摘要
本研究基于银屑病相关bulk RNA-seq、GWAS、单细胞RNA-seq及实验数据，整合差异分析、WGCNA、孟德尔随机化和多种机器学习算法，筛选并验证乳酸代谢相关关键标志物。鉴定出23个差异乳酸代谢相关基因，进一步通过MR和机器学习锁定GOT2、PYGL和SLC25A4三个稳定特征基因，其中SLC25A4在多队列中持续下调且诊断效能最佳。功能分析提示这些基因主要参与JAK-STAT信号通路、氨酰tRNA生物合成及线粒体代谢过程，并与免疫细胞浸润显著相关。单细胞分析表明角质形成细胞是关键作用细胞，且SLC25A4在其亚群中明显降低。免疫组化和HaCaT细胞实验进一步验证了SLC25A4下调可抑制细胞增殖并促进凋亡。综上，研究揭示了乳酸代谢异常在银屑病中的潜在致病机制，并提出SLC25A4可能是兼具诊断和治疗价值的新靶点。
一、文章简介
系统性地探究乳酸代谢相关基因在银屑病（PsO）发病机制中的作用，并筛选具有临床转化潜力的诊断生物标志物和治疗靶点。通过多组学整合分析，研究确定了三个关键基因（GOT2, PYGL, SLC25A4）作为稳健的诊断标志物，并深入揭示了以 SLC25A4 为核心的线粒体功能障碍、角质形成细胞（KC）异常增殖与凋亡失衡在PsO发病中的关键作用，为靶向乳酸代谢的个体化治疗提供了新思路。
数据来源： 研究主要利用来自GEO数据库的5个PsO相关转录组数据集（包括 GSE54456, GSE13355, GSE14905, GSE182740 的批量RNA-seq数据和 GSE220116 的单细胞RNA-seq数据），以及来自IEU OpenGWAS数据库的PsO全基因组关联分析（GWAS）汇总统计数据。
主要分析方法： 差异表达分析、加权基因共表达网络分析 (WGCNA)、孟德尔随机化、机器学习算法 (LASSO回归、SVM-RFE、Boruta)、人工神经网络模型 (ANN)、免疫浸润分析 (CIBERSORT)、 scRNA-seq数据分析 (细胞聚类、细胞通讯、拟时序分析)、分子对接 (Molecular Docking)、 体外细胞实验(CCK-8、EdU掺入、流式细胞术):
二、主要结论
1. WGCNA与差异表达分析联合筛选出23个PsO相关的乳酸代谢差异基因（DE-LRGs）
通过WGCNA分析，研究人员识别出与PsO表型高度相关的基因模块（FigD），并与差异表达基因及乳酸代谢相关基因集（LRGs）取交集，共鉴定出23个在PsO中差异表达的乳酸代谢相关基因（FigG）。
2.孟德尔随机化分析（MR）证实7个DE-LRGs与PsO存在潜在因果关系
为排除混杂因素影响，研究对23个DE-LRGs进行了两样本MR分析。结果显示，以逆方差加权法（IVW）为主（Tab1 & FigA-D），共筛选出7个与PsO存在潜在因果关联的枢纽基因（hub genes），包括GOT2、PYGL和SLC25A4等。敏感性分析（异质性、水平多效性检验及留一法）验证了结果的稳健性，MR Steiger检验进一步确认了因果方向的正确性（Tab2）。
Tab1: MR analysis of the IVW algorithm.
| Symbol | Id. exposure | Method | Nsnp | Pval | Or |
|---|---|---|---|---|---|
| GOT2 | eqtl-a-ENSG00000125166 | Inverse variance weighted | 39 | 2.01E-16 | 0.998456547 |
| PYGL | eqtl-a-ENSG00000100504 | Inverse variance weighted | 14 | 6.36E-06 | 0.998595691 |
| SLC25A4 | eqtl-a-ENSG00000151729 | Inverse variance weighted | 37 | 0.000189377 | 0.999047522 |
| C1QBP | eqtl-a-ENSG00000108561 | Inverse variance weighted | 5 | 0.003690087 | 0.996022890 |
| LDHA | eqtl-a-ENSG00000134333 | Inverse variance weighted | 18 | 0.025839679 | 1.000786304 |
| PLA2G6 | eqtl-a-ENSG00000184381 | Inverse variance weighted | 24 | 1.68E-06 | 0.998352541 |
| KCNN4 | eqtl-a-ENSG00000104783 | Inverse variance weighted | 83 | 4.62E-07 | 0.999448485 |
Tab 2: MR Steiger test.
| Id. exposure | Id. outcome | Snp_r2.exposure | Snp_r2.outcome | Correct_causal_direction | Steiger_pval |
|---|---|---|---|---|---|
| eqtl-a-ENSG00000125166 | ebi-a-GCST90038681 | 0.32959683761375 | 0.000190889782748537 | TRUE | 0 |
| eqtl-a-ENSG00000100504 | ebi-a-GCST90038681 | 0.113632729906957 | 5.1459255724763e-05 | TRUE | 0 |
| eqtl-a-ENSG00000151729 | ebi-a-GCST90038681 | 0.156338927551825 | 9.11434150655273e-05 | TRUE | 0 |
| eqtl-a-ENSG00000108561 | ebi-a-GCST90038681 | 0.00645125026334706 | 1.85338766828107e-05 | TRUE | 3.01383990146598e-35 |
| eqtl-a-ENSG00000134333 | ebi-a-GCST90038681 | 0.106504111763296 | 3.38254628369246e-05 | TRUE | 0 |
| eqtl-a-ENSG00000184381 | ebi-a-GCST90038681 | 0.101827830114423 | 6.90859806579108e-05 | TRUE | 0 |
| eqtl-a-ENSG00000104783 | ebi-a-GCST90038681 | 0.840278505754183 | 0.000287331468543069 | TRUE | 0 |
3. 机器学习算法鉴定GOT2、PYGL和SLC25A4为PsO的核心诊断生物标志物
基于7个枢纽基因，研究应用LASSO（Fig 3A-B）、SVM-RFE（FigC）和Boruta（FigD）三种机器学习算法进行特征选择。三个算法的结果取交集，最终确定GOT2、PYGL和SLC25A4为特征基因（FigE）。在多个独立数据集中验证了它们的差异表达（FigF），且ROC曲线显示三者均具有极高的诊断价值（FigG）。
4. 人工神经网络（ANN）模型及GSEA揭示生物标志物的卓越诊断效能与关键通路
基于三个标志物构建的ANN模型在训练集和多个验证集中均表现出色(AUC>0.9)，证明其具备优秀的PsO预测能力（FigA-C）。GSEA富集分析显示，三个基因共同富集于JAK-STAT信号通路和氨酰-tRNA生物合成通路（FigD-F），暗示它们可能通过调控免疫与代谢串扰参与PsO发病。
5. 免疫浸润与相关性分析揭示生物标志物与PsO免疫微环境重塑密切相关
CIBERSORT分析显示PsO组织中免疫细胞构成发生显著变化，如静息树突状细胞和静息肥大细胞浸润减少（FigA）。相关性分析发现，SLC25A4 与静息肥大细胞、GOT2 和 PYGL 与趋化因子CXCL1等免疫因子存在显著相关（FigC-D）。构建的基因-免疫细胞-免疫因子互作网络（FigI）表明，这些标志物深度参与了PsO的免疫调控网络。
6. 单细胞测序（scRNA-seq）将角质形成细胞（KC）鉴定为SLC25A4功能的核心靶细胞
通过分析scRNA-seq数据，研究在单细胞水平上鉴定了8种细胞类型（FigA）。发现角质形成细胞（KC）在PsO中比例显著降低（FigE），且三个标志物主要在KC、T细胞等中表达（FigF）。进一步对KC进行亚型分析，鉴定出4种分化亚型（FigG），并发现SLC25A4在PsO的KC中表达显著下调（FigI），将SLC25A4的功能研究聚焦于KC细胞。
7. 细胞通讯、拟时序分析与体外实验揭示SLC25A4调控KC分化与增殖-凋亡平衡
细胞通讯分析显示PsO中KC与KC间的通讯增强，并涉及MIF信号通路（Fig8D, 8I）。拟时序分析表明，在PsO中，三个标志基因均在KC分化的早期阶段高表达（Fig9F, 9H），提示它们参与KC分化的早期异常调控。 体外实验证实(图略，原文Fig12)，在HaCaT细胞中敲低SLC25A4会显著抑制细胞增殖并促进细胞凋亡。结合其在线粒体能量代谢中的核心功能，揭示了SLC25A4通过维持线粒体稳态来调控KC增殖-凋亡平衡，其下调是PsO发病的关键环节之一。
Fig 8:
Fig 9:
8. 分子对接预测SLC25A4、GOT2和PYGL具有成为药物靶点的潜力
通过 DGIdb 和 DSigDB 预测了与 3 个生物标志物相关的潜在药物/化合物，通过CB-Dock2进行了分子对接模拟( FigF-H)。
三、文章小结
本文从公共数据库出发，结合生物信息学、遗传学与基础实验验证，系统性地论证科学问题，具有很高的复现和参考价值。整体思路为转录组筛选 → 因果推断（MR） → 核心标志物鉴定（机器学习） → 多组学机制挖掘 → 分子对接转化评估 → 湿实验功能验证，其复现套路清晰：
-
转录组筛选：通过差异表达分析 + WGCNA筛选疾病相关基因，再与特定基因集（如乳酸代谢）取交集，获得目标基因集。
-
因果推断：应用孟德尔随机化（MR）分析从遗传学角度筛选出具有因果关联的枢纽基因，增强证据等级。
-
核心标志物鉴定：运用多种机器学习算法（LASSO, SVM-RFE, Boruta）取其交集，并结合ROC曲线和ANN模型评估，以获得稳健且具有高诊断价值的生物标志物。
-
多组学机制挖掘： 宏观层面通过免疫浸润和GSEA分析标志物与免疫微环境及信号通路的关系;微观层面通过scRNA-seq分析定位标志物的关键细胞亚群，并进行亚群分类、细胞通讯和拟时序分析，深入探究其在特定细胞分化、互作中的动态作用。
-
实验验证和成药性评估：通过免疫组化（IHC）验证蛋白水平，并通过体外细胞实验（基因敲低+功能表型）验证核心基因的生物学功能。通过分子对接（Molecular Docking）预测标志物与潜在药物/化合物的结合亲和力，评估其作为药物靶点的可行性。