尚不明确。因此，在这个研究中，作者 通过 构建SCI模型小鼠 和机器学习方法筛选了与SCI密切相关的铁死亡相关基因，并通过单细胞数据集确定了与铁死亡相关的细胞亚型及其内在状态转变过程，从而指导临床治疗。

数据来源

研究思路

首先作者整合了多个 SCI数据集和FERRDB数据库 ，筛选了与SCI密切相关的铁死亡相关基因，并使用 xCell软件和ssGSEA算法 分析了铁死亡评分与浸润细胞丰度之间的相关性。

接着作者基于关键调控基因构建了 Logistic回归模型 ，并通过 外部数据集 阐明与脊髓损伤后铁死亡相关的细胞类型。此外作者还评估了不同铁死亡亚组中 转录因子激活的差异 。最后作者进行了 药物敏感性分析 和构建了 T8水平脊髓挫伤动物模型 评估环己亚胺的功能。

主要结果

1. SCI铁死亡相关基因及免疫浸润分析

首先作者整合了多个SCI数据集，并使用SVA对批处理效果进行了校正（图1A），对其进行差异表达分析以鉴定SCI后1、3和7天的DEGs（图1B）。接着作者从 FERRDB 下载了铁死亡相关基因，并将其与上述DEGs取交集（图1C）。随后使用GSVA软件计算患者铁死亡评分，作者发现患者处于急性和亚急性阶段时有显著差异（图1D）。 为了将铁死亡评分与SCI后的细胞类型联系起来，该团队首先使用xCell软件和ssGSEA算法评估了单细胞数据集中得细胞丰度（图1E），并分析了铁死亡评分与浸润细胞丰度之间的相关性，其中与神经元、少突胶质细胞前体细胞（OPCs）和少突胶质细胞呈负相关（图1F）。

图1 SCI铁死亡相关基因及免疫浸润分析

2. Logistic回归模型构建及效应验证

为了筛选与SCI相关的铁死亡调控基因，作者分别使用了LASSO和RF这两种不同的机器学习算法（图2A-D），取交集后保留了Atf3和Piezo1两个标记基因（图2E）。接着基于这两个关键基因构建了Logistic回归模型，采用ROC曲线分析评估回归模型的准确性，其AUC值为0.98（图2F）。根据ROC曲线确定的截止值，作者将样本分为高低铁死亡评分组，并使用外部转录组数据进行验证（图2G）。 作者发现在急性和亚急性阶段，铁死亡预后标记特征存在显著差异（图2H），并且其与铁死亡评分有很好的相关性（图2I）。以上结果表明该模型特征在一定程度上可以表征脊髓损伤后的铁死亡。

图2 Logistic回归模型构建及效应验证

3. SCI后铁死亡相关细胞类型的鉴定

随后作者旨在阐明与脊髓损伤后铁死亡相关的细胞类型，根据SCI后1、3和7天的将脊髓损伤组和对照组的细胞分为10种细胞类型，使用SCISSOR算法将GSE47681和GSE5296测序数据与SCI后相应的铁死亡评分数据结合起来（图3C）。其中在3天时单细胞测序数据中发现更多高铁死亡评分细胞（图3D）。细胞分化轨迹分析评估了从低铁死亡评分的细胞向高铁死亡评分的细胞转变，特别是从静止小胶质细胞向炎性小胶质细胞和边界相关巨噬细胞向趋化巨噬细胞的转变（图3E-F）。 使用Compass软件比较这两种不同的铁死亡相关细胞组之间代谢途径的差异，发现高评分组细胞的脂质代谢过程增加（图3G-H）。

图3 SCI后铁死亡相关细胞类型的鉴定

4.转录因子调控及细胞通讯分析

此外作者还评估了不同铁死亡亚组中 转录因子 激活的差异（图4A），使用SCENIC软件和靶基因的表达计算转录因子活性得分，并聚类为五个不同的模块M1、M2、M3、M4和M5。作者发现调节Atf3和Piezo1的转录因子模块主要是模块M2、M3和M5。图4B显示了高铁死亡评分细胞中调节Atf3和Piezo1转录因子的活性评分排名。M2、M3、M5模组主要活跃于高铁死亡评估组，M1、M4模组主要活跃于低铁死亡评分组（图4C-D）。而且该研究证实了两组之间Atf3和Piezo1表达水平的差异（图4E）。 细胞通讯分析发现相较于低评分组在高评分组中细胞之间的通信在数量和强度上都更多（图4F），此外高评分组肿瘤坏死因子（TNF）、TNF样细胞凋亡弱诱导剂（TWEAK）、趋化因子细胞因子配体（CCL）趋化因子、巨噬细胞迁移抑制因子信号通路显著上调（图4H-I）。

图4 转录因子调控及细胞通讯分析

5.