基于生物信息學方法探究潰瘍性結腸炎的關鍵基因和通路

潰瘍性結腸炎（ulcerative colitis，UC）是一種以結直腸黏膜連續性、彌漫性炎癥表現為特點的慢性非特異性疾病，其發病機制尚不明確，臨床很難根治。UC 主要癥狀為腹痛、腹瀉、黏液膿血便等，癥狀輕重不等，但多為反復發作的慢性病程，嚴重影響患者的心理、經濟狀況和生活質量

。目前UC 以藥物治療為主，常用藥物有氨基水楊酸類、糖皮質激素、免疫抑制劑等，但這些藥物存在一定的不良反應，患者依從性低，治療效果也不理想

。因此，尋求新的藥物治療靶點，開發新的高效、低毒的UC 治療藥物成為研究熱點。近年來，隨著高通量測序平臺及研究方法在疾病基因表達分析的應用，各種疾病的相關機制逐漸從基因和分子層面被闡明

。本研究采用基于Affymetrix 芯片平臺的GSE42911 數據集，探究潰瘍性結腸炎（UC）的發病機制，為其早期診斷和治療藥物的開發提供新思路。

1 資料與方法

1.1 基因芯片數據獲取 以“Ulcerative Colitis”為關鍵詞，在Gene Expression Omnibus（GEO）數據庫中檢索與UC 相關的表達譜數據。選擇GSE42911 芯片數據進行挖掘，該研究是基于GPL15207 平臺（affymetrix human gene expression array）的芯片，由Kellermayer R 提交。由10 個樣本構成，分別為GSM1053271、GSM1053272、GSM1053273、GSM1053274、GSM1053277、GSM1053268、GSM1053269、GSM1053270、GSM1053275、GSM1053276。其中，前5 個樣本來自5 例潰瘍性結腸炎患者，后5 個樣本來自5 名正常人。

1.2 篩選差異基因 GEO2R 是GEO 數據庫中以R語言為基礎的交互式在線分析工具，借助R 語言及Limma 包對GEO 樣品數據行基因差異表達分析

。本研究利用該工具篩選UC 患者和正常人大腸組織的差異基因（DEGs）。以基因倍數改變（fold change，FC）大于1.5，即|logFC|＞1.5 作為DEGs的篩選標準，以

＜0.05 為差異有統計學意義，除去重復和無效基因，得到本芯片的DEGs

。采用R 語言繪制DEGs的熱圖和火山圖。

1.3 核心DEGs 篩選與生物學過程及信號通路分析將DEGs 導入STRING 數據庫，設置篩選標準：combined score＞0.4，將分析數據以TSV 格式導出，再導入Cytoscape 3.2.1 軟件中，然后使用軟件的NetworkAnalyzer 進行分析。在網絡中，度值（Degree）表示某一節點與其他節點連接邊的數量

；中介中心度（betweenness centrality，BC）表示一個節點擔任其它兩個結點之間最短路的橋梁的次數。BC 值越大，表示節點在網絡拓撲結構中的樞紐程度越重要

。目前，網絡分析的主要方法是選擇節點Degree 值及BC 值高的作為網絡的關鍵節點

。本研究也采用該分析方法，篩選BC＞0.01，Degree＞30的作為UC的核心DEGs。對大規模基因進行功能注釋，包括基因功能富集分析（GO 基因本體論）和基因通路富集分析（KEGG）。GO 分析包括分子功能（molecular function，MF）、細胞組分（cellular components，CC）和生物學過程（biological process，BP）

。接著將核心DEGs 導入DAVID 數據庫，并限定物種為人，進行基因功能注釋分析和功能富集分析，然后導出數據，對生物過程（

＜0.01）和信號通路（

＜0.05）進行篩選，用R 語言對GO 和KEGG 富集分析結果進行可視化。

1.4 蛋白質相互作用網絡構建及分析 將得到的核心DEGs 導入STRING 數據庫繪制蛋白-蛋白互作網絡圖（protein-protein interaction，PPI），將分析數據以TSV 格式導出，導入Cytoscape 3.2.1 軟件，繪制PPI 網絡圖，并對網絡進行拓撲結構分析；再利用“Generate style from statistics”工具對網絡節點的大小和顏色進行設置。網絡圖中節點的大小、顏色及其深淺變化代表Degree 值的大小，邊的粗細反映了Combine Score的大小，從中篩選出Degree 值和接近中心度排名靠前的靶點。

形聲字是現代漢字的主體，其中形符的表義功能，有助于留學生理解漢字的含義；聲符的示音功能，利于留學生了解讀音。對外漢語教師運用形聲字的這些優勢進行教學，不僅可以減輕學生們的負擔，而且能夠增強他們的信心，激發他們學習漢字的熱情。

2 結果

2.3 PPI 網絡分析結果 將核心DEGs 上傳至STRING 數據庫，PPI 網絡圖包含35 個節點和171條邊，平均節點Degree 值為9.77，富集

＜1.0E-16。將網絡分析數據以TSV 格式從STRING 數據庫中導出，然后導入Cytoscape 3.2.1 軟件中，繪制PPI 網絡圖，Degree 排名前10的靶點包括RACK1、ACTG1、UBB、CCT8、HSPD1、SOD1、CDC42、PSMA6、CFL1、RPL7，見圖4。

1.4 統計學方法 采用SPSS 17.0統計軟件進行處理分析，計量資料以均數±標準差(±s)表示，組間比較采用t檢驗，計數資料用χ2檢驗。

再次，建立健全存貨內部控制管理制度，確保采購、驗收、入庫、保管、出庫等各個環節都有嚴格審批手續和監督控制措施，明確規定各崗位的職責。

2.2 核心DEGs 篩選與生物學過程及信號通路分析共得到36 個UC的核心DEGs，包括：UBB、CYCS、GNB2L1、APP、CDC42、SOD1、ACTG1、ISG15、RHOA、ACTR2、B2M、CANX、ATP5B、TXN、ATP5A1、CCT8、PFDN5、RAB11A、RAB7A、HNRNPA2B1、NEDD8、HSPD1、PARK7、TFRC、SDHB、RPL7、PSMA6、PCBP1、ATP5O、ANXA2、RPS27、GDI2、RAC1、CFL1、FAU、PTGES3。功能注釋結果顯示：36 個UC 核心DEGs共在53 個（

＜0.01）GO term 上富集，其中BP18 個，CC24 個，MF11 個。BP 主要富集在Gtpase 介導的信號轉導、細胞或亞細胞成分的運動、線粒體ATP 合成耦合質子轉運、ATP 合成耦合質子運輸、線粒體膜電位的調節等；CC 主要富集在胞外外體、胞質溶膠、細胞外間質、局部粘連等；MF 主要富集在蛋白質結合、多聚RNA 結合、質子轉運ATP 合成酶活性、谷胱甘肽酶活性、跨膜轉運活性等，BP、CC、MF的COUNT 得分排名前5的結果見表1、圖2。KEGG 通路分析顯示：36 個UC 核心DEGs 共富集在25 條通路上，主要包括：吞噬體、黏著小帶、細菌侵襲上皮細胞、沙門氏菌感染、肌動蛋白細胞骨架調節、白細胞內皮移動等，見表2、圖3。

2.1 差異基因篩選結果 共篩選出487 個差異基因，其中上調465 個，下調22 個。采用R 語言繪制火山圖，見圖1A；繪制前30 位上調基因和下調基因的熱圖，見圖1B。

3 討論

隨著高通量芯片技術發展，利用生物信息學方法可以更加快速、經濟、高效地篩選出參與疾病發病機制的重要基因，為疾病的診斷、治療及藥物設計提供依據。本研究基于生物信息學分析篩選出UC的487 個DEGs，上調基因465 個，下調基因22 個，然后篩選得到36 個UC 核心DEGs。進一步探究了核心DEGs的生物學過程、分子功能和細胞組成，發現涉及的生物過程包括：GTP 酶介導的信號轉導、細胞或亞細胞成分的運動、線粒體ATP 合成耦合質子轉運、ATP 合成耦合質子運輸、線粒體膜電位的調節、胞外外體、胞質溶膠、細胞外間質、局部粘連、蛋白質結合、多聚RNA 結合、質子轉運ATP 合成酶活性、谷胱甘肽酶活性、跨膜轉運活性等，這些與UC的發生和發展都有一定的聯系。KEGG 通路分析顯示主要通路包括：吞噬體、黏著小帶、細菌侵襲上皮細胞、沙門氏菌感染、肌動蛋白細胞骨架調節、白細胞內皮移動等。

PPI 網絡分析結果顯示，RACK1、ACTG1、UBB、CCT8、HSPD1、SOD1、CDC42、PSMA6、CFL1、RPL7等靶點是網絡中的核心節點，推測它們是UC 發病的關鍵基因。目前研究顯示，RACK1 通過控制蛋白激酶C（protein kinase C，PKC）介導的信號通路將蛋白錨定在特定亞細胞位置并調節活性，導致下游激酶的激活或失活，從而控制細胞極性，從動力學角度調節細胞骨架的動力。此外，RACK1 基因的過表達，調節某些癌癥的上皮間質轉化，從而促進多種不同腫瘤細胞的侵襲和擴散

。研究顯示

，UC 患者結腸黏膜中CDC42 水平較正常人顯著升高。CDC42是RhoGTP 酶蛋白家族中的一員，與GTP 結合后活化的CDC42 可以調控細胞黏附、細胞骨架重排、細胞運動和遷移、細胞膜蛋白物質運輸等多種生物學活動

。在T 細胞中，CDC42 過表達對細胞骨架的肌動蛋白和微管蛋白分極和遷移、分化均有影響

。CDC42 還會使癌細胞依附于血管壁上，從而使它們通過血液擴散到身體的其他部位。因此，理論上抑制CDC42 蛋白可以使癌細胞無法依附于血管內壁的內皮細胞上，從而減少其擴散的機會，這在未來極有可能成為新的預防癌細胞擴散和轉移的新靶點。

綜上所述，RACK1、ACTG1、UBB、CCT8 等基因可能通過調控吞噬體、黏著小帶、細菌侵襲上皮細胞、沙門氏菌感染、肌動蛋白細胞骨架調節、白細胞內皮移動等信號通路參與潰瘍性結腸炎的發生發展。

[1] 張雪瑩,單海燕,薄淑萍.隔藥灸神闕八陣穴聯合角調五音療法治療潰瘍性結腸炎伴焦慮抑郁狀態效果觀察[J].天津中醫藥大學學報,2019(1):38-41.

[2] 中國中西醫結合學會消化系統疾病專業委員會.潰瘍性結腸炎中西醫結合診療共識意見（2017年）[J].中國中西醫結合消化雜志,2018,26(2):105-111,120.

[3] 張玉潔,梁潔,吳開春.炎癥性腸病診斷與治療的共識意見（2018年）潰瘍性結腸炎部分解讀[J].中華消化雜志,2018,38(5):312-314.

[4] 劉建軍,劉東,王希龍,等.北豆根對潰瘍性結腸炎模型大鼠的治療作用[J].中醫學報,2018,33(8):1476-1479.

[5] Laharie D.Towards therapeutic choices in ulcerative colitis[J].Lancet,2017,390(10090):98-99.

[6] Guo Y,Bao Y,Ma M,et al.Identification of key candidate genes and pathways in colorectal cancer by integrated bioinformatical analysis[J].Int J Mol Sci,2017,18(4):722.

[7] Li Y,Jiang Q,Ding Z,et al.Identification of a common different gene expression signature in ischemic cardiomyopathy[J].Genes (Basel),2018,9(1):56.

[8] 劉萌,段琪琪,王敏,等.基于生物信息學分析探究銀屑病關鍵基因和通路[J].中國皮膚性病學雜志,2019,33 (11):1232-1238.

[9] 馮春來,顧於梅,秦悅,等.基于模塊分解的生物網絡分析算法及其應用[J].中成藥,2016,38(10):2227-2232.

[10] 朱敬成,劉輝,王倫文,等.基于網絡拓撲重合度的關鍵節點識別方法[J].計算機應用研究,2021,38(12):3581-3585.

[11] 王治,洪莉,李素廷,等.基于GEO 數據庫生物信息學方法分析子宮內膜癌相關基因和候選通路[J].吉林大學學報（醫學版）,2020,46(4):904-808.

[12] 李寧,吳海明,耿榮鑫,等.基于生物信息學的糖尿病心肌病生物標志物及關鍵通路的篩選[J].中華老年多器官疾病雜志,2019,18(5):321-326.

[13] 徐麗秀,李金秋,哈提拉·吐爾遜,等.RACK1 通過調控脂質合成促進子宮頸癌ME180 細胞侵襲、遷移及增殖[J].臨床與實驗病理學雜志,2022(7):775-782.

[14] 祁代華.SLP-2 和CDC42 蛋白在結直腸癌組織中的表達及其臨床意義[D].鄭州:鄭州大學,2019.

[15] 李晨.CDC42 對炎癥性腸病中Thl7 細胞作用的研究[D].廣州:南方醫科大學,2015.

[16] 商浩,王萍,劉春霞,等.Rac1 和Cdc42 對橫紋肌肉瘤細胞增殖、侵襲、遷移以及凋亡的影響[J].安徽醫科大學學報,2020,55(3):379-384.