基于生信分析对阿尔茨海默病炎症相关关键基因的筛选及鉴定.pdf

论 著文章编号（23）5-0486-08基于生信分析对阿尔茨海默病炎症相关关键基因的筛选及鉴定司蕊豪1，刘羽茜1，朱仲康2，王旭3，侯文晓1，赵丹玉1（辽宁中医药大学中西医结合学院1.生物化学教研室；2.生理学教研室；3.组织与胚胎学教研室，沈阳110847）摘要 目的：筛选并鉴定阿尔茨海默病（AD）神经炎症相关关键基因。方法：用R语言limma包分别筛选GEO数据库中的数据集GSE144459（Healthy=16，AD=16）和GSE135999（Healthy=6，AD=7）中的差异基因（DEGs）；用在线韦恩图工具对上述获得的差异表达基因（DEG1、DEG2）与NCBI数据库获得（IRGs）取交集，以获得差异表达的IRGs；用R语言clusterProfiler包对其进行功能富集分析；通过STRING数据库（https：/string-db.org）和Cytoscape软件对差异表达IRGs进行PPI网络构建，并用cytoHubba插件来筛选PPI中的关键节点作为候选基因。后续用于LASSO回归分析进一步筛选特征基因并构建分类器，用数据集GSE122063（AD=56，Control=44）验证特征基因的表达并绘制箱线图。结果：本研究共获得106个差异表达的IRGs。富集分析与金黄色葡萄球菌感染、中性粒细胞外陷阱形成、Toll样受体、FcR介导吞噬作用等功能及信号通路相关。经过PPI网络的构建、LASSO回归分析、分类器构建及受试者工作特征（ROC）曲线绘制以及特征基因的表达验证，最终得出Fcgr2b、Cd14、Fcgr1、Fcgr3、Ly86在AD中具有较强的预测诊断能力。结论：Fcgr2b、Cd14、Fcgr1、Fcgr3、Ly86在AD中起着关键作用，可以作为AD潜在的诊断和治疗靶点。关键词阿尔茨海默病；炎症；生信分析中图分类号R742.8+9文献标志码Screening and identification of key genes associated with Alzheimer s disease inflammation based onbioinformatics analysisSI Rui-hao1，LIU Yu-xi1，ZHU Zhong-kang2，WANG Xu3，HOU Wen-xiao1，ZHAO Dan-yu1（1.Biochemistry Teaching and Research Section；2.Physiology Teaching and Research Office；3.Histology Embryology Teaching andResearch Section，Department of College of Integrated Traditional Chinese and Western Medicine，Liaoning University of TraditionalChinese Medicine，Shenyang 110847，China）AbstractObjective：To screen and identify key genes associated with neuroinflammation in Alzheimers disease（AD）.Methods：Thelimma package in R language was used to screen the differentially expressed genes（DEGs）in the datasets GSE144459（Healthy=16，AD=16）and GSE135999（Healthy=6，AD=7）in the GEO database，respectively.The online VennDiagram tool was used to intersect theabovedifferentiallyexpressedgenes（DEG1，DEG2）withtheinflammation-relatedgenes（IRGs）inNCBIdatabasetoobtainthedifferentiallyexpressed IRGs.The clusterProfiler package in R language was used to perform functional enrichment analysis.PPI networks wereconstructed for differentially expressed IRGs using the STRING database（https：/string-db.org）and Cytoscape software，and key nodes inthe PPI were screened as candidate genes using the cytoHubba plugin.Subsequently，LASSO regression analysis was performed to furtherscreen feature gene and classifier construction，and the expression of the feature gene was verified using the dataset GSE122063（AD=56，Control=44）and the box plot was drawn.Results：A total of 106 differentially expressed IRGs were obtained in this study.Enrichmentanalysis was associated with Staphylococcus aureus infection，neutrophil extracellular trap formation，Toll-like receptor signaling pathway，FcR-mediated phagocytosis and other functions and signaling pathways.After the construction of PPT network，LASSO regressionanalysis，classifier construction，ROC curve plotting and expression verification of feature genes，it is concluded that the Fcgr2b，Cd14，Fcgr1，Fcgr3，and Ly86 had strong predictive and diagnostic capabilities in AD.Conclusion：Fcgr2b，Cd14，Fcgr1，Fcgr3，and Ly86 playkey roles in AD and can be used as potential diagnostic and therapeutic targets for AD.Key wordsAlzheimers disease；inflammation；bioinformatics analysis阿尔茨海默病（Alzheimers disease，AD）是一种常见的慢性神经退行性疾病。据世界卫生组 织报道，截至2020年9月，全球约有5 000万AD患者1。由于人口老龄化的加剧，预计到2050年AD病例数将增至1.52亿2。AD的主要临床表现为记忆力减退和认知功能障碍，主要病理特征为淀粉样蛋白基金项目 国家自然科学基金资助项目（8 1 8 0 3 8 5 4）；辽宁省教育厅项目资助（L J K M Z 2 0 2 2 1 3 1 7）作者简介 司蕊豪（1 9 9 3-），女，硕士在读，研究方向：中医药防治代谢疾病；通信作者：赵丹玉，E-m a il：d a n y u 1 9 7 8 1 6 3.c o m。天津医科大学学报Journal of Tianjin Medical University第29卷5期23年9月 29熏 5Sep.23486（amyloid-protein，A）沉积、tau蛋白过度磷酸化、神经纤维缠结等3。大量研究表明，在AD发病过程中，各种炎症及炎症相关细胞因子在不同的大脑区域中异常表达，并且与疾病进展显著相关4-5。因此，研究炎症相关基因（inflammation-related genes，IRGs）的表达对 于诊断与防治AD尤为重要。本文旨在通过生信分析鉴定AD过程中与IRGs相关的特征基因，分析特征基因所富集的生物学途径，筛选并鉴定关键基因，为AD的临床诊断和治疗提供潜在的靶点。1对象与方法1.1数据的获取及差异表达IRGs的筛选通过GEO数据库（https：/www.ncbi.nlm.nih.gov/geo/）搜索“Alzheimer”并且下载GSE1444596-7（GPL21163 Agilent-074809SurePrint G3 Mouse GE v2 8x60K Microarray数据更新至Aug 25，2020）和GSE1359998（GPL21810 Agilent-074809 SurePrint G3 MouseGE v2 8x60K Microarray Feature Number version数据更新至Aug 28，2021）中的AD模型小鼠海马和正常小鼠海马转录组数据。使用limma9包分别分析两个数据集中的差异表达基因（differentially expressed genes，DEGs）。筛选标准为：P0.05。并 使 用ggplot210对DEGs进行可视化。然后在NCBI数据库中的Gene子数据库中搜索关键词“Inflammatory”及“Musmusculus”获得IRGs。运用在线韦恩图工 具（http：/bioinformatics.psb.ugent.be/webtools/Venn/）对 上 述 获 得 的 差 异 表 达 基 因（DEG1、DEG2）与NCBI数据库获得IRGs取交集并获得差异表达IRGs。1.2差异表达IRGs的功能富集分析基于GO及KEGG数据库，使用clusterProfiler11包对 差异表达IRGs进行功能富集分析，并对 富集结果进行可视化。GO富集分析包含生物过程、分子功能、细胞组成。本研究中筛选条件为P0.05，count1。选取排名前15的信号通路探索差异表达IRGs的生物学功能。1.3PPI网络构建及候选基因筛选1.3.1差异表达IRGs的PPI网络为探究差异表达IRGs之间是否存在互作关系，利用STRING数据库（https：/string-db.org）对106个差异表达IRGs进行PPI网络构建。置信度为0.4（Confidence=0.4），去除离散的蛋白。用Cytoscape软件对 蛋白网络图进行美化，得到PPI网络图。1.3.2PPI网络中候选基因筛选-cytoHubba利用cytoHubba插件来筛选PPI中的关键节点。根据nodes在网络中的属性进行排名。以MCC、DMNC、MNC、DEGREE、EPC 5种算法分别进行排序，然后对5种算法的TOP30基因取交集，获得候选基因。1.4特征基因的筛选及鉴定1.4.1LASSO回归分析筛选特征基因本研究以GSE144459（Healthy=16，AD=16）作为训练集，以GSE135999（Healthy=6，AD=7）作为验证集，来进行LASSO回归分析。设置参数为：family=binomial，type.measure=class；LASSO分析工具为R语言glmnet12包，以lambda最小值取0.000时的模型为最佳诊断模型。1.4.2鉴定特征基因并绘制受试者工作特征（ROC）曲线将筛选得到的特征基因输入文件进行主成份分析（principle component analysis，PCA），以确定对 疾病及正常小鼠的区分能力。使 用pROC13包绘制每个特征基因的ROC曲线，判断特征基因在AD中的预测诊断能力。ROC曲线下面积（AUC）的值一般在0.51.0之间。在0.50.7时预测诊断准确性较低，在0.70.9时具有一定的预测诊断意义，在0.9以上越接近于1.0，说明其预测诊断效果越好。1.5LASSO、SVM、GSVA分类器构建分别以GSE144459及GSE135999作为训练集和验证集，采用LASSO、SVM、GSVA 3种不同的算法分别计算8个特征基因，使用R语言pROC包绘制训练集及验证集的ROC曲线，并计算AUC，一般AUC值越大，说明预测的结果较为准确，对 应的分类器具有较高的分类意义。1.6特征基因功能网络为进一步探索特征基因（adj.P0.05）所靶向的通路及其发挥的功能，本研究使用clusterProfiler包对 其进行基于GO和KEGG的富集分析。并绘制特征基因与通路的网络图并且对 富集结果进行可视化。1.7特征基因的表达验证用AD相关的数据集GSE122063（AD=56，Control=44）验证8个特征基因（Fcgr2b、Cd14、Fcgr4、Fcgr1、Lyz2、Fcgr3、Ly86及Themis2）。采用秩和检验和R语言ggplot2包对 特征基因的表达进行分析和可视化。2结果2.1差异表达IRGs的筛选用limma包筛选GSE135999数据集AD/WT小鼠海马组 织中共存在2 101个差异表达基因（DEG1），其中920个上调基因，1 181个下调基因；GSE144459数据集AD/WT小鼠海马组 织中共存在9 239个差异表达的基因（DEG2），其中3 883个上调基因，5 256个下调基司蕊豪，等.基于生信分析对 阿尔茨海默病炎症相关关键基因的筛选及鉴定第5期487因。如图1A、1B所示。对 上述获得的差异表达基因（DEG1、DEG2）与NCBI数据库获得IRGs取交集，以获得差异表达的IRGs。结果共获得90个上调表达IRGs，16个下调表达IRGs，如图1C、D所示。2.2功能富集分析结果为探索差异表达IRGs的生物学功能，本研究对106个差异表达IRGs进行KEGG功能富集分析后，使用气泡图对TOP15通路进行展示（图2A）。得到差异表达IRGs参与了金黄色葡萄球菌感染、中性粒细胞外陷阱形成、破骨细胞分化、吞噬体、Toll样受体、FcR介导吞噬作用、趋化因子等信号通路。此外对106个差异表达IRGs进行GO分析，发现在BP中这些基因参与细胞对 生物刺激的反应、单核细胞增殖、淋巴细胞增殖、白细胞迁移、炎症反应的调节等方面。在CC中与溶酶体、吞噬囊泡、膜微区、膜筏、炎症体复合体等显著相关。在MF中与G蛋白耦联受体结合、免疫球蛋白结合、Toll样受体结合、CCR趋化因子受体结合、细胞因子受体结合等生物学功能相关（图2B）。2.3PPI网络构建及候选基因筛选2.3.1差异表达IRGs的PPI网络利用STRING数据库（https：/string-db.org）对106个差异表达IRGs进行PPI网络构建，得到98个蛋白的互作网关系，包括98个节点，815条边。然后用Cytoscape插件对 蛋白网络图进行美化，如图3。图中绿色表示下调表达，红色表示上调表达，颜色越深，上调/下调的越明显。2.3.2PPI网络中候选基因筛选-cytoHubba基于cytoHubba插件中的算法，对5种算法的TOP30基因取交集，获得17个候选基因。分别是Tyrobp、Fcgr3、Fcgr2b、Fcgr1、C1qa、Cd14、Cd86、Ctss、Irf8、Cd68、Fcgr4、Ccl4、Lyz2、Ly86、Clec7a、Ccl3、Themis2。然后使用UpSetR14包进行可视化，得到UpSet图，如图4。2.4特征基因的筛选及鉴定2.4.1特征基因的筛选用LASSO回归对 训练集GSE144459（Healthy=16，AD=16）和验证集GSE135999（Healthy=6，AD=7）进行分析，得到基因系数的图形和交叉验证的误差图。如图5，以lambda最小值取0.000时的模型为最佳诊断模型，可见LASSO回归分析筛选得到由8个基因构成的诊断模型，分别为Fcgr2b、Cd14、Fcgr4、Fcgr1、Lyz2、Fcgr3、Ly86及Themis2。2.4.2鉴定特征基因并绘制ROC曲线对8个特征基因进行PCA分析得出无论是在GSE135999还是GSE144459中，特征基因均可较好的区分AD组 和正常组（图6）。此外，通过绘制特征基因的ROC曲线（图7）可知每个基因的AUC值均在0.7以上，由此说明特征基因对AD具有较强的预测能力。2.5LASSO、SVM、GSVA分类器构建由LASSO模型（图8A）中可以看出，训练集及验证集的AUC均大于等于0.8；SVM模型中（图8B）训练集及验证集的AUC值均为1；GSVA模型中（图8C）中训练集及验证集的AUC值均在0.9以上。由此说明3种模型均为较好的分类器，对AD具有较高的预测能力，因此这8个基因可作为AD的特征基因。10.07.55.02.50.0-Log10（P-value）-1.0-0.50.00.51.0Log2（fold change）Log2（fold change）-20.0220100-Log10（P-value）GSE 135999-DEGsGSE 144459-DEGsGSE135999-上调GSE144459-上调炎症基因交集炎症基因GSE135999-下调GSE144459-下调交集ABCD注：A：GSE135999-DEGs；B：GSE144459-DEGs；C：下调表达IRGs韦恩图；D：上调IRGs韦恩图；其中红色代表上调基因，蓝色代表下调基因图1差异表达的IRGs的筛选Fig 1Screening of differentially expressed IRGs第29卷天津医科大学学报488注：A：KEGG通路富集分析；B：差异基因GO富集分析图2差异表达IRGs功能富集分析Fig 2Functional enrichment analysis of differentially expressed IRGs注：AD差异基因蛋白质相互作用网络图3差异表达IRGs的PPI网络Fig 3PPI networks for differential expression of IRGs注：候选基因的Upset图图4 MCC、DMNC、MNC、DEGREE、EPCTOP30基因交集Upset图Fig 4 MCC，DMNC，MNC，DEGREE，EPC TOP30 gene intersection Upset diagramABP.adjust151050Gene Intersections司蕊豪，等.基于生信分析对 阿尔茨海默病炎症相关关键基因的筛选及鉴定第5期489注：A：横坐标deviance表示模型解释的残差的比例，显示了特征基因数量随解释的残差的比例（dev）之间的变化关系，纵坐标是基因的系数（左）；B：横坐标是log（Lambda），纵坐标代表交叉验证的误差（右）图5LASSO回归分析筛选特征基因Fig 5Selection of characteristic genes by LASSO regression analysis0.70.60.50.40.30.20.10.0Coefficients-8-6-4-2Log Lambda8874A20-2-2.50.02.55.0B5.02.50.0-2.5-2.50.02.55.0151050-5-10-8-6-4-2Log（A）注：A：GSE144459；B：GSE135999图6特征基因对样本的PCAFig 6PCA of characteristic gene pair samples1.00.80.60.40.20.00.0 0.20.40.60.81.01-SpecificitySensitivity1.00.80.60.40.20.0Sensitivity0.0 0.20.40.60.81.01-Specificity1.00.80.60.40.20.0Sensitivity0.0 0.2 0.4 0.6 0.8 1.01-Specificity0.0 0.2 0.4 0.6 0.8 1.01-Specificity1.00.80.60.40.20.0Sensitivity1.00.80.60.40.20.0Sensitivity0.0 0.20.40.60.81.01-Specificity1.00.80.60.40.20.0Sensitivity0.0 0.20.40.60.81.01-Specificity1.00.80.60.40.20.0Sensitivity0.0 0.20.40.60.81.01-Specificity0.0 0.2 0.4 0.6 0.8 1.01-Specificity1.00.80.60.40.20.0Sensitivity注：特征基因的诊断ROC曲线，8个特征基因的AUC值均在0.7以上图7特征基因的鉴定Fig 7Identification of characteristic genesABAD正常组组别APP/PS1 AD正常组组别Dim2（12.9%）Dim1（80.9%）Individuals-PCADim1（71.9%）Individuals-PCADim2（10.7%）Misclassification Error8 8 8 8 8 8 8 8 8 8 7 6 6 5 4 3 2第29卷天津医科大学学报490注：A、B、C分别为LASSO、SVM、GSVA分类器的ROC曲线，左侧均为训练集曲线，右侧均为验证集曲线图8 LASSO、SVM、GSVA分类器的ROC曲线Fig 8 ROC curve of LASSO，SVM，GSVA classifiers2.6特征基因功能网络在生物过程方面，共获得151个Terms，特征基因与抗原刺激的急性炎症反应、B细胞介导免疫的调节、免疫球蛋白介导免疫应答的调节等功能相关（图9A）。在分子功能方面，共获得9个Terms，主要与酰胺结合、-淀粉样蛋白结合、水解酶活性、免疫受体活性、溶菌酶活性等功能相关（图9B）。在细胞组成方面，共获得7个Terms，与高尔基体顺面内胞浆网、质膜外侧固有成分、膜微区、膜筏等功能相关（图9C）。此外特征基因参与了急性髓系白血病、FcR-介导吞噬作用、利什曼病、中性粒细胞外陷阱形成、系统性红斑狼疮、肺结核等疾病相关通路（图9D）。2.7特征基因的表达验证如图10所示，8个特征基因中的5个基因（Fcgr2b、Cd14、Fcgr1、Fcgr3、Ly86）在AD脑组织中表达上调且有统计学意义。因此可作为AD发展过程中与炎症相关的关键基因。0.0 0.20.40.60.81.01-Specificity1.00.80.60.40.20.0Sensitivity0.0 0.20.40.60.81.01-Specificity1.00.80.60.40.20.0Sensitivity0.0 0.20.40.60.81.01-Specificity1.00.80.60.40.20.0Sensitivity1.00.80.60.40.20.0Sensitivity0.0 0.20.40.60.81.01-Specificity0.0 0.20.40.60.81.01-Specificity1.00.80.60.40.20.0Sensitivity0.0 0.20.40.60.81.01-Specificity1.00.80.60.40.20.0SensitivityABCABCD注：A：特征基因GO-BP功能网络；B：特征基因GO-MF功能网络图；C：特征基因GO-CC功能网络；D：特征基因KEGG通路网络图9特征基因功能网络Fig 9Characteristic gene function network司蕊豪，等.基于生信分析对 阿尔茨海默病炎症相关关键基因的筛选及鉴定第5期4913讨论AD是最常见且发病率最高的痴呆类型，严重影响着人们的生活质量，已经被世界卫生组 织列为全球公共卫生重点之一，同时也是造成老年人死亡的第三主要病因2。目前尚未找到有效治愈的药物或方法。临床上被诊断具有轻度认知障碍的AD患者其病情往往已经进展到了较晚的阶段，此时发生了不可逆转的脑损伤，不能通过保护神经或清除A沉积来治愈，这也是目前AD治疗效果不理想的重要原因15。因此，早期诊断以及寻找有效的治疗靶点对AD的防治具有重要的意义。大量研究表明，神经炎症在AD发生、发展中起着重要作用。本研究通过生物信息学分析方法鉴定出Fcgr2b、Cd14、Fcgr1、Fcgr3、Ly86为AD神经炎症过程中的关键基因，为AD的机制研究及诊断治疗提供新的思路。神经炎症在AD发生中涉及A的生成、神经元丢失、氧化应激等多方面病理过程。作为脑内固有免疫细胞的小胶质细胞在神经炎症的发生、发展过程中起着至关重要的作用。AD发病早期，在炎症因子和A等病理产物的作用下，小胶质细胞发挥趋化和吞噬作用对 病理物质进行清除，并减轻炎症。然而随着疾病的逐渐加重，小胶质细胞被持续刺激导致过度激活，其趋化和吞噬能力严重受损，对 病理产物的清除能力下降，使得A大量积聚，此时促炎因子白细胞介素-1、白细胞介素-6、肿瘤坏死因子-等产生持续增多，抑炎因子分泌减少，神经炎症不断加重，产生神经毒性，进一步加重神经损伤16。AD发病初期神经炎症的原因目前尚未完全阐明。在本研究中，KEGG富集分析结果提示AD神经炎症的发生与金黄色葡萄球菌感染、中性粒细胞外陷阱形成、细胞因子与细胞因子受体相互作用、FcR介导吞噬作用、Toll样受体等信号通路相关。GO富集分析结果提示AD的发生与白细胞迁移、炎症的调节、白细胞增殖、对 细菌源性分子的反应、对 外部刺激反应的积极调节、细胞因子产生的正调节等生物学功能相关。因此研究神经炎症机制对AD的诊断及防治具有至关重要的意义。研究表明，Fc片段结合受体（fcreceptors，FcRs）能够与IgG的Fc部分相结合。根据其不同的亲和力，FcRs可分为激活型受体和抑制型受体。其中Fcgr1、Fcgr3为激活型受体，Fcgr2b是唯一的抑制型受体17。激活型受体在与免疫复合物（immunecomplex，IC）交联后，Src家族激酶（src family kinase，SFK）使免疫受体酪氨酸激活基序（immunoreceptortyrosine-based activation motif，ITAM）上的酪氨酸残基磷酸化，募集脾酪氨酸激酶（spleen tyrosine kinase，SYK），介导信号的激活从而调控下游分子表达18。Fcgr1、Fcgr3广泛存在于人和小鼠的小胶质细胞中。AD状态下，两者在小胶质细胞中表达量增加。小胶质细胞在激活型受体的作用下，对A的吞噬能力增强19。Fcgr2b虽然不含ITAM基序，但其含有免疫受体酪氨酸抑制基序（Immunoreceptor tyrosine-based inhibition motif，ITIM），能够通过其携带的ITIM基序来拮抗激活型受体所引起的促进吞噬、释放炎性介质等信号，转导抑制型信号20。有研究提出Fcgr2b可能通过调控吞噬作用来参与心肌缺血再灌注损伤的病理过程21。此外，Fcgr2b是寡聚体A的受体，寡聚体A会导致在原代培养的小胶质细胞中Fcgr2b聚集增多22。Fcgr2b过表达则会介导A对 神经细胞的损伤作用，导致小胶质细胞凋亡19。总之，Fcgr1、Fcgr3、Fcgr2b在神经炎症AD中的具体机制仍需要进一步研究。本研究通过对GSE135999和GSE144459数据集差异表达的IRGs分析表明，在AD小鼠海马中，Fcgr1、Fcgr3、Fcgr2b均为上调基因，在外部数据集GSE122063中人脑组 织中得以验证，并且有较高的诊断效能，因此可能成为AD发病过程中神经炎症相关的关键基因。Cd14作为白细胞分化抗原的一种，主要分布在单核细胞、巨噬细胞等细胞表面23，其生物学活性主要表现在识别并结合脂多糖复合物。Cd14作为脂多糖受体，可以参与并调控脂多糖性细胞反应24。研究报道，多种损伤相关分子模式（damage-associatedmolecular patterns，DAMPs）可以作用于Cd14，促进炎性细胞分泌促炎因子22。Cd14还作用于RNA剪接、转运，参与蛋白酶体蛋白质的分解过程。Cd14也被证实与AD的发病相关，其作用机制可能是小胶质细胞表面激活的Cd14促进细胞摄取A，同时调节105Cd14Fcgr1Ly88Fcgr3Fcgr2b注：与正常组相比，*P0.05，*P0.000 1图105个特征基因在相关的GSE122063数据集的脑组织样本中的表达Fig 10Expression of five characteristic genes in brain tissue samples from the associated GSE122063 datasetGene expression第29卷天津医科大学学报492免疫应答，改变脑内的炎症，影响AD的发生、发展25。本研究结果表明Cd14在AD小鼠的海马以及人脑组织中均表现为上调基因，与之前学者研究一致25。Ly86基因所编码的蛋白质为MD-1，它与RP105（Toll样受体家族蛋白）相结合形成免疫复合物RP105/MD-1，在B细胞、巨噬细胞和树突细胞等免疫细胞中表达26。有研究猜测Ly86可能参与免疫功能异常相关疾病的调节过程27。已证实Ly86基因的DNA甲基化在肥胖、胰岛素抵抗和炎症中发挥重要作用28。有研究发现，与野生型相比，MD-1基因敲除可有效缓解高脂饮食诱导的小鼠脂肪组 织炎症及胰岛素抵抗。感染等内质网应激触发因素可诱导血清和尿液中MD-1的产生29。本研究结果发现Ly86在AD小鼠的海马和人脑组 织中均为上调基因，其机制还有待研究。综上所述，本研究基于生物信息学分析筛选出与AD炎症相关的8个特征基因，其中5个关键基因（Fcgr2b、Cd14、Fcgr1、Fcgr3、Ly86）可能成为AD潜在的诊断和治疗靶点，其作用机制有待进一步探究。本文为探索AD神经炎症发生、发展的分子机制、诊断和治疗提供了依据。参考文献：1SH Y，LIU B，ZHANG J，et al.Application of artificial intelligencemodeling technology based on fluid biopsy to diagnose AlzheimersdiseaseJ.Front Aging Neurosci，2021，13：768229.2CUMMINGS J，LEE G，RITTER A，et al.Alzheimers disease drugdevelopment pipeline：2018J.Alzheimers Dement（N Y），2018，4：195-214.3赵娜，夏杰，张晨斐，等.运动裨益AD的机制：大脑糖代谢紊乱和特征性病理症状的协同改善J.中国体育科技，2023，59（2）：43-49.4AKIYAMA H，BARGER S，BARNUM S，et al.Inflammation andAlzheimers diseaseJ.Neurobiol Aging，2000，21（3）：383-421.5 WILSON C J，FINCH C E，COHEN H J.Cytokines and cognition-the case for a head-to-toe inflammatory paradigmJ.J Am GeriatrSoc，2002，50（12）：2041-2056.6 OCHI S，IGA J I，FUNAHASHI Y，et al.Identifying blood transcriptome biomarkers of Alzheimers disease using transgenic miceJ.Mol Neurobiol，2020，57（12）：4941-4951.7 UENO M，YOSHINO Y，MORI H，et al.Association study and meta-analysis of polymorphisms and blood mRNA expression of the aldh2gene in patients with Alzheimer s disease J.J Alzheimers Dis，2022，87（2）：863-871.8 HOU Y，WEI Y，LAUTRUP S，et al.NAD+supplementation reducesneuroinflammation and cell senescence in a transgenic mouse modelof Alzheimers disease via cgas-stingJ.Proc Natl Acad Sci U S A，2021，118（37）：e2011226118.9 RITCHIE M E，PHIPSON B，WU D，et al.Limma powers differentialexpression analyses for RNA-sequencing and microarray studiesJ.Nucleic Acids Res，2015，43（7）：e47.10 WICKHAM H.Ggplot2 elegant graphics for data analysis introductionM.New York，NY：Springer，2009：1-7.11 YU G，WANG L G，HAN Y，et al.ClusterProfiler：an R package forcomparing biological themes among gene clustersJ.OMICS，2012，16（5）：284-287.12 ENGEBRELSEN S，BOHLIN J.Statistical predictions with glmnetJ.Clin Epigenetics，2019，11（1）：123.13 ROBIN X，TURCK N，HAINARD A，et al.pROC：an open-sourcepackage for r and s+to analyze and compare ROC curvesJ.BMCBioinformatics，2011，12：77.14 CONWAY J R，LEX A，GEHLENBORG N.UpSetR：an R packagefor the visualization of intersecting sets and their properties J.Bioinformatics，2017，33（18）：2938-2940.15 GU X，ZHOU J，ZHOU Y，et al.Huanglian jiedu decoction remo delsthe periphery microenvironment to inhibit Alzheimers disease progression based on the brain-gutaxis through multiple integratedomicsJ.Alzheimers Res Ther，2021，13（1）：44.16黄丽萍，卢龙辉，杨喜洋，等.基于TLR4/NF-B/N