阿尔茨海默病NK细胞与铜死亡的相关基因分析

doi:10.12307/2025.036

中国组织工程研究 ›› 2025, Vol. 29 ›› Issue (19): 4172-4180.doi: 10.12307/2025.036

• 干细胞相关大数据分析 Stem cell-related big data analysis • 上一篇

阿尔茨海默病NK细胞与铜死亡的相关基因分析

陈桂琳，汤其强

安徽医科大学附属省立医院神经内科，安徽省合肥市 230001

收稿日期:2024-01-02 接受日期:2024-03-01 出版日期:2025-07-08 发布日期:2024-09-13
通讯作者: 汤其强，博士，博士后，教授，主任医师，安徽医科大学附属省立医院神经内科，安徽省合肥市 230001
作者简介:陈桂琳，女，1999年生，安徽省合肥市人，汉族，安徽医科大学在读硕士，主要从事阿尔茨海默病等神经退行性疾病的机制研究。
基金资助:
中国科学院战略性先导科技专项(B类)子课题(XDB39040400)，项目负责人：汤其强

Cuproptosis-related genes in natural killer cells of Alzheimer’s disease

Chen Guilin, Tang Qiqiang

Department of Neurology, Provincial Hospital Affiliated to Anhui Medical University, Hefei 230001, Anhui Province, China

Received:2024-01-02 Accepted:2024-03-01 Online:2025-07-08 Published:2024-09-13
Contact: Tang Qiqiang, MD, Professor, Chief physician, Department of Neurology, Provincial Hospital Affiliated to Anhui Medical University, Hefei 230001, Anhui Province, China
About author:Chen Guilin, Master candidate, Department of Neurology, Provincial Hospital Affiliated to Anhui Medical University, Hefei 230001, Anhui Province, China
Supported by:
Strategic Leading Science and Technology Project of Chinese Academy of Sciences (Class B), No. XDB39040400 (to TQQ)

摘要/Abstract

摘要：

文题释义：

阿尔茨海默病：是目前最常见的神经退行性疾病之一，多表现为认知功能减退，严重时影响日常生活能力，最终可导致基本生活能力丧失。
生信分析：利用生物信息学工具、方法和技术对生命科学数据进行分析和研究的一个领域，是对大量生物信息数据进行有效处理、挖掘和分析的重要手段。

摘要
背景：阿尔茨海默病的免疫相关致病机制尚不明确，通过生物信息学探讨阿尔茨海默病患者NK细胞与铜死亡机制的相关性，可为研究阿尔茨海默病的发生发展提供新方向。
目的：使用生物信息学分析方法筛选阿尔茨海默病患者外周血中NK细胞与铜死亡相关的关键基因，并在临床标本水平加以验证。
方法：利用GEO在线数据库筛选阿尔茨海默病患者外周血转录组差异表达基因和NK细胞相关基因，与已报告的铜死亡因子取交集，获取差异表达的铜死亡相关基因；接着采用RT-qPCR技术对基因相对表达量进行实验验证，实验样本来自于安徽省立医院神经内科2021-2023年住院患者的外周血，按照纳排标准纳入疾病组30例及对照组20例。后续进一步使用在线GeneMANIA网站构建蛋白质-蛋白质互作网络；利用R语言进行免疫浸润分析；基于ENCODE数据库进行转录因子预测。
结果与结论：①利用GSE63060数据集中阿尔茨海默病患者外周血转录组差异表达基因、GSE168522数据集中NK细胞相关基因、已报告的铜死亡基因，应用在线韦恩图工具、LASSO算法及随机森林机器学习方法筛选获取4个差异表达的铜死亡相关基因：铁氧还原蛋白1(ferredoxin 1，FDX1)、铜离子转运ATP酶a肽(ATPase Cu2+ transporting alpha polypeptide，ATP7A)、丙酮酸脱氢酶β(pyruvate dehydrogenase El subunit beta，PDHB)和二氢硫辛酰胺琥珀酰转移酶(dihydrolipoamide succinyltransferase，DLST)。②临床样本实验验证，FDX1和ATP7A在阿尔茨海默病患者外周血中表达上调(P < 0.001)，且在载脂蛋白E4不同基因型中呈差异性表达(P < 0.01，P < 0.001)；PDHB和DLST在阿尔茨海默病患者外周血中表达下调(P < 0.001)，在载脂蛋白E4不同基因型中表达无显著性意义(P > 0.05)。③蛋白质-蛋白质互作网络发现20种功能蛋白与关键基因相关联，免疫浸润分析结果验证了关键基因与12个免疫细胞具有显著相关性(以P < 0.05为具有相关性)。④生物信息学分析与实验验证结果提示，FDX1，ATP7A，PDHB和DLST基因在阿尔茨海默病中存在差异性表达，这4个基因在阿尔茨海默病外周血的NK细胞中可能通过铜死亡机制参与了疾病的发生发展，文章结果为阿尔茨海默病的诊断及治疗提供了潜在的靶点。

https://orcid.org/0009-0006-7829-1655 (汤其强)

中国组织工程研究杂志出版内容重点：干细胞；骨髓干细胞；造血干细胞；脂肪干细胞；肿瘤干细胞；胚胎干细胞；脐带脐血干细胞；干细胞诱导；干细胞分化；组织工程

关键词: 阿尔茨海默病, 生物信息学, NK细胞, 铜死亡, FDX1, ATP7A, PDHB, DLST

Abstract: BACKGROUND: The immune-related pathogenesis of Alzheimer’s disease is still unclear. Exploring the correlation between natural killer cells and cuproptosis mechanism in Alzheimer’s disease patients through bioinformatics can provide a new direction for the study of the occurrence and development of Alzheimer’s disease.
OBJECTIVE: To screen the key genes related to cuproptosis of natural killer cells in peripheral blood of patients with Alzheimer’s disease by bioinformatics analysis and verify them in clinical specimens.
METHODS: The GEO online database was used to screen the transcriptome differentially expressed genes and natural killer cell related genes in the peripheral blood of patients with Alzheimer’s disease, and intersected with the reported cuproptosis factors. Differentially expressed cuproptosis-related genes were obtained. Then RT-qPCR technology was used to verify the relative gene expression levels. The experimental samples were all from peripheral blood of hospitalized patients in the Department of Neurology of Anhui Provincial Hospital from 2021 to 2023, and 30 patients in the disease group and 20 in the control group were included according to the inclusion and exclusion criteria. The protein-protein interaction network was further constructed using the online GeneMANIA website. R language was used for immune infiltration analysis. Transcription factor prediction was conducted based on ENCODE database.
RESULTS AND CONCLUSION: (1) The differential expression genes of peripheral blood transcriptome of Alzheimer’s disease patients in GSE63060 data set, natural killer cell related genes in GSE168522 data set, and reported cuproptosis genes were used to screen and obtain four differentially expressed cuproptosis-related genes by using online Venn diagram tool, LASSO algorithm, and random forest machine learning methods: ferredoxin 1 (FDX1), ATPase Cu2+ transporting alpha polypeptide (ATP7A), pyruvate dehydrogenase El subunit beta (PDHB), and dihydrolipoamide succinyltransferase (DLST). (2) Clinical sample experiments showed that FDX1 and ATP7A were up-regulated in peripheral blood of patients with Alzheimer’s disease (P < 0.001), and were differentially expressed in different genotypes of apolipoprotein E4 (P < 0.01, P < 0.001). The expression of PDHB and DLST in peripheral blood of patients with Alzheimer’s disease was down-regulated (P < 0.001), and there was no difference in apolipoprotein E4 genotypes (P > 0.05). (3) Protein-protein interaction network found that 20 functional proteins were associated with key genes, and immunoinfiltration analysis showed that key genes were significantly associated with 12 immune cells (P < 0.05 was considered to be relevant). (4) Bioinformatics analysis and experimental verification results suggest that FDX1, ATP7A, PDHB, and DLST are differentially expressed in Alzheimer’s disease, may participate in the occurrence and development of Alzheimer’s disease through the cuproptosis mechanism in peripheral blood natural killer cells, and also provide potential targets for the diagnosis and treatment of Alzheimer’s disease.

Key words: Alzheimer’s disease, bioinformatics, natural killer cell, cuproptosis, FDX1, ATP7A, PDHB, DLST

中图分类号:

陈桂琳, 汤其强. 阿尔茨海默病NK细胞与铜死亡的相关基因分析[J]. 中国组织工程研究, 2025, 29(19): 4172-4180.

Chen Guilin, Tang Qiqiang. Cuproptosis-related genes in natural killer cells of Alzheimer’s disease[J]. Chinese Journal of Tissue Engineering Research, 2025, 29(19): 4172-4180.

图/表（结果） 7

2.1 数据集信息及关键基因筛选结果 经仔细筛选后下载芯片编号为GSE63060(疾病组145例，对照组184例)原始文件，使用limma包对阿尔茨海默病患者及健康受试者外周血中差异基因进行分析，以P < 0.05，|logFC|>1作为条件筛选，共有21 684个基因符合要求，其中11 043个基因表达上调，10 641个基因表达下调，使用ggplot2包和pheatmap包绘制关键基因的火山图及热图见图1。将处理校正后的数据与收集到的铜死亡基因，以及阿尔茨海默病的单细胞数据集GSE168522(疾病组4例，对照组2例)中已报告过的NK细胞相关基因，进行交集筛选，共获得4个关键基因，绘制韦恩图见图2，其中FDX1和ATP7A在阿尔茨海默病中表达上调，DLST和PDHB在阿尔茨海默病中表达下调。

2.2 lasso回归分析及随机森林筛选结果 基于上述得到的差异表达基因，采用LASSO回归分析对GSE63060进一步分析，以筛选最关键的基因，得到基因系数的图形和交叉验证的误差图，见图3A，B。以lambda最小值的模型为最佳诊断模型，筛选得到由4个基因构成的诊断模型，分别为FDX1，ATP7A，PDHB和DLST。进一步使用随机森林算法对基因进行筛选并评估它们的重要性，其中ATP7A对模型预测性能贡献最大，见图3C，D。

2.3 临床样本验证结果
2.3.1 各组关键基因相对表达水平差异 采用RT-qPCR技术对阿尔茨海默病患者及对照组患者外周血中FDX1，ATP7A，PDHB和DLST mRNA相对表达水平进行检测发现，FDX1和ATP7A在疾病组中的mRNA相对表达量上调(P < 0.001)，PDHB和DLST在疾病组中的mRNA相对表达量下调(P < 0.001)，结果见图4。

2.3.2 关键基因的表达差异 两组对象年龄、性别、MMSE、脂蛋白a、FDX1、ATP7A、PDHB、DLST mRNA相对表达量有显著性差异(P < 0.05，P < 0.001)，见表2。
在阿尔茨海默病患者中，关键基因的mRNA相对表达量在APOE4+/APOE4-中无显著性差异，见表3；而FDX1和ATP7A的mRNA相对表达量在APOE双E4/单E4基因型中具有差异性表达(P < 0.01，P < 0.001)，见表4，图5。

2.4 关键基因的蛋白质-蛋白质互作网络 基因编码蛋白的相互作用关系图见图6，发现有20种功能蛋白与FDX1，ATP7A，PDHB和DLST相关联，其中OGDH，DLAT，DLD和PDHA1与其关联性最强；PDHB与DLST共同参与了3种功能调控，分别为酰基辅酶a代谢、硫脂代谢及氧化还原酶复合体合成，PDHB还参与了乙酰辅酶a的合成与代谢。

2.5 关键基因的免疫浸润差异 图7显示，在22个免疫细胞与关键基因的相关性分析中，FDX1，ATP7A，PDHB和DLST与12个免疫细胞具有显著相关性：PDHB与M0巨噬细胞、肥大细胞、中性粒细胞及调节性T细胞呈强负相关，与CD8+、滤泡型T细胞呈强正相关(P < 0.001)；FDX1与M0巨噬细胞呈强负相关(P < 0.001)；DLST与单核细胞、中性粒细胞呈负相关，与调节性T细胞呈正相关(P <
0.01)；ATP7A与中性粒细胞呈强正相关(P < 0.001)，其中NK细胞与ATP7A呈最强负相关(P < 0.01)。
2.6 关键基因的转录因子预测结果 基于ENCODE数据库预测与关键基因相关的转录因子，结果见图8。调控DLST的转录因子12个：BCL6，NR4A1，NCOA1，TFDP1，ATF1，TFAP4，BCOR，ZFP64，RFXANK，MAZ和TEAD1；调控ATP7A的转录因子9个：FOXJ2，CEBPG，PHF8，NR2F6，KDM5B，KLF7，ZNF382和SP30，二者共有的转录因子为KDM5A；调控PDHB的转录因子7个：FOSL1，ZNF197，HMG20B，RERE，IRF1，SOX5和SIN3A；调控FDX1的转录因子3个：STAT1，ZFP37和NCOR1。

参考文献

[1] MATTHEWS KA, XU W, GAGLIOTI AH, et al. Racial and ethnic estimates of Alzheimer’s disease and related dementias in the United States (2015-2060) in adults aged ≥65 years. Alzheimers Dement. 2019;15(1):17-24.
[2] BENILOVA I, KARRAN E, DE STROOPER B. The toxic Aβ oligomer and Alzheimer’s disease: an emperor in need of clothes. Nat Neurosci. 2012;15(3):349-57.
[3] LU Y, LI K, HU Y, et al. Expression of immune related genes and possible regulatory mechanisms in Alzheimer’s disease. Front Immunol. 2021;12:768966.
[4] LIU Z, LI H, PAN S. Discovery and validation of key biomarkers based on immune infiltrates in Alzheimer’s disease. Front Genet. 2021;12:658323.
[5] ZHANG Y, FUNG ITH, SANKAR P, et al. Depletion of NK cells improves cognitive function in the Alzheimer disease mouse model. J Immunol. 2020;205(2):502-510.
[6] JEVTIC S, SENGAR AS, SALTER MW, et al. The role of the immune system in Alzheimer disease: etiology and treatment. Ageing Res Rev. 2017;40:84-94.
[7] WYATT-JOHNSON SK, BRUTKIEWICZ RR. The complexity of microglial interactions with innate and adaptive immune cells in Alzheimer’s disease. Front Aging Neurosci. 2020;12:592359.
[8] MOYNIER F, CREECH J, DALLAS J, et al. Serum and brain natural copper stable isotopes in a mouse model of Alzheimer’s disease. Sci Rep. 2019;9(1):11894.
[9] SQUITTI R, VENTRIGLIA M, SIMONELLI I, et al. Copper imbalance in Alzheimer’s disease: meta-analysis of serum, plasma, and brain specimens, and replication study evaluating ATP7B gene variants. Biomolecules. 2021;11(7):960.
[10] TSVETKOV P, COY S, PETROVA B, et al. Copper induces cell death by targeting lipoylated TCA cycle proteins. Science. 2022;375(6586):1254-1261.
[11] TANG D, CHEN X, KROEMER G. Cuproptosis: a copper-triggered modality of mitochondrial cell death. Cell Res. 2022; 32(5):417-418.
[12] CHEN L, MIN J, WANG F. Copper homeostasis and cuproptosis in health and disease. Signal Transduct Target Ther. 2022;7(1):378.
[13] NOBILI A, LATAGLIATA EC, VISCOMI MT, et al. Dopamine neuronal loss contributes to memory and reward dysfunction in a model of Alzheimer’s disease. Nat Commun. 2017; 8:14727.
[14] PISOSCHI AM, POP A, IORDACHE F, et al. Oxidative stress mitigation by antioxidants – an overview on their chemistry and influences on health status. Eur J Med Chem. 2021;209:112891.
[15] KALITA J, KUMAR V, MISRA UK, et al. Memory and learning dysfunction following copper toxicity: biochemical and immunohistochemical basis. Mol. Neurobiol. 2018;55:3800-3811.
[16] LI X, CHEN X, GAO X. Copper and cuproptosis: new therapeutic approaches for Alzheimer’s disease. Front Aging Neurosci. 2023;15:1300405.
[17] LAI Y, LIN C, LIN X, et al. Identification and immunological characterization of cuproptosis-related molecular clusters in Alzheimer’s disease. Front Aging Neurosci. 2022;14:932676.
[18] ZHANG E, DAI F, CHEN T, et al. Diagnostic models and predictive drugs associated with cuproptosis hub genes in Alzheimer’s disease. Front Neurol. 2023;13:1064639.
[19] ZOU Q, MROZEK D, MA Q, et al. Scalable data mining algorithms in computational biology and biomedicine. BioMed Res. Int. 2017;2017:5652041.
[20] KOCH I, ANDRADE-NAVARRO M, SCHULZ MH, et al. Bioinformatics in theory and application - highlights of the 36th german conference on bioinformatics. J Biol Chem. 2021;402(8):869-870.
[21] MCKHANN GM, KNOPMAN DS, CHERTKOW H, et al. The diagnosis of dementia due to Alzheimer’s disease: recommendations from the national institute on aging-Alzheimer’s association workgroups on diagnostic guidelines for Alzheimer’s disease. Alzheimers Dement. 2011;7(3):263-269.
[22] RITCHIE ME, PHIPSON B, WU D, et al. limma powers differential expression analyses for RNA-sequencing and microarray studies. Nucleic Acids Res. 2015;43(7):e47.
[23] ENGEBRETSEN S, BOHLIN J. Statistical predictions with glmnet. Clin Epigenetics. 2019;11(1):123.
[24] YILDIZ GULHAN P, EROZ R, ATAOGLU O, et al. The evaluation of both the expression and serum protein levels of Caspase-3 gene in patients with different degrees of SARS-CoV2 infection. J Med Virol. 2022;94(3):897-905.
[25] LAM B, MASELLIS M, FREEDMAN M, et al. Clinical, imaging, and pathological heterogeneity of the Alzheimer’s disease syndrome. Alzheimers Res Ther. 2013; 5(1):1.
[26] BYUN MS, KIM SE, PARK J, et al. Heterogeneity of regional brain atrophy patterns associated with distinct progression rates in Alzheimer’s disease. PLoS One. 2015;10(11):e0142756.
[27] 郭佳旗,魏颖鸿,张慧,等.阿尔茨海默病发病机制及基于神经递质治疗的研究进展[J].医学综述,2021,27(19):3761-3766.
[28] FENG D, ZHAO Y, LI W, et al. Copper neurotoxicity: induction of cognitive dysfunction: a review. Medicine (Baltimore). 2023;102(48):e36375.
[29] GRINBERG AV, HANNEMANN F, SCHIFFLER B, et al. Adrenodoxin: structure, stability, and electron transfer properties. Proteins. 2000;40(4):590-612.
[30] ZHANG Z, MA Y, GUO X,et al. FDX1 can impact the prognosis and mediate the metabolism of lung adenocarcinoma. Front Pharmacol. 2021;12:749134.
[31] ZHANG J,KONG X,ZHANG Y,et al. FDXR regulates TP73 tumor suppressor via IRP2 to modulate aging and tumor suppression. J Pathol. 2020;251(3):284-296.
[32] ZHANG Y, ZHOU Q, LU L, et al. Copper induces cognitive impairment in mice via modulation of cuproptosis and CREB signaling. Nutrients. 2023;15(4):972.
[33] CHEN G, ZHANG J, TENG W, et al. FDX1 inhibits thyroid cancer malignant progression by inducing cuprotosis. Heliyon. 2023;9(8):e18655.
[34] PETRIS MJ, MERCER JF, CULVENOR JG, et al. Ligand-regulated transport of the Menkes copper P-type ATPase efflux pump from the Golgi apparatus to the plasma membrane: a novel mechanism of regulated trafficking. EMBO J. 1996; 15(22):6084-6095.
[35] YAMAGUCHI Y, HEINY ME, SUZUKI M, et al. Biochemical characterization and intracellular localization of the Menkes disease protein. Proc Natl Acad Sci U S A. 1996;93(24):14030-14035.
[36] ZHENG Z, WHITE C, LEE J, et al. Altered microglial copper homeostasis in a mouse model of Alzheimer’s disease. J Neurochem. 2010;114(6):1630-1638.
[37] CHEN L, HUANG D, ZHENG G, et al. Lead exposure aggravates Aβ1-42-induced microglial activation and copper ion accumulation in microglial cells. Nan Fang Yi Ke Da Xue Xue Bao. 2023;43(10): 1752-1760.
[38] KEßLER M, BERGER IM, JUST S, et al. Loss of dihydrolipoyl succinyltransferase (DLST) leads to reduced resting heart rate in the zebrafish. Basic Res Cardiol. 2015;110(2):14.
[39] KANAMSORI T, NISHIMAKI K, AOH S, et al. Truncated product of the bifunctional DLST gene involved in biogenesis of the respiratory chain. EMBO J. 2003;22(12): 2913-2923.
[40] SCHULZ JB, LINDENAU J, SEYFRIED J, et al. Glutathione, oxidative stress and neurodegeneration. Eur J Biochem. 2000; 267(16):4904-4911.
[41] CHEN W, ZHOU X, DUAN Y, et al. Association of OGG1 and DLST promoter methylation with Alzheimer’s disease in Xinjiang population. Exp Ther Med. 2018;16(4):3135-3142.
[42] SOLMONSON A, DEBERARDINIS RJ. Lipoic acid metabolism and mitochondrial redox regulation. J Biol Chem. 2018;293(20): 7522-7530.
[43] WANG H, YANG Z, HE X, et al. Cuproptosis related gene PDHB is identified as a biomarker inversely associated with the progression of clear cell renal cell carcinoma. BMC Cancer. 2023;23(1):804.
[44] JIA D, WANG F, YU H. Systemic alterations of tricarboxylic acid cycle enzymes in Alzheimer’s disease. Front Neurosci. 2023;17:1206688.
[45] KOMAI M, NODA Y, IKEDA A, et al. Nuclear SphK2/S1P signaling is a key regulator of ApoE production and Aβ uptake in astrocytes. J Lipid Res. 2024;25:100510.
[46] STRITTMATTER WJ, SAUNDERS AM, SCHMECHEL D, et al. Apolipoprotein E: high-avidity binding to beta-amyloid and increased frequency of type 4 allele in late-onset familial Alzheimer disease. Proc Natl Acad Sci U S A. 1993;90(5):1977-1981.
[47] LIU Y, TAN Y, ZHANG Z, et al. The interaction between ageing and Alzheimer’s disease: insights from the hallmarks of ageing. Transl Neurodegener. 2024;13(1):7.
[48] OVEISGHARAN S, ARVANITAKIS Z, YU L, et al. Sex differences in Alzheimer’s disease and common neuropathologies of aging. Acta Neuropathol. 2018;136(6):887-900.
[49] BIECHELE G, RAUCHMANN BS, JANOWITZ D,et al. Associations between sex, body mass index and the individual microglial response in Alzheimer’s disease. J Neuroinflammation. 2024;21(1):30.
[50] KAMSTRUP PR. Lipoprotein(a) and cardiovascular disease. Clin Chem. 2021; 67(1):154-166.
[51] LARSSON SC, GILL D, MASON AM, et al. Lipoprotein(a) in Alzheimer, atherosclerotic, cerebrovascular, thrombotic, and valvular disease: mendelian randomization investigation. Circulation. 2020;141(22):1826-1828.
[52] GONG J, HARRIS K, PETERS SAE, et al. Serum lipid traits and the risk of dementia: a cohort study of 254,575 women and 214,891 men in the UK Biobank. EClinicalMedicine. 2022;54:101695.

引言

阿尔茨海默病是目前最常见的痴呆病因，严重影响老年人生活质量，并给家庭和社会带来了沉重的负担。大多数基于阿尔茨海默病发病机制主流假说的临床研究并未产生显著的积极结果[1-2]。研究报道，免疫细胞在阿尔茨海默病的致病机制中发挥了重要作用，其中阿尔茨海默病患者外周血单核细胞中的NK细胞数量显著减少[3]，中枢神经系统中出现了外周NK等免疫细胞浸润[4-5]，二者相互作用，共同参与了阿尔茨海默病的发生发展[6-7]。因此，靶向NK细胞为治疗阿尔茨海默病提供了新方向，但其免疫相关基因的表达及可能参与阿尔茨海默病的调控机制尚不清楚。
铜作为微量元素在人体的各种生理过程中起着至关重要的作用。研究发现，阿尔茨海默病患者血清和大脑中的游离铜水平显著升高[8-9]，可导致细胞抗氧化防御能力降低和线粒体功能障碍，引发患者的认知能力下降。此外，游离铜的积累会引发一种铜依赖性细胞死亡形式——铜死亡(Cuproptosis)[10]，即过量的铜引起脂肪酰化蛋白的积累和铁硫簇蛋白的不稳定，导致蛋白质毒性应激，发生细胞死亡。研究表明，铜死亡在癌症及免疫浸润等机制中起着关键作用[10-11]，也参与了认知障碍疾病的发生发展[12]。一方面，过量的铜可诱导神经元细胞发生铜死亡，引发记忆力缺陷和认知障碍[13]；另一方面，铜死亡会诱导活性氧的产生，加剧神经元毒性和功能障碍，引发认知障碍[14-15]，因此铜死亡机制有望成为未来研发治疗阿尔茨海默病的有效途径[16]。而铜死亡机制由多个基因调控，这些基因影响着阿尔茨海默病的发生进展并与免疫微环境密切相关[17-18]，但针对免疫系统中NK细胞的铜死亡相关基因至今还未有相关研究报道。
目前，生物信息学作为一项新兴学科，被广泛应用于各生物医学研究领域[19]。生物信息学通过计算机对多个数据库进行整合分析[20]，为探索疾病的发病机制和潜在靶点提供了较为快速便捷的研究方法，对患者的诊断和治疗意义匪浅。基于此，该课题组使用生物信息学分析方法筛选阿尔茨海默病患者外周血中NK细胞与铜死亡相关的关键基因，并在临床标本水平加以实验验证。
中国组织工程研究杂志出版内容重点：干细胞；骨髓干细胞；造血干细胞；脂肪干细胞；肿瘤干细胞；胚胎干细胞；脐带脐血干细胞；干细胞诱导；干细胞分化；组织工程

材料方法

1.1 设计 基因信息学分析、临床样本结果验证，独立样本t检验，Mann-Whitney U检验。
1.2 时间及地点 实验于2023年4-6月在合肥工业大学食品与生物工程学院实验室完成。
1.3 对象 研究对象均为安徽省立医院神经内科2021-2023年入院的就诊患者。通过电子病历及现场调查问卷的方法，收集患者姓名、性别、年龄、既往病史、实验室检验指标以及MMSE量表评分等相关信息，MMSE量表评分≤19分(文盲)、≤22分(小学文化)、≤27分(初中文化及以上)为存在认知功能障碍。最终收集疾病组30例，对照组20例。受试者均签署对研究的知情同意书并经过医院医学伦理委员会审核通过，伦理审批号：2019 KY 伦审第79号，批准时间：2019-09-17。
疾病组纳入标准：参考美国国家衰老研究所和阿尔茨海默病学会(NIAAA-2011)阿尔茨海默病痴呆核心临床标准[21]，并结合脑脊液和影像学生物标志物，纳入符合条件的典型阿尔茨海默病患者30例：①年龄40-80岁；②起病隐匿；③病史、临床表现及查体等符合痴呆诊断标准，存在认知或精神症状；④有知情者陪同参与，能配合进行PET及MRI等研究以及血样采集；⑤伴阿尔茨海默病病理学及影像学证据。
疾病组排除标准：①符合阿尔茨海默病临床诊断标准，但Aβ沉积或神经元损伤相关生物标记物均是阴性；②不能配合相关检查及合并其他严重疾病；③患有其他类型痴呆以及重大心脑血管疾病和精神疾病病史；④体内有植入性的金属或者其他异物(包括金属假牙及金属植入物)。
对照组纳入标准：选自同期安徽省立医院住院患者，入选认知功能正常的躯体化障碍患者20例。①年龄40-80岁；②认知量表评分正常(简易精神状态评价量表评分≥28分；蒙特利尔认知评价量表评分≥26分；临床痴呆评定量表评分=0分)；③无明显中枢神经系统认知障碍相关疾病。
对照组排除标准：①存在其他系统重症疾病的老年人群；②不能完成相关检查的参与者；③不能配合完成全套神经心理学测试者；④有行腰椎穿刺术及功能MRI扫描禁忌证的患者。

1.3.2 试剂和仪器 主要包括东琪生物公司反转录、荧光定量试剂盒，Nano核酸分析仪，罗氏Light Cycler 96荧光定量PCR仪。基因引物序列交由生物通用公司合成，见表1。

1.4 方法
1.4.1 数据的获取及差异基因的筛选 通过GEO数据库(https://www.ncbi.nlm.nih.gov/geo/)下载阿尔茨海默病患者和健康对照者外周血转录组数据集GSE63060，使用R语言的Limma软件包对差异表达基因进行分析[22]，通过R语言对数据集的数据及差异表达基因进行处理及识别，将校正后的数据与收集到的铜死亡基因、单细胞数据集GSE168522中的NK细胞相关基因进行交集，得到关键基因。
1.4.2 机器学习筛选 采用LASSO回归对数据集作进一步分析，使用R语言glmnet包分析工具[23]，lambda最小值取0.000时的模型为最佳诊断模型。在系数路径图中，随着log(Lambda)的降低，模型的系数逐渐收敛，在交叉验证偏差图中，寻找使得模型偏差最小化的lambda值。选择最小lambda值对应模型后，利用R语言中Random Forest包进行筛选，通过考虑各个基因的重要性得分，识别出对模型预测性能贡献最大的差异表达基因。
1.4.3 临床样本验证
样本采集：研究对象均于入组次日早晨6点采集空腹静脉血2.0-3.0 mL，2 h之内将静脉全血分装至1.0-1.5 mL的Rnase-free EP管中，每管0.4 mL，随后放置于-80 ℃冰箱中冷冻保存，避免反复冻融。
关键基因的mRNA水平检测：采用Trizol法提取外周全血RNA，核酸分析仪检测RNA浓度及质量，反转录按照5 μL 2×cDNA Synthesis SuperMix，0.5 μL gDNA Purge，4.5 μL RNA+RNase Free dH2O反应体系，25 ℃ 5 min、55 ℃ 15 min、85 ℃ 5 min反应程序将所提取的RNA反转录为cDNA。随后进行qPCR扩增，反应体系为5 μL 2xSYBR qPCR SuperMix Plus，0.2 μL Primer1，0.2 μL Primer 2，1 μL cDNA，3.6 μL RNase Free dH2O，反应条件为预变性95 ℃ 2 min，共扩增40个循环，其中每个循环95 ℃ 15 s，60 ℃ 30 s，72 ℃ 30 s。反应结束后记录相应Ct值和熔解曲线，所有样品均重复检测3次，采用2-ΔΔCt法对目的基因进行相对定量分析[24]。
1.4.4 蛋白质-蛋白质网络互作网络构建 使用GeneMANIA数据库(http://genemania.org/)在线网站，输入关键基因名称，基因物种选择人种进行搜索，自动构建蛋白质-蛋白质网络互作网络图并进行功能展示。网络图中蛋白质之间的连接线越多，表明相互关联性越强。
1.4.5 免疫浸润分析 根据阿尔茨海默病患者外周血转录组数据集GSE63060的基因表达谱，计算样本中每种免疫细胞类型的比例，使用“pheatmap”软件包创建22种免疫细胞的热图，“corrplot”软件包创建相关性热图，以可视化22种不同浸润免疫细胞之间的相关性，利用R中的Spearman秩相关检验分析浸润免疫细胞与关键基因之间的关系。
1.4.6 转录因子预测 首先根据关键基因的列表，在ENCODE数据库中检索相关的转录因子结合数据，随后通过生物信息学分析工具，识别出在关键基因的上游调控区域(包括启动子和增强子等)结合的转录因子，并分析这些结合位点的保守性和功能相关性，通过比对转录因子的结合强度和差异表达模式，预测出哪些转录因子可能对关键基因的表达产生影响。
1.5 主要观察指标 铁氧还原蛋白1(ferredoxin 1，FDX1)、铜离子转运ATP酶a肽(ATPase Cu2+ transporting alpha polypeptide，ATP7A)、丙酮酸脱氢酶β(pyruvate dehydrogenase El subunit beta，PDHB)和二氢硫辛酰胺琥珀酰转移酶(dihydrolipoamide succinyltransferase，DLST)在阿尔茨海默病患者和非认知障碍患者外周血中的表达情况。

1.6 统计学分析 采用GraphPad Prism 9.5.0软件统计作图。将收集的患者一般信息通过SPSS 25.0软件进行统计学分析。计数资料用例数表示，计数资料组间比较采用χ2检验。计量资料符合正态分布的采用x±s表示，两组间比较采用独立样本t检验；不服从正态分布的以中位数(上四分位数，下四分位数)表示，两组间比较采用Mann-Whitney U检验。以P < 0.05为差异有显著性意义。

讨论

由于阿尔茨海默病病理学的异质性，目前对阿尔茨海默病的治疗缺乏足够的疗效[25-26]，临床上治疗阿尔茨海默病的药物仅可缓解患者部分症状[27]，因此有必要充分探究阿尔茨海默病复杂的病理生理机制，为该病的诊疗提供新的理论依据支持。铜死亡是最近报道的一种铜依赖性细胞死亡形式，为研究者们提供了识别和治疗相关疾病的新途径，然而，铜死亡诱导认知能力下降的确切机制尚不明确[10-11，28]。既往研究报道，铜离子水平在阿尔茨海默病外周血中显著增高[9]，而NK细胞在阿尔茨海默病外周血中数目减少[3]，铜死亡又与阿尔茨海默病的浸润免疫细胞紧密相关，不同的铜死亡基因簇在与阿尔茨海默病免疫系统中存在显着异质性[17]。基于此，课题组合理推断阿尔茨海默病患者外周血中的NK细胞可能发生了铜死亡，进而对疾病的进展产生了一定的影响。而目前就阿尔茨海默病与铜死亡相关基因的研究缺乏临床和实验评估，且尚未针对阿尔茨海默病单细胞有关的铜死亡差异表达基因进行探讨。因此，文章通过生物信息学技术及RT-qPCR实验验证，初步探讨阿尔茨海默病患者外周血中的NK细胞与铜死亡相关的差异表达基因：FDX1，ATP7A，PDHB和DLST，为疾病的诊疗靶点提供新的理论依据支持。
通过检索文献进一步了解关键基因的意义。FDX1是一种低分子量蛋白质，在中性pH值下带负电荷[29]。铜死亡机制中，FDX1作为铜离子载体诱导细胞死亡的关键调节因子，并是elesclomol(ES)的直接靶标[30-31]，可编码一种还原酶，将Cu2+还原成毒性更强的Cu1+。文章结果显示，FDX1在阿尔茨海默病患者外周血中高表达，结合既往研究，课题组猜测其可能导致NK细胞中出现了Fe-S簇蛋白的丢失及蛋白质毒性应激[32]，最终致使细胞发生铜死亡，进而影响了阿尔茨海默病的发生发展，而敲除FDX1则可以阻断细胞的铜死亡进程[33]，因此其有望成为诊疗阿尔茨海默病的新靶点。
ATP7A是一种广泛表达的铜泵，主要在细胞内参与铜离子的转运[34-35]。阿尔茨海默病模型小鼠大脑β-淀粉样蛋白斑块周围的活化小胶质细胞中，ATP7A蛋白存在过度表达[36]，直接致使铜离子在小胶质细胞中表达增加，加重了阿尔茨海默病的病理损伤[37]。文章发现ATP7A在阿尔茨海默病患者外周同样存在高表达，且在免疫浸润分析中与NK细胞呈高度相关，由此推断它可能通过诱发NK细胞内铜过载，致使细胞发生铜死亡，从而在阿尔茨海默病的发病机制中或发挥重要作用。
DLST是三羧酸循环中α-酮戊二酸脱氢酶复合物的核心组成部分，在柠檬酸循环中至关重要[38]。研究发现，DLST缺乏可增加细胞内自由基的产生，诱导线粒体损伤[38]，致使活性氧的生成增加，破坏各种分子，包括DNA、蛋白质和脂质[39]，最终可导致阿尔茨海默病的发生[40-41]。文章同样证实了DLST在阿尔茨海默病中低表达，且DLST的硫辛酰化功能是铜死亡所必需的，但其在NK细胞中如何通过铜死亡机制影响阿尔茨海默病的发生发展仍需更多的体外实验探究。
PDHB定位于线粒体中，是丙酮酸复合物的亚型[42]。既往研究报道，PDHB的表达与多种通路及疾病有关，包括氧化磷酸化、帕金森病、核糖体和阿尔茨海默病等[43]，其在阿尔茨海默病患者脑中和外周血细胞中的表达均出现下调[44]，这与文章结果一致。PDHB作为线粒体中负责编码脂酰化蛋白的基因[42]，在铜死亡中发挥了重要的调节作用，而敲除脂质酰化蛋白靶标则可以使细胞免于铜离子诱导的死亡[10]，这提示其可能是阿尔茨海默病早期诊疗的候选靶点之一。
APOE主要作为脂质转运蛋白，通过影响病理性Aβ沉积等在阿尔茨海默病的发病机制中起着关键作用[45]，其中APOE4基因是阿尔茨海默病最主要的遗传风险因素，且其基因剂量依赖性方式使纯合子的风险增加多达15倍[46]。文章显示，阿尔茨海默病患者的FDX1，ATP7A在APOE双E4与单E4基因型中具有显著的表达差异，两种基因在APOE双E4基因型中表达量更高，这提示FDX1和ATP7A可能与APOE4基因存在某些相互作用，共同影响着疾病的进展，但文章样本量较少，需扩大样本量及体外实验行进一步验证探究。
患者基线资料显示，年龄、性别(女)及脂蛋白a在疾病组和对照组中具有显著差异。结合既往研究分析，年龄是阿尔茨海默病认知能力下降最主要的危险因素之一[47]，患者年龄越大，患阿尔茨海默病的概率就越高。女性患者在阿尔茨海默病病理的测量水平较男性更高，所以女性阿尔茨海默病患者相对更常见[48-49]。脂蛋白a是一种独特的肝源性脂蛋白，其浓度主要由遗传决定，个体间浓度变化较大[50]，与脑血管疾病的风险呈正相关[51]，但与痴呆风险可能呈负相关[52]，提示临床可检测脂蛋白a来判断阿尔茨海默病的疾病风险和病情程度，这与该研究所示阿尔茨海默病患者较非认知障碍患者脂蛋白a浓度高的结果有所不同，可能由于该研究例数较少所致，降低脂蛋白a水平是否会增加痴呆的风险仍需进一步研究[51]。
综上所述，目前有关铜死亡与阿尔茨海默病的相关性研究尚不充分，就此，文章通过生物信息学技术及RT-qPCR方法，初步验证了与NK细胞有关的铜死亡关键基因FDX1，ATP7A，PDHB和DLST在阿尔茨海默病中存在差异性表达，并由此推测这4种基因可能在NK细胞中通过铜死亡机制参与调控着疾病的发生发展，这有望为阿尔茨海默病的初步诊断和治疗提供新靶点，具有重要的临床指导意义。但文章样本量相对较少，这4种基因是否一定导致NK细胞发生铜死亡及铜死亡如何影响阿尔茨海默病有待进一步阐明，后续需扩大样本量并通过细胞/小鼠模型实验行更深入的探索。
中国组织工程研究杂志出版内容重点：干细胞；骨髓干细胞；造血干细胞；脂肪干细胞；肿瘤干细胞；胚胎干细胞；脐带脐血干细胞；干细胞诱导；干细胞分化；组织工程

阿尔茨海默病NK细胞与铜死亡的相关基因分析

Cuproptosis-related genes in natural killer cells of Alzheimer’s disease

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表（结果） 7

参考文献

相关文章 15

引言

材料方法

讨论

文章快阅

延伸阅读

编辑推荐

Metrics

本文评价

[1]	邓柯淇, 李光第, GOSWAMI ASHUTOSH, 刘星余, 何孝勇. 基于生物信息学对骨关节炎铁超载关键基因的筛选与验证[J]. 中国组织工程研究, 2025, 29(9): 1972-1980.
[2]	刘琳, 刘世轩, 陆馨悦, 王侃. 慢性肌筋膜触发点模型大鼠的尿液代谢组学分析[J]. 中国组织工程研究, 2025, 29(8): 1585-1592.
[3]	赵嘉诚, 任诗齐, 祝秦, 刘佳佳, 朱翔, 杨洋. 原发性骨质疏松潜在生物标志物的生物信息学分析[J]. 中国组织工程研究, 2025, 29(8): 1741-1750.
[4]	章镇宇, 梁秋健, 杨军, 韦相宇, 蒋捷, 黄林科, 谭桢. 新橙皮苷治疗骨质疏松症的靶点及对骨髓间充质干细胞成骨分化的作用[J]. 中国组织工程研究, 2025, 29(7): 1437-1447.
[5]	张昊军, 李泓毅, 张辉, 陈浩然, 张力中, 耿杰, 侯传东, 于琦, 贺培凤, 贾金鹏, 卢学春. 间充质细胞源性骨肉瘤中关键分子标志物鉴定及药物敏感性分析[J]. 中国组织工程研究, 2025, 29(7): 1448-1456.
[6]	王咪, 马书杰, 刘杨, 齐瑞. 缺血性脑卒中铁死亡特征基因NFE2L2的鉴定与验证[J]. 中国组织工程研究, 2025, 29(7): 1466-1474.
[7]	谢刘刚, 崔书克, 郭楠楠, 李遨宇, 张菁瑞. 干细胞治疗阿尔茨海默病的研究热点与前沿[J]. 中国组织工程研究, 2025, 29(7): 1475-1485.
[8]	李甜, 任俞桦, 高艳萍, 苏强. 阿戈美拉汀缓解APP/PS1转基因小鼠焦虑及抑郁样行为的机制[J]. 中国组织工程研究, 2025, 29(6): 1176-1182.
[9]	刘雅妮, 杨静欢, 陆慧慧, 易玉芳, 李智翔, 欧阳福, 吴璟莉, 魏兵. 纤维肌痛综合征生物标记物的筛选及免疫细胞浸润分析[J]. 中国组织工程研究, 2025, 29(5): 1091-1100.
[10]	王清芳, 张芬, 昌广萍, 李子晗, 邢岚, 彭浩, 曾秀萍, 钟桂强, 陈辉, 刘波, 刘振宇, 梁晓. 一种新型冷冻保护剂冻存组织和细胞的效果[J]. 中国组织工程研究, 2025, 29(36): 7816-7826.
[11]	江启煜, 曾慧妍. 基于人工智能和组学数据驱动的中药潜在机制新型分析预测方法[J]. 中国组织工程研究, 2025, 29(35): 7552-7561.
[12]	陈莹, 郭晓婧, 莫雪妮, 马威, 武尚志, 李相玲, 谢婷婷. 缺血性脑卒中诊断性生物标志物解析及靶向铜死亡相关基因的实验验证[J]. 中国组织工程研究, 2025, 29(35): 7562-7570.
[13]	巩月红, 王梦君, 任航, 郑辉, 孙佳佳, 刘军鹏, 张飞, 杨建华, 胡君萍. 机器学习联合生物信息学筛选与自噬相关的肺纤维化关键基因及实验验证[J]. 中国组织工程研究, 2025, 29(35): 7679-7689.
[14]	韩杰, 潘成镇, 尚昱志, 张驰. 激素性股骨头坏死免疫诊断标志物的鉴定与药物筛选[J]. 中国组织工程研究, 2025, 29(35): 7690-7700.
[15]	王凯茹, 付士哲, 李家辉, 燕茹, 马玉茹, 师波, 冶从燕, 闫瑞, 丛广志, 贾绍斌. 亚精胺/精胺N1-乙酰转移酶1参与血管平滑肌细胞钙化[J]. 中国组织工程研究, 2025, 29(32): 6836-6842.