类风湿性关节炎中细胞因子及受体互作通路的特征基因和分子亚型与实验验证

doi:10.12307/2026.323

中国组织工程研究 ›› 2026, Vol. 30 ›› Issue (12): 3145-3155.doi: 10.12307/2026.323

• 组织构建相关数据分析 Date analysis of organization construction • 上一篇下一篇

类风湿性关节炎中细胞因子及受体互作通路的特征基因和分子亚型与实验验证

吴军1，张玉珠2，董晓洁1，王凯迪1，孙彬3

临沂市人民医院，1医学美容整形中心，2重症医学科，3创伤中心二病区，山东省临沂市 276000

收稿日期:2025-05-21 接受日期:2025-06-26 出版日期:2026-04-28 发布日期:2025-09-30
通讯作者: 孙彬，硕士，副主任医师，主任，临沂市人民医院创伤中心二病区，山东省临沂市 276000
作者简介:吴军，男，1991年生，安徽省安庆市人，苏州大学在读博士，主治医师。

Experimental validation of cytokine-cytokine receptor interaction pathway related gene signatures and molecular subtypes in rheumatoid arthritis

Wu Jun1, Zhang Yuzhu2, Dong Xiaojie1, Wang Kaidi1, Sun Bin3

1Medical Cosmetic and Plastic Surgery Center, 2Department of Intensive Care Medicine, 3Second Ward of the Trauma Center, Linyi People’s Hospital, Linyi 276000, Shandong Province, China

Received:2025-05-21 Accepted:2025-06-26 Online:2026-04-28 Published:2025-09-30
Contact: Sun Bin, MS, Associate chief physician, Second Ward of the Trauma Center, Linyi People's Hospital, Linyi 276000, Shandong Province, China
About author:Wu Jun, PhD candidate, Attending physician, Medical Cosmetic and Plastic Surgery Center, Linyi People's Hospital, Linyi 276000, Shandong Province, China

摘要/Abstract

摘要：

文题释义：
细胞因子-细胞因子受体相互作用通路：细胞因子是由免疫细胞及组织细胞分泌的在细胞间发挥相互调控作用的一类小分子可溶性蛋白质，细胞因子-细胞因子相互作用通路是指不同细胞因子之间通过直接或间接的方式相互影响、相互调节，形成一个复杂的网络状信号传导途径。在这个通路中，一种细胞因子可以诱导或抑制其他细胞因子的产生、释放和活性，它们之间通过受体介导的信号转导等机制，共同协调机体的免疫应答、炎症反应、细胞增殖分化等多种生理过程。
特征基因：是指在特定生物过程、细胞类型或疾病状态等条件下，具有显著差异表达或独特功能特性，能够作为特征性标志的基因。它们可将特定的生物状态或细胞类型与其他状态或类型区分开来。

背景：类风湿性关节炎是一种自身免疫性疾病，受发病机制和患者个体体质差异影响，患者治疗效果存在显著不同，部分患者因对治疗药物不敏感，发展为难治性类风湿性关节炎。因此寻找类风湿性关节炎的特征基因、挖掘新的治疗靶点，已成为该领域亟待解决的关键问题。
目的：运用生物信息学分析方法，探究细胞因子-细胞因子受体相互作用通路相关基因在类风湿性关节炎诊断、分型及功能解析中的作用。
方法：从基因表达综合数据库(GEO，https://www.ncbi.nlm.nih.gov/geo/，由美国国立生物技术信息中心创建并维护的基因表达数据库)下载4个包含类风湿性关节炎样本的数据集，各数据集均为公开发表的数据，符合伦理学要求。将 GSE55235、GSE55457和GSE77298数据集合并作为训练集，GSE12021数据集作为验证集。研究流程：①分析细胞因子-细胞因子受体相互作用通路在类风湿性关节炎中的失调状态，筛选该通路相关的差异表达基因；②综合采用随机森林算法、最小绝对收缩和选择算子、支持向量机-递归特征消除法、Boruta全特征选择算法及加权基因共表达网络分析，进一步筛选类风湿性关节炎中与细胞因子-细胞因子受体相互作用通路相关的特征基因；③基于筛选出的差异基因，运用无监督聚类分析方法，将类风湿性关节炎划分为不同的分子亚型，并对比分析各亚型间信号通路活性及免疫细胞浸润水平的差异；④通过构建类风湿性关节炎细胞模型，对特征基因的表达水平进行实验验证。
结果与结论：①经多方法整合分析，成功筛选出3个特征基因；②基于细胞因子-细胞因子受体相互作用通路可将类风湿性关节炎分为2种亚型：甲氨蝶呤敏感型和不敏感型，根据此分型可以指导类风湿性关节炎的临床治疗，避免盲目使用甲氨蝶呤，及时调整治疗策略，选择更有效的药物或治疗组合，从而提高治疗效果，改善患者的病情，提升类风湿性关节炎治疗的有效性和精准性。
https://orcid.org/0009-0000-8692-3524 (吴军)

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: 类风湿性关节炎, 细胞因子-细胞因子受体相互作用通路, 机器学习, 无监督聚类分析

Abstract: BACKGROUND: Rheumatoid arthritis is an autoimmune disease. Due to disease pathogenesis and individual differences in patients' constitutions, there are significant variations in the treatment outcomes. Some patients develop refractory rheumatoid arthritis due to their insensitivity to therapeutic drugs. Therefore, identifying characteristic genes of rheumatoid arthritis and exploring new therapeutic targets have become crucial issues that urgently need to be addressed in this field.
OBJECTIVE: To explore the roles of genes related to the cytokine-cytokine receptor interaction pathway in the diagnosis, classification, and functional analysis of rheumatoid arthritis by using bioinformatics analysis methods.
METHODS: In this study, four datasets containing samples of rheumatoid arthritis were downloaded from the Gene Expression Omnibus (GEO) database (https://www.ncbi.nlm.nih.gov/geo/, a gene expression database created and maintained by the National Center for Biotechnology Information in the United States). All datasets were publicly available and met ethical requirements. Among them, the datasets GSE55235, GSE55457, and GSE77298 were combined as the training set, and the dataset GSE12021 was used as the validation set. The research process was as follows: (1) the dysregulated state of the cytokine-cytokine receptor interaction pathway in rheumatoid arthritis was analyzed, followed by screening of the differentially expressed genes related to this pathway. (2) The random forest algorithm, the least absolute shrinkage and selection operator, the support vector machine-recursive feature elimination method, the Boruta full feature selection algorithm, and the weighted gene co-expression network analysis were comprehensively adopted to further screen the characteristic genes related to the cytokine-cytokine receptor interaction pathway in rheumatoid arthritis. (3) Based on the differentially expressed genes identified, the unsupervised clustering analysis method was used to divide rheumatoid arthritis into different molecular subtypes, and compare and analyze the differences in the activity of signaling pathways and the level of immune cell infiltration among different subtypes. (4) A cell model of rheumatoid arthritis was constructed to experimentally verify the expression levels of the characteristic genes.
RESULTS AND CONCLUSION: (1) Through the integrated analysis of multiple methods, three characteristic genes were successfully identified. (2) Based on the cytokine-cytokine receptor interaction pathway, rheumatoid arthritis can be divided into two subtypes: the methotrexate-sensitive type and the methotrexate-insensitive type. Based on this classification, it can guide the clinical treatment of rheumatoid arthritis, avoid the blind use of methotrexate, promptly adjust the treatment strategy, select more effective drugs or treatment combinations, thereby improving the treatment effect, alleviating the patients' condition, and enhancing the effectiveness and precision of the treatment of rheumatoid arthritis.

Key words: rheumatoid arthritis, cytokine-cytokine receptor interaction pathway, machine learning, unsupervised clustering analysis

中图分类号:

吴军, 张玉珠, 董晓洁, 王凯迪, 孙彬. 类风湿性关节炎中细胞因子及受体互作通路的特征基因和分子亚型与实验验证[J]. 中国组织工程研究, 2026, 30(12): 3145-3155.

Wu Jun, Zhang Yuzhu, Dong Xiaojie, Wang Kaidi, Sun Bin. Experimental validation of cytokine-cytokine receptor interaction pathway related gene signatures and molecular subtypes in rheumatoid arthritis[J]. Chinese Journal of Tissue Engineering Research, 2026, 30(12): 3145-3155.

图/表（结果） 10

2.1 类风湿性关节炎中DCCRGs和细胞因子-细胞因子受体相互作用通路变化情况将训练集差异分析获得210个DEGs同298个CCRGs取交集后共获得19个DCCRGs(图1A)。19个DCCRGs中，17个上调基因，2个下调基因(图1B)。通过对训练集进行基因集富集分析发现，细胞因子-细胞因子受体相互作用途径在类风湿性关节炎中显著上调(图1C)。基因集变异分析结果显示A样本中该通路得分显著高于正常样本，说明在类风湿性关节炎样本中该通路处于异常激活的状态(图1D)。基于此，作者认为细胞因子-细胞因子受体相互作用通路的异常激活同类风湿性关节炎的发生、发展密切相关，筛选该通路相关的特征基因可以为类风湿性关节炎的治疗提供新的方向。
2.2 机器学习识别候选基因 LASSO算法通过五折交叉验证筛选发现当将CXCL13、CXCL10、趋化因子受体5(chemokine C-C motif receptor 5，CCR5)、CD27、肿瘤坏死因子(配体)超家族成员11(tumor necrosis factor (ligand) superfamily，member 11，TNFSF11)和生长分化因子15(growth differentiation factor 15，GDF15)作为候选基因纳入评价时，模型的预测错误率最低为0.041(图2A，B)。支持向量机经过十折交叉验证筛选发现当纳入19个基因作为特征，对模型进行评价时其预测准确性最高(0.917)(图2C)。随机森林法则通过筛选获得了8个候选基因(图2D)，通过其内置的算法函数计算获得19个DCCRGs的重要性，并根据重要程度进行可视化(图2E)。最后Boruta算法通过筛选得到了10个候选基因，如图2F所示。
2.3 WGCNA识别候选基因通过对样本表达量的聚类分析，共发现7个离群样本，将其筛除后，共有59个样本进入下一步的WGCNA分析。当软阈值选择为4时，网络达到无尺度拓扑阈值0.85(图3A)。随后基于基因的皮尔逊系数，经过动态树切割、融合，共获得40个模块，其中turquoise色模块与类风湿性关节炎的相关性最高(r=0.69，P ≤ 2×10-10)(图3B)。根据上文设定的模块相关性 > 0.8的标准，在turquoise模块中筛选获得了144个候选基因(图3C)。
2.4 特征基因的获取、诊断模型的构建和外部数据集的验证将4种机器学习算法和WGCNA算法筛选得到的候选基因取交集后，获得了3个同类风湿性关节炎密切相关通路特征基因即：CXCL10、CXCL13和CD27(图4A)。通过“rms”包，基于3个特征基因的表达量，分别在训练集和验证集中构建了类风湿性关节炎的列线图诊断模型(图4B，C)。接着通过构建诊断模型的校准曲线进一步评估诊断模型预测准确性同实际情况的贴合程度，发现无论在训练集还是在验证集中诊断模型均表现出了同实际结果较为一致的预测趋势(图4D，E)。最后，通过使用受试者工作曲线(receiver operating characteristic curve，ROC)对特征基因及诊断模型的诊断特异度和灵敏度进行了评估，经过评估发现无论是特征基因还是诊断模型均具有较好的临床诊断特异度和灵敏度(图4F，G)。
2.5 免疫浸润分析通过对训练集进行CIBERSORT分析显示，类风湿性关节炎样本中的记忆B细胞、浆细胞、CD8+ T细胞、活化CD4+ T细胞、滤泡辅助T细胞、Tregs细胞和M1巨噬细胞浸润程度显著高于正常滑膜组织(P < 0.05)(图5A)。相反，B细胞、静息CD4+记忆T细胞、静息树突状细胞和活化肥大细胞的浸润水平显著低于正常滑膜样本(P < 0.05)。图5B为每个样本中免疫细胞浸润程度的柱状图，通过对特征基因和免疫细胞的相关性分析发现：所有3个特征基因的表达量均与浆细胞、CD8+ T细胞、活化CD4+ T细胞、滤泡辅助T细胞和M1巨噬细胞呈正相关；同时，它们与静息CD4+记忆T细胞、活化肥大细胞、静息肥大细胞、单核细胞、静息树突状细胞、静息自然杀伤细胞和Treg细胞呈负相关(图5C-E)。
2.6 基于DCCRGs使用无监督聚类分析识别类风湿性关节炎亚型临床治疗过程中部分类风湿性关节炎患者对治疗不敏感，因此推测类风湿性关节炎患者中可能存在不同的亚型。而上述结果表明，细胞因子-细胞因子受体相互作用通路的上调同类风湿性关节炎的进展密切相关。因此，拟基于DCCRGs的表达通过无监督聚类方法尝试对类风湿性关节炎进行亚型的区分。设置9为最大聚类类别，通过不断的交叉验证获得了聚类分析的累积分布函数图和聚类误差图。累积分布函数图显示当聚类数为2时，该曲线最平缓，样本分布趋向更为均匀，聚类效果最好(图6A)，聚类误差图显示当聚类数超过3时，聚类误差开始减小，表明增加聚类数对模型性能的提升效果减弱，因此选择2为最佳聚类数目(图6B)。为了进一步确定聚类数为2时模型的聚类效果，对不同聚类数下的模型分辨程度进行了可视化，可见当聚类数为2时，2个亚型内的颜色更深，亚型之间几乎没有颜色，因此其聚类效果最佳(图6C-F)。
2.7 两个亚群特征的描述及特征基因qPCR结果分析对类风湿性关节炎2个亚群进行差异分析共识别出了217个DEGs，3个特征基因在亚群1中均呈现高表达趋势(图7A)。基因集富集分析及基因集变异分析结果均显示，免疫和炎症递质相关的通路在亚型1中被激活，而转化生长因子β和细胞外基质受体相互作用等通路则被抑制(图7B，C)。免疫浸润结果显示(图7D)，与亚型2相比，亚型1的记忆B细胞、浆细胞、CD8+ T细胞、活化CD4+ T细胞、滤泡辅助T细胞、M1巨噬细胞和中性粒细胞浸润水平显著增高(P < 0.05)。相反，活化自然杀伤细胞、单核细胞、M0巨噬细胞、M2巨噬细胞和静息肥大细胞的浸润水平显著低于亚型2(P < 0.05)。通过对比发现，高表达特征基因的亚群1免疫浸润结果与上文提及的类风湿性关节炎样本整体免疫浸润结果高度相似。据此推断，当前对甲氨蝶呤类药物治疗敏感性较高的患者可能主要集中于亚群1(即特征基因高表达患者)。对于亚群2患者而言，因其失调的通路和免疫浸润程度与亚群1完全相反，故可能对甲氨蝶呤类要求治疗产生抵抗，进而成为难治性类风湿性关节炎患者。最后，通过构建类风湿性关节炎的细胞模型，对3个特征基因进行了qPCR水平的验证：3个特征基因qPCR均在类风湿性关节炎中呈现高表达趋势，同生信分析结果一致(图7E)。

参考文献

[1] ZHOU S, LU H, XIONG M. Identifying Immune Cell Infiltration and Effective Diagnostic Biomarkers in Rheumatoid Arthritis by Bioinformatics Analysis. Front Immunol. 2021;12726747.
[2] WU YK, LIU CD, LIU C, et al. Machine learning and weighted gene co-expression network analysis identify a three-gene signature to diagnose rheumatoid arthritis. Front Immunol. 2024;15:1387311.
[3] YU F, HU G, LI L, et al. Identification of key candidate genes and biological pathways in the synovial tissue of patients with rheumatoid arthritis. Exp Ther Med. 2022; 23(6):368.
[4] BRZUSTEWICZ E, BRYL E. The role of cytokines in the pathogenesis of rheumatoid arthritis--Practical and potential application of cytokines as biomarkers and targets of personalized therapy. Cytokine. 2015;76(2):527-356.
[5] SULLIVAN DI, ASCHERMAN DP. Rheumatoid Arthritis-Associated Interstitial Lung Disease (RA-ILD): Update on Prevalence, Risk Factors, Pathogenesis, and Therapy. Curr Rheumatol Rep. 2024;26(12):431-449.
[6] DINARELLO CA. The IL-1 family of cytokines and receptors in rheumatic diseases. Nat Rev Rheumatol. 2019;15(10):612-632.
[7] BROWN P, PRATT AG, HYRICH KL. Therapeutic advances in rheumatoid arthritis. Bmj. 2024;384:e070856.
[8] LIU X, PING G, JI D, et al. Reclassify High-Grade Serous Ovarian Cancer Patients Into Different Molecular Subtypes With Discrepancy Prognoses and Therapeutic Responses Based on Cancer-Associated Fibroblast-Enriched Prognostic Genes. Biomed Eng Comput Biol. 2024;15:11795972241274024.
[9] DU G, CHEN J, ZHU X, et al. Bioinformatics analysis identifies TGF-β signaling pathway-associated molecular subtypes and gene signature in diabetic foot. iScience. 2024; 27(3):109094.
[10] ZHAO J, HE K, DU H, et al. Bioinformatics prediction and experimental verification of key biomarkers for diabetic kidney disease based on transcriptome sequencing in mice. Peer J. 2022;10:e13932.
[11] KANG J, CHOI YJ, KIM IK, et al. LASSO-Based Machine Learning Algorithm for Prediction of Lymph Node Metastasis in T1 Colorectal Cancer. Cancer Res Treat. 2021;53(3):773-783.
[12] LV JH, HOU AJ, ZHANG SH, et al. WGCNA combined with machine learning to find potential biomarkers of liver cancer. Medicine (Baltimore). 2023;102(50):e36536.
[13] SANZ H, VALIM C, VEGAS E, et al. SVM-RFE: selection and visualization of the most relevant features through non-linear kernels. BMC Bioinformatics. 2018;19(1):432.
[14] HAMIDI F, GILANI N, ARABI BELAGHI R, et al. Identifying potential circulating miRNA biomarkers for the diagnosis and prediction of ovarian cancer using machine-learning approach: application of Boruta. Front Digit Health. 2023;5:1187578.
[15] LIU K, CHEN S, LU R. Identification of important genes related to ferroptosis and hypoxia in acute myocardial infarction based on WGCNA. Bioengineered. 2021;12(1):7950-7963.
[16] CHEN T, HUA W, XU B, et al. Robust rank aggregation and cibersort algorithm applied to the identification of key genes in head and neck squamous cell cancer. Math Biosci Eng. 2021;18(4):4491-4507.
[17] WANG Q, GAO QC, WANG QC, et al. A compendium of mitochondrial molecular characteristics provides novel perspectives on the treatment of rheumatoid arthritis patients. J Transl Med. 2023;21(1):561.
[18] RADU AF, BUNGAU SG. Management of Rheumatoid Arthritis: An Overview. Cells. 2021;10(11):2857.
[19] CONFORTI A, DI COLA I, PAVLYCH V, et al. Beyond the joints, the extra-articular manifestations in rheumatoid arthritis. Autoimmun Rev. 2021;20(2):102735.
[20] LIN YJ, ANZAGHE M, SCHÜLKE S. Update on the Pathomechanism, Diagnosis, and Treatment Options for Rheumatoid Arthritis. Cells. 2020;9(4):880.
[21] GUO D, ZHANG B, WU D, et al. Identification of PRTN3 as a novel biomarker for the diagnosis of early gastric cance. J Proteomics. 2023;277:104852.
[22] ZHOU Y, LIN Z, XIE S, et al. Interplay of chronic obstructive pulmonary disease and colorectal cancer development: unravelling the mediating role of fatty acids through a comprehensive multi-omics analysis. J Transl Med. 2023;21(1):587.
[23] ZHOU Z, ZHOU X, JIANG X, et al. Single-cell profiling identifies IL1B(hi) macrophages associated with inflammation in PD-1 inhibitor-induced inflammatory arthritis. Nat Commun. 2024;15(1):2107.
[24] LARAGIONE T, BRENNER M, SHERRY B, et al. CXCL10 and its receptor CXCR3 regulate synovial fibroblast invasion in rheumatoid arthritis. Arthritis Rheum. 2011;63(11):3274-3283.
[25] PAN Z, ZHU T, LIU Y, et al. Role of the CXCL13/CXCR5 Axis in Autoimmune Diseases. Front Immunol. 2022;13:850998.
[26] BUGATTI S, MANZO A, VITOLO B, et al. High expression levels of the B cell chemoattractant CXCL13 in rheumatoid synovium are a marker of severe disease. Rheumatology (Oxford). 2014;53(10):1886-1895.
[27] STARZER AM, BERGHOFF AS. New emerging targets in cancer immunotherapy: CD27 (TNFRSF7). ESMO Open. 2020;4(Suppl 3): e000629.
[28] MERINO-VICO A, FRAZZEI G, VAN HAMBURG JP, et al. Targeting B cells and plasma cells in autoimmune diseases: From established treatments to novel therapeutic approaches. Eur J Immunol. 2023;53(1):e2149675.
[29] DI BENEDETTO P, RUSCITTI P, VADASZ Z, et al. Macrophages with regulatory functions, a possible new therapeutic perspective in autoimmune diseases. Autoimmun Rev. 2019;18(10):102369.
[30] GENSOUS N, CHARRIER M, DULUC D, et al. T Follicular Helper Cells in Autoimmune Disorders. Front Immunol. 2018;9:1637.
[31] LI Y, BAI S, ZHANG J, et al. [T follicular helper cells and their related molecules in rheumatoid arthritis: A review]. Xi Bao Yu Fen Zi Mian Yi Xue Za Zhi. 2019;35(3):281-286.

引言

类风湿性关节炎是一种慢性、系统性的自身免疫疾病，好发于40-60岁的中年女性[1]，特征性表现为受累关节出现滑膜增生、炎细胞浸润、血管翳形成，并最终导致关节内关节软骨的破坏、脱落和关节畸形的发生[2-3]。大部分类风湿性关节炎患者需采用药物治疗控制病情，目前治疗类风湿性关节炎的首选药物是以甲氨蝶呤为代表的改善病情的药物，该类型药物主要通过降低关节内异常升高的细胞因子水平来减缓类风湿性关节炎的进展。21世纪以来欧洲风湿病学协会已经批准新增14种药物用于类风湿性关节炎的治疗[4]，但是仍有部分患者因对药物不敏感，导致治疗效果不佳，最终发展成为难治性类风湿性关节炎[5]。
细胞因子是一类多样化的蛋白质，通过同对应受体相互作用发挥促炎或抗炎功能，在类风湿性关节炎的发生、发展过程中发挥着重要的作用[6-9]。甲氨蝶呤主要通过调控受累关节内的细胞因子发挥作用，基于此推测类风湿性关节炎中存在不同的亚型，其中的一种亚型可能对甲氨蝶呤治疗敏感，而另一种不敏感。因此筛选类风湿性关节炎中细胞因子相关特征基因，并根据特征基因表达进行分型有助于提高类风湿性关节炎治疗的准确性和疗效。生物信息学是一门新兴学科，可以通过对海量测序数据的分析，基于不同的筛选规则发现疾病相关的生物标志物并进行亚型区分。
因而，此次研究综合运用了多种生物信息学算法，旨在识别类风湿性关节炎中细胞因子-细胞因子受体相互作用通路相关的关键基因，并基于这些基因将类风湿性关节炎分为对甲氨蝶呤敏感和不敏感2种亚型。尽管此次研究使用的数据集均来自国外，但对中国人群的类风湿性关节炎诊疗仍具有多方面重要意义：对于国内类风湿性关节炎患者而言，临床医生可依据此分型，针对不同亚型的患者制定更具针对性的个体化治疗方案。比如，对于对甲氨蝶呤不敏感的亚型患者，避免盲目使用该药，及时调整治疗策略，选择更有效的药物或治疗组合，从而提高治疗效果，改善患者病情。

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 资料和方法 Data and methods
1.1 设计生物信息学分析及实验验证。
1.2 时间及地点于2024年8-10月在临沂市人民医院中心实验室完成。
1.3 数据获取和处理此次研究使用的数据均来自公开发表的数据库，符合伦理学要求。
以“rheumatoid arthritis”为关键词在基因表达综合数据库(Gene Expression Omnibus，GEO，https://www.ncbi.nlm.nih.gov/geo/)中进行搜索，以“Homo sapiens”和“Expression profiling by arrray”为限定搜索条件。GEO数据库是由美国国立生物技术信息中心NCBI创建并维护的基因表达数据库，收录了世界各国研究机构提交的高通量基因表达数据。通过筛选下载了4个数据集，分别为GSE55457(平台编号GPL96)、GSE55235(平台编号GPL96)、GSE77298(平台编号GPL570)和GSE12021(平台编号GPL96)。GSE55457、GSE55235、GSE77298和GSE12021分别由德国耶拿大学医院骨科、德国夏里特医学院、荷兰的拉德堡德大学医学中心和德国汉诺威医学院上传至GEO数据库。按照平台文件将探针名称转换为基因名称，必要时对表达矩阵进行对数转换，重复基因取其表达水平的平均值。使用“Limma”包将GSE55457、GSE55235和GSE77298合并作为训练集，使用“removeBatchEffect”函数去除组间差异，使用“normalizeBetweenArrays”函数消除组内样本间的差异[10]。经过处理后，训练集中含有27个正常和39个类风湿性关节炎滑膜样本，验证集包含9个正常和12个类风湿性关节炎滑膜样本。从京都基因与基因组百科全书(Kyoto Encyclopedia of Genes and Genomes，KEGG，https://www.kegg.jp/)数据库中获得细胞因子-细胞因子受体相互作用通路相关基因(cytokine-cytokine receptor interaction pathway related genes，CCRGs)。KEGG数据库是日本京都Kanehisa Laboratories根据文献证据手工整理的一个庞大数据库(包括信号通路、基因、疾病、药物等等)。
1.4 方法
1.4.1 类风湿性关节炎中细胞因子-细胞因子受体相互作用通路差异基因(differential expression cytokine-cytokine receptor interaction pathway related genes，DCCRGs)的获取及细胞因子-细胞因子受体相互作用通路失调情况使用“Limma”包在训练集中以P < 0.05和|logFC| > 1为阈值筛选类风湿性关节炎滑膜同正常滑膜样本中的差异表达基因(differential expression genes，DEGs)[11]。使用在线网站Venny(https://bioinfogp.cnb.csic.es/tools/venny/index.html)对DEGs和CRRGs取交集，从而获得DCCRGs，并使用柱形图对其表达情况进行可视化。通过基因集变异分析和基因集富集分析评估类风湿性关节炎和正常样本中细胞因子-细胞因子受体相互作用通路的变化情况[12]。
1.4.2 机器学习识别候选基因采用随机森林、最小绝对收缩和选择算子(least absolute shrinkage and selection opeator，LASSO)、支持向量机-递归特征消除、Boruta全特征选择算法识别DCCRGs中的候选基因。LASSO算法筛选变量是通过“glmnet”包实现，具有不受外界噪声影响、结果稳定、模型相对简单的优点[13]；随机森林算法是通过“类风湿性关节炎ndomforest”包实现，可以对变量的重要性进行量化，因此其结果的可解释性强，同时具有防止模型过拟合的优势[14]；支持向量机算法则是通过引用“msvmRFE.R”函数完成，该算法特别适合于处理小样本、高维度和非线性数据[15]；Boruta算法同样适合处理高维度数据，同时该算法强调保留所有相关特征，因此其结果较为全面[16]。
1.4.3 加权基因共表达网络(weighted gene co-expression network analysis，WGCNA)识别候选基因 WGCNA通过构建基因共表达网络，划分基因模块，计算模块同临床特征相关性来筛选生物标志物的的生物信息学分析方法[17]。其简要步骤如下：首先排除离群样本，筛选软阈值并以此构建无尺度网络，随后通过网络中每对节点基因之间的邻接值和皮尔逊相关系数构建邻接矩阵并将其转换为拓扑重叠矩阵，绘制层阶聚类树，利用层次聚类和动态树切割函数将基因划分为不同的模块，模块的最小基因数设为30。选择具有最高相关系数且P < 0.05的模块作为核心模块，候选基因为模块中模块相关性> 0.8的基因。
1.4.4 特征基因的获取、诊断模型的构建和外部数据集的验证特征基因为以上4种机器学习和WGCNA筛选得到的候选基因的交集。在训练集和验证集中分别构建诊断模型，并对其诊断准确性和临床效能进行校验。
1.4.5 免疫浸润分析使用CIBERSORT算法定量组织中22种免疫细胞的浸润水平[18]，采用Wilcoxon秩和检验比较正常样本和类风湿性关节炎样本中各类免疫细胞含量的差异(P < 0.05)。此外，还对特征基因与免疫细胞之间的相关性进行了分析。
1.4.6 基于DCCRGs使用无监督聚类分析识别类风湿性关节炎新亚型使用“ConsensuClusterPlus”包对训练集中得类风湿性关节炎样本进行分层聚类，设置参数为maxK= 9，reps=50，pltem=0.8，pFeature=1，clusteralg=km，distance=euclidean，重复50次以确保聚类的稳定性，通过累积分布函数及聚类误差图确定最佳聚类分配[19]。识别3个特征基因在不同亚群中的表达情况，并对亚群在信号通路、免疫浸润方面的差异进行分析。
1.4.7 细胞培养及分组 MH7A细胞购自宁波名舟生物有限公司，培养条件：在DMEM培养基中加入体积分数10%胎牛血清、100 U/mL青霉素、100 mg/L链霉素，于37 ℃、体积分数5%CO2的饱和湿度细胞培养箱中常规培养。实验分为对照组(无处理)、肿瘤坏死因子α组(加入10 ng/mL的肿瘤坏死因子α共培养24 h，模拟类风湿性关节炎)[20]。
1.4.8 qPCR测定特征基因的mRNA相对表达水平将 MH7A细胞接种于6孔板(5×105个/孔)，培养 12 h后分组处理。使用RNA试剂盒提取样本总RNA，参照反转录试剂盒步骤反转录成cDNA，qPCR测定特征基因的表达，采用2-ΔΔCt方法计算mRNA相对表达量。
引物序列如下：趋化因子CXC配体13(C-X-C Motif Chemokine Ligand 13，CXCL13)：上游5'-GTG TGG ACC CTC AAG CTG AA-3'，下游5'-GGC TCA AGT TCC ATC TGC CT-3'；CXCL10：上游5'-GCT TCC AAG GAT GGA CCA CA-3'，下游5'-GCA GGG TCA GAA CAT CCA CT-3'；CD27：上游5'-TCA GCA ACT GGG CAC AGA AA-3'，下游5'-GGA GCT GCA CAG GGA TCT TT-3'；β-actin：上游5'-ACA GAG CCT CGC CTT TGC-3'，下游5'-GCG GCG ATA TCA TCA TCC-3'。
1.5 统计学分析使用统计软件R版本4.4.0进行统计分析，采用两样本 t 检验进行两组间均数差异的比较，P ≤0.05被认为差异有显著性意义。该文章统计方法已经经过苏州大学医学院统计专家审核。

讨论

类风湿性关节炎是一种复杂的自身免疫性疾病，主要病理变化为受累关节的滑膜增生和软骨破坏，对患者的健康构成重大威胁，此外部分患者还会合并有心血管疾病、感染和其他并发症[21-22]。类风湿性关节炎患者滑膜增生同受累关节长期处于慢性炎症状态及细胞因子的刺激密切相关[23]。细胞因子受到细胞因子-细胞因子受体相互作用通路的调控，因此识别该通路相关的特征基因可能会为类风湿性关节炎治疗提供新的方案。此次研究首先通过基因集富集分析和基因集变异分析分析明确了细胞因子-细胞因子受体相互作用通路的异常激活同类风湿性关节炎发生密切相关，这为后续的分析研究提供了坚实的基础。随后通过筛选得到了19个DCCRGs，并发现几乎所有的DCCRGs在类风湿性关节炎中均呈现高表达趋势。通过综合运用4种机器学习算法和WGCNA分析，筛选发现CXCL10、CXCL13、CD27可能是细胞因子-细胞因子受体相互作用通路中同类风湿性关节炎发生密切相关的特征基因;接着以3个特征基因表达量为参数构建了类风湿性关节炎的诊断模型，并对模型的诊断效能进行了评价。
CXCL10通过与CXCR3结合发挥作用，两者结合后能够特异性地吸引多种免疫细胞，如CD4⁺ T细胞、单核细胞、自然杀伤细胞等向关节滑膜组织迁移，使其分泌更多的炎症因子，如肿瘤坏死因子α、白细胞介素1、白细胞介素6等，这些炎症因子会进一步刺激滑膜细胞增生、血管翳形成，加剧关节局部的炎症反应；此外，它还可以促进基质金属蛋白酶1的分泌，使得关节软骨和软骨下组织中的胶原蛋白等结构蛋白被大量降解，破坏了软骨和骨的正常结构和功能，从而导致关节软骨的磨损、破坏以及骨组织的侵蚀破坏[24-25]。CXCL13则通过与CXCR5结合来发挥作用，同CXCL10一样，CXCL13与CXCR5的结合会促进免疫细胞向关节内滑膜组织迁移，从而加重局部的炎症反应；同时两者结合后会导致骨代谢密切相关的核因子κB受体活化子配体表达增多，引起核因子κB、丝裂素活化蛋白激酶等信号通路的激活，从而促进破骨细胞前体细胞的增殖、分化和存活，同时增强成熟破骨细胞的活性，导致骨吸收增加；同时两者结合也会导致骨保护素表达下降，使骨组织中抑制破骨细胞生成和活性的能力减弱，从而出现骨组织的过度吸收[26-27]。CD27属于肿瘤坏死因子受体超家族，具有增强T细胞免疫应答、调节B细胞活性、促进细胞凋亡、参与炎症信号传导的功能：在类风湿性关节炎的病理过程中，T细胞的活化和增殖是导致病情进展的关键因素，CD27通过与CD70结合，促进T细胞的激活，导致T细胞在关节处的浸润和慢性炎症反应的增强，加重关节局部的炎症反应；同时CD27还可以增加B细胞活性，使自身抗体(如抗环瓜氨酸肽抗体)的产生增多，从而引起关节局部炎症反应加重和软骨的破坏[28]。
类风湿性关节炎是自身免疫相关的疾病，因此明确类风湿性关节炎的免疫浸润情况有利于深入理解类风湿性关节炎的发病机制。此次研究中的免疫浸润分析结果表明：与正常样本相比，类风湿性关节炎中的浆细胞、CD8⁺ T细胞、活化CD4⁺ T细胞、滤泡辅助T细胞和M1巨噬细胞的浸润显著增高，并且3个特征基因与这些免疫细胞呈正相关。浆细胞通过分泌自身抗体如类风湿因子，形成免疫复合物，激活补体系统，从而引发炎症反应和关节损伤[29]。M1型巨噬是一种促炎细胞，可以通过分泌细胞因子募集其他免疫细胞促进局部炎症反应，导致滑膜成纤维细胞增殖加重类风湿性关节炎的临床症状[30]。滤泡辅助T细胞是CD4⁺ T细胞的一个亚型，其可以通过增加B细胞活性、促进CXCR5及程序性死亡因子1的分泌来促进类风湿性关节炎的发生[31]。
通过以上分析可以发现3个特征基因的高表达同类风湿性关节炎中免疫浸润失调密切相关，降低其表达量可能会减缓类风湿性关节炎的进展。甲氨蝶呤是目前治疗类风湿性关节炎的常用药物，但是仍有部分患者对其治疗不敏感，基于此推测类风湿性关节炎中可能存在不同的亚型。为了对这一推测进行验证，此次研究又通过无监督聚类分析基于DCCRGs的表达量对类风湿性关节炎样本进行了亚型划分。通过分析可以发现类风湿性关节炎样本被划分为2种亚型，特征基因在其中一个亚型均呈现出高表达的趋势，随后通过基因集富集分析和基因集变异分析发现，高表达特征基因的亚型与炎症和免疫反应密切相关，同时其免疫细胞浸润情况同类风湿性关节炎整体的免疫浸润情况相一致。基于上述发现作者认为对甲氨蝶呤敏感的患者可能是特征基因高表达亚型，而不敏感患者可能是特征基因低表达患者。因此在临床治疗中，可以通过检测以上3种特征基因表达水平来判断患者对甲氨蝶呤治疗的敏感性。
综上，细胞因子-细胞因子受体相互作用通路的异常激活是类风湿性关节炎发生的原因；3个特征基因同类风湿性关节炎中免疫浸润失调密切相关；基于DCCRGs的表达量类风湿性关节炎可以被明确划分为2个亚型：甲氨蝶呤敏感型和不敏感型，根据此分型可以指导类风湿性关节炎的临床治疗，避免盲目使用甲氨蝶呤，及时调整治疗策略，选择更有效的药物或治疗组合，从而提高治疗效果，改善患者的病情，提升类风湿性关节炎治疗的有效性和精准性。但此次研究也存在一定的局限性：未对特征基因导致类风湿性关节炎发生、进展的机制做深入研究。

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

类风湿性关节炎中细胞因子及受体互作通路的特征基因和分子亚型与实验验证

Experimental validation of cytokine-cytokine receptor interaction pathway related gene signatures and molecular subtypes in rheumatoid arthritis

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表（结果） 10

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]	赖家铭, 宋玉玲, 陈梓曦, 魏镜桓, 蔡浩, 李国权, . 放射性心脏损伤小鼠内皮细胞衰老的诊断标志物筛选及免疫浸润分析[J]. 中国组织工程研究, 2026, 30(6): 1450-1463.
[2]	张倩, 黄东锋. 加权基因共表达网络分析结合机器学习筛选及验证骨关节炎生物标记物[J]. 中国组织工程研究, 2026, 30(5): 1096-1105.
[3]	顾富城, 杨美鑫, 吴伟欣, 蔡玮俊, 钦洋溢, 孙铭一, 孙健, 耿秋东, 李楠, . 龟鹿二仙胶对膝骨关节炎大鼠肠道菌群的影响：机器学习与16S rDNA分析[J]. 中国组织工程研究, 2026, 30(4): 1058-1072.
[4]	管昱杰, 赵彬 . 人工智能在脊柱侧弯筛查和诊断中的应用与展望[J]. 中国组织工程研究, 2026, 30(3): 721-730.
[5]	王志鹏, 张晓刚, 张宏伟, 赵希云, 李元贞, 郭成龙, 秦大平, 任真. 机器学习在腰椎间盘突出症患者预后预测模型中应用价值的系统评价[J]. 中国组织工程研究, 2026, 30(3): 740-748.
[6]	赵非凡, 曹玉净. 强直性脊柱炎与银屑病共有基因人工神经网络模型及基于机器学习的挖掘和验证[J]. 中国组织工程研究, 2026, 30(3): 770-784.
[7]	祁祥, 曹珊, 陈健, 张艺嘉, 刘珂珂, 徐子福, 刘往, 付晓霄, 殷晓磊. 筛选动脉粥样硬化线粒体功能障碍与铁死亡相关基因及调控的中药预测[J]. 中国组织工程研究, 2026, 30(10): 2641-2652.
[8]	李加根, 陈跃平, 黄柯琪, 陈尚桐, 黄川洪. 线粒体自噬视域下的类风湿关节炎：多机器学习算法构建预测模型及验证并免疫调控分析[J]. 中国组织工程研究, 2025, 29(在线): 1-15.
[9]	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.
[10]	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.
[11]	杨彬, 陶广义, 杨顺, 许俊杰, 黄俊卿. 人工智能在脊髓神经损伤与修复领域研究热点的可视化分析[J]. 中国组织工程研究, 2025, 29(4): 761-770.
[12]	杨定燕, 余振球, 杨中愉. 急性心肌梗死与中性粒细胞相关潜在生物标志物的机器学习分析[J]. 中国组织工程研究, 2025, 29(36): 7909-7920.
[13]	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.
[14]	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.
[15]	李靖, 路广琦, 庄明辉, 崔莹, 俞张镜泽, 孙馨悦, 马明明, 朱立国, 于杰. 基于机器学习构建中青年人群颈椎失稳临床预测模型[J]. 中国组织工程研究, 2025, 29(33): 7203-7210.