可成药基因与单细胞分析揭示骨质疏松症的潜在药物治疗靶点

doi:10.12307/2026.383

中国组织工程研究 ›› 2026, Vol. 30 ›› Issue (25): 6654-6660.doi: 10.12307/2026.383

• 组织工程相关大数据分析 Big data analysis in tissue engineering • 上一篇

可成药基因与单细胞分析揭示骨质疏松症的潜在药物治疗靶点

李义尉1，雒宗明1，戎义发1，姜凯1，张加豪1，卢博文1，李刚1，2

1山东中医药大学第一临床医学院，山东省济南市 250355；2山东中医药大学附属医院显微骨科，山东省济南市 250014

收稿日期:2025-07-04 修回日期:2025-10-09 出版日期:2026-09-08 发布日期:2026-04-23
通讯作者: 李刚，博士，教授，博士生导师，山东中医药大学第一临床医学院，山东省济南市 250355；山东中医药大学附属医院显微骨科，山东省济南市 250014
作者简介:李义尉，男，2000年生，山东省青岛市人，汉族，山东中医药大学在读硕士，主要从事中医骨伤科学方面的研究。
基金资助:
山东省重点研发计划(重大科技创新工程)项目(2021CXGC010501)，项目负责人：李刚；领军科创团队(2024sdskctd-02)，项目负责人：李刚

Druggable gene and single cell analyses reveal potential therapeutic targets for osteoporosis

Li Yiwei1, Luo Zongming1, Rong Yifa1, Jiang Kai1, Zhang Jiahao1, Lu Bowen1, Li Gang1, 2

1First Clinical Medical College, Shandong University of Traditional Chinese Medicine, Jinan 250355, Shandong Province, China; 2Department of Microsurgical Orthopedics, Affiliated Hospital of Shandong University of Traditional Chinese Medicine, Jinan 250014, Shandong Province, China

Received:2025-07-04 Revised:2025-10-09 Online:2026-09-08 Published:2026-04-23
Contact: Li Gang, PhD, Professor, Doctoral supervisor, First Clinical Medical College, Shandong University of Traditional Chinese Medicine, Jinan 250355, Shandong Province, China; Department of Microsurgical Orthopedics, Affiliated Hospital of Shandong University of Traditional Chinese Medicine, Jinan 250014, Shandong Province, China
About author:Li Yiwei, MS candidate, First Clinical Medical College, Shandong University of Traditional Chinese Medicine, Jinan 250355, Shandong Province, China
Supported by:
Shandong Province Key Research and Development Program (Major Science and Technology Innovation Project), No. 2021CXGC010501 (to LG); Leading Science and Technology Innovation Team, No. 2024sdskctd-02 (to LG)

摘要/Abstract

摘要：

文题释义：
可成药基因：通过基因组学和分子生物学等方法被识别为潜在药物靶点的基因，具有与药物小分子直接或间接作用的能力，从而调节生物体内的生理过程或病理状态。随着精准医学的发展，开发针对可成药基因的靶向治疗策略已成为药物研发的重要方向。
分子对接：是通过受体的特征以及受体和药物分子之间的相互作用方式来进行药物设计的方法，主要研究分子间(如配体和受体)相互作用，并预测其结合模式和亲合力的一种理论模拟方法。

背景：遗传因素在骨质疏松症的病理机制中扮演重要角色，孟德尔随机化可利用eQTL推断特定基因与疾病之间的因果关联。
目的：基于可成药基因进行孟德尔随机化和共定位分析，利用生物信息学分析骨质疏松症治疗靶点的潜在生物学机制，并通过药物富集分析和分子对接预测药物靶点的结合活性。
方法：①数据来源：可成药基因来源于DGIdb数据库(由华盛顿大学医学院构建的公共数据库，被广泛用于药物靶点发现)和文献中提供的信息；可成药基因的相关表达数量性状位点数据来自于eQTLGen(由荷兰格罗宁根大学等多个国际研究机构合作构建的大型血液eQTL数据库)；骨质疏松症的全基因组关联研究数据来自于FinnGen R12(由芬兰赫尔辛基大学主导构建的大型基因组数据库)，其中骨质疏松症病例10 461例，对照473 264例；GEO数据库的GSE230665芯片数据集和GSE169396单细胞数据集。②方法：筛选与骨质疏松症密切相关的基因；通过芯片数据评估基因在骨质疏松症中的具体表达；单细胞分析进一步观察基因在细胞通讯中的调节作用；通过富集分析阐释生物学功能，构建蛋白互作网络以分析潜在关联；药物富集和分子对接预测并模拟小分子药物与靶点的结合。
结果与结论：该研究识别出了37个与骨质疏松症相关的可成药基因，其中肌钙蛋白C2、CXC趋化因子受体6在骨质疏松症中具有保护作用且与疾病共享因果遗传变异。芯片数据分析表明，CXC趋化因子受体6在骨质疏松症中的表达较正常组显著降低，提示其在骨质疏松症的保护作用减弱。单细胞分析进一步发现CXC趋化因子受体6主要在T细胞上表达，且CXC趋化因子受体6+ T细胞展示出更强的细胞通讯能力。药物富集分析发现NSC95397能够靶向结合CXC趋化因子受体6，分子对接显示其与CXC趋化因子受体6结合活性良好。这些发现不仅为骨质疏松症新型药物的研发提供线索，还有利于促进研究成果的转化应用。

https://orcid.org/0009-0004-1114-0073 (李义尉)

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: 骨质疏松症, 孟德尔随机化, CXC趋化因子受体6, 药物靶点, 基因, 生物信息学分析, 单细胞分析, 遗传组织工程

Abstract: BACKGROUND: Genetic factors play an important role in the pathophysiology of osteoporosis, and Mendelian randomization can be used to infer causal associations between specific genes and diseases using eQTLs.
OBJECTIVE: To identify potential therapeutic targets for osteoporosis based on druggable genes-related Mendelian randomization and colocalization analysis, to explore the potential biological mechanisms in the treatment of osteoporosis using bioinformatics analysis, and to predict the binding activity of drug targets using drug enrichment analysis and molecular docking.
METHODS: (1) Data sources: Druggable genes were sourced from the DGIdb database (a public database constructed by the University of Washington School of Medicine, widely used for drug target discovery) and information provided in the literature. Expression quantitative trait locus (eQTL) data for druggable genes were obtained from eQTLGen (a large-scale blood eQTL database jointly constructed by multiple international research institutions, including the University of Groningen in the Netherlands). The genome-wide association study data for osteoporosis were obtained from FinnGen R12 (a large-scale genomic database led by the University of Helsinki in Finland), including 10 461 osteoporosis cases and 473 264 controls. GSE230665 chip dataset and GSE169396 single-cell dataset were obtained from the GEO database. (2) Methods: Genes closely associated with osteoporosis were screened. Gene expression specific to osteoporosis was evaluated using array. Single-cell analysis was used to further examine the regulatory role of these genes in cell communication. Additionally, enrichment analysis was performed to elucidate biological functions, and a protein-protein interaction network was constructed to analyze potential associations. Drug enrichment and molecular docking were used to predict and simulate the binding of small molecule drugs with targets.
RESULTS AND CONCLUSION: This study identified 37 druggable genes associated with osteoporosis, among which Troponin C2 and CXC chemokine receptor 6 have protective roles in osteoporosis and share causal genetic variations with the disease. Array data analysis showed that CXC chemokine receptor 6 expression was significantly reduced in osteoporosis compared with the normal group, suggesting its diminished protective role in osteoporosis. Single cell analysis further revealed that CXC chemokine receptor 6is predominantly expressed on T cells, and CXC chemokine receptor 6 positive T cells exhibit stronger cell communication abilities. Drug enrichment found that NSC95397 can target and bind CXC chemokine receptor 6, and molecular docking showed good binding activity with CXC chemokine receptor 6. These findings not only provide clues for the development of novel osteoporosis drugs but also promote the translation and application of research outcomes.

Key words: osteoporosis, Mendelian randomization, CXC chemokine receptor 6, drug targets, genes, bioinformatics analysis, single-cell analysis, genetic tissue engineering

中图分类号:

李义尉, 雒宗明, 戎义发, 姜凯, 张加豪, 卢博文, 李刚. 可成药基因与单细胞分析揭示骨质疏松症的潜在药物治疗靶点[J]. 中国组织工程研究, 2026, 30(25): 6654-6660.

Li Yiwei, Luo Zongming, Rong Yifa, Jiang Kai, Zhang Jiahao, Lu Bowen, Li Gang. Druggable gene and single cell analyses reveal potential therapeutic targets for osteoporosis[J]. Chinese Journal of Tissue Engineering Research, 2026, 30(25): 6654-6660.

参考文献

[1] CHEN LR, KO NY, CHEN KH. Medical Treatment for Osteoporosis: From Molecular to Clinical Opinions. Int J Mol Sci. 2019;20(9):2213.
[2] MORAN JM, CHOI MH, YANG JH, et al. Prevalence and diagnosis experience of osteoporosis in postmenopausal women over 50: Focusing on socioeconomic factors. PLoS One. 2021;16(3): e0248020.
[3] CHEN P, LI Z, HU Y. Prevalence of osteoporosis in China: a meta-analysis and systematic review. BMC Public Health. 2016;16(1):1039.
[4] LEBOFF MS, GREENSPAN SL, INSOGNA KL, et al. The clinician’s guide to prevention and treatment of osteoporosis. Osteoporos Int. 2022; 33(10):2049-2102.
[5] 郭佳乐. 机器学习预测老年人髋部骨折术后肺炎风险[D].合肥:安徽医科大学,2024.
[6] 刘录, 司海朋, 李春林, 等. 基于巢式病例对照研究构建椎体压缩骨折患者术前深静脉血栓形成的风险预测模型 [J]. 中华骨质疏松和骨矿盐疾病杂志,2024,17(6):580-586.
[7] FATOYE F, SMITH P, GEBRYE T, et al. Real-world persistence and adherence with oral bisphosphonates for osteoporosis: a systematic review. BMJ Open. 2019;9(4):e027049.
[8] BORROMEO GL, BRAND C, CLEMENT JG, et al. A Large Case-Control Study Reveals a Positive Association Between Bisphosphonate Use and Delayed Dental Healing and Osteonecrosis of the Jaw. J Bone Miner Res. 2014;29(6):1363-1368.
[9] GREEN J, CZANNER G, REEVES G, et al. Oral bisphosphonates and risk of cancer of oesophagus, stomach, and colorectum: case-control analysis within a UK primary care cohort.BMJ. 2010;341:c4444.
[10] BERAL V, BULL D, REEVES G, et al.Endometrial cancer and hormone-replacement therapy in the Million Women Study. Lancet. 2005;365(9470): 1543-1551.
[11] PRUTHI S, YANG L, SANDHU NP, et al. Evaluation of serum estrogen-DNA adducts as potential biomarkers for breast cancer risk.J Steroid Biochem Mol Biol. 2012;132(1-2):737-739.
[12] SILVERMAN S L, CHRISTIANSEN C, GENANT H K, et al. Efficacy of Bazedoxifene in Reducing New Vertebral Fracture Risk in Postmenopausal Women With Osteoporosis: Results From a 3-Year, Randomized, Placebo-, and Active-Controlled Clinical Trial. J Bone Miner Res. 2008;23(12):1923-1934.
[13] ZHANG C, HE Y, LIU L. Identifying therapeutic target genes for migraine by systematic druggable genome-wide Mendelian randomization. J Headache Pain. 2024;25(1):100.
[14] ZHU Z, ZHANG F, HU H, et al. Integration of summary data from GWAS and eQTL studies predicts complex trait gene targets. Nat Genet. 2016;48(5):481-487.
[15] SMITH GD. Capitalizing on Mendelian randomization to assess the effects of treatments.J R Soc Med. 2007;100(9):432-435.
[16] 孙成涛, 孙广江, 戚晓楠, 等. 单细胞转录组测序技术在骨质疏松症研究中的应用与进展[J].中国组织工程研究,2025,29(13):2812-2821.
[17] FRESHOUR S L, KIWALA S, COTTO KC, et al. Integration of the Drug–Gene Interaction Database (DGIdb 4.0) with open crowdsource efforts. Nucleic Acids Res. 2021;49(D1):D1144-D1151.
[18] FINAN C, GAULTON A, KRUGER FA, et al. The druggable genome and support for target identification and validation in drug development. Sci Transl Med. 2017;9(383):eaag1166.
[19] VõSA U, CLARINGBOULD A, WESTRA H-J, et al. Large-scale cis- and trans-eQTL analyses identify thousands of genetic loci and polygenic scores that regulate blood gene expression. Nat Genet. 2021;53(9):1300-1310.
[20] KURKI M I, KARJALAINEN J, PALTA P, et al. FinnGen provides genetic insights from a well-phenotyped isolated population. Nature.2023; 613(7944):508-518.
[21] HEMANI G, ZHENG J, ELSWORTH B, et al. The MR-Base platform supports systematic causal inference across the human phenome.Elife. 2018; 7:e34408.
[22] AUTON A, ABECASIS GR, ALTSHULER DM, et al. A global reference for human genetic variation. Nature. 2015;526(7571):68-74.
[23] BURGESS S, THOMPSON SG. Avoiding bias from weak instruments in Mendelian randomization studies. Int J Epidemiol. 2011;40(3):755-764.
[24] BURGESS S, DAVEY SMITH G, DAVIES NM, et al. Guidelines for performing Mendelian randomization investigations. Wellcome Open Res. 2023;4:186.
[25] GRECO MFD, MINELLI C, SHEEHAN NA, et al. Detecting pleiotropy in Mendelian randomisation studies with summary data and a continuous outcome. Stat Med. 2015;34(21):2926-2940.
[26] BOWDEN J, DAVEY SMITH G, BURGESS S. Mendelian randomization with invalid instruments: effect estimation and bias detection through Egger regression. Int J Epidemiol. 2015; 44(2):512-525.
[27] YU G, WANG L-G, HAN Y, et al. clusterProfiler: an R Package for Comparing Biological Themes Among Gene Clusters. OMICS. 2012;16(5):284-287.
[28] CORDELL HJ, WALLACE C. A more accurate method for colocalisation analysis allowing for multiple causal variants. PLoS Genet. 2021;17(9): e1009440.
[29] WILLIAMS SM, GIAMBARTOLOMEI C, VUKCEVIC D, et al. Bayesian Test for Colocalisation between Pairs of Genetic Association Studies Using Summary Statistics. PLoS Genet. 2014;10(5): e1004383.
[30] LIU B, GLOUDEMANS MJ, RAO AS, et al. Abundant associations with gene expression complicate GWAS follow-up. Nat Genet. 2019;51(5):768-769.
[31] XIE L, FENG E, LI S, et al. Comparisons of gene expression between peripheral blood mononuclear cells and bone tissue in osteoporosis.Medicine (Baltimore). 2023;102(20):e33829.
[32] QIU X, LIU Y, SHEN H, et al. Single-cell RNA sequencing of human femoral head in vivo. Aging (Albany NY). 2021;13(11):15595-15619.
[33] 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.
[34] SZKLARCZYK D, KIRSCH R, KOUTROULI M, et al. The STRING database in 2023: protein–protein association networks and functional enrichment analyses for any sequenced genome of interest. Nucleic Acids Res. 2023;51(D1):D638-D646.
[35] STUART T, BUTLER A, HOFFMAN P, et al. Comprehensive Integration of Single-Cell Data. Cell. 2019;177(7):1888-902.e21.
[36] JIN S, GUERRERO-JUAREZ CF, ZHANG L, et al. Inference and analysis of cell-cell communication using CellChat. Nat Commun. 2021;12(1):1088.
[37] YOO M, SHIN J, KIM J, et al. DSigDB: drug signatures database for gene set analysis.Bioinformatics. 2015;31(18):3069-3071.
[38] MORRIS GM, HUEY R, LINDSTROM W, et al. AutoDock4 and AutoDockTools4: Automated docking with selective receptor flexibility.J Comput Chem. 2009;30(16):2785-2791.
[39] TROTT O, OLSON AJ. AutoDock Vina: Improving the speed and accuracy of docking with a new scoring function, efficient optimization, and multithreading.J Comput Chem. 2010;31(2): 455-461.
[40] ADASME MF, LINNEMANN KL, BOLZ SN, et al. PLIP 2021: expanding the scope of the protein–ligand interaction profiler to DNA and RNA. Nucleic Acids Res. 2021;49(W1):W530-W534.
[41] SLAUENWHITE D, GEBREMESKEL S, DOUCETTE CD, et al. Regulation of Cytokine Polarization and T Cell Recruitment to Inflamed Paws in Mouse Collagen‐Induced Arthritis by the Chemokine Receptor CXCR6.Arthritis Rheumatol. 2014;66(11): 3001-3012 .
[42] STEGMANN K A, ROBERTSON F, HANSI N, et al. CXCR6 marks a novel subset of T-betloEomeshi natural killer cells residing in human liver. Sci Rep. 2016;6:26157.
[43] PAUST S, GILL HS, WANG BZ, et al. Critical role for the chemokine receptor CXCR6 in NK cell–mediated antigen-specific memory of haptens and viruses. Nat Immunol. 2010;11(12):1127-1135.
[44] LI C, ZHAO J, SUN L, et al. RANKL downregulates cell surface CXCR6 expression through JAK2/STAT3 signaling pathway during osteoclastogenesis. Biochem Biophys Res Commun. 2012;429(3-4): 156-162.
[45] MOSSANEN JC, KOHLHEPP M, WEHR A, et al. CXCR6 Inhibits Hepatocarcinogenesis by Promoting Natural Killer T- and CD4+ T-Cell–Dependent Control of Senescence. Gastroenterology. 2019; 156(6):1877-1889.e4.
[46] XING X, HUANG H, GAO X, et al. Local Elimination of Senescent Cells Promotes Bone Defect Repair during Aging. ACS Appl Mater Interfaces. 2022; 14(3):3885-3899.
[47] 王铭洋, 顾海立, 于冬冬. 骨髓间充质干细胞衰老与绝经后骨质疏松相关性研究进展[J].中国骨质疏松杂志,2025,31(4):581-585.
[48] JIANG L, YANG M, LI X, et al. CXC Motif Ligand 16 Promotes Nonalcoholic Fatty Liver Disease Progression via Hepatocyte–Stellate Cell Crosstalk. J Clin Endocrinol Metab. 2018;103(11):3974-3985.
[49] CHANDRASEKAR B, BYSANI S, MUMMIDI S. CXCL16 Signals via Gi, Phosphatidylinositol 3-Kinase, Akt, IκB Kinase, and Nuclear Factor-κB and Induces Cell-Cell Adhesion and Aortic Smooth Muscle Cell Proliferation. J Biol Chem. 2004;279(5):3188-3196.
[50] ISOZAKI T, ARBAB AS, HAAS CS, et al. Evidence That CXCL16 Is a Potent Mediator of Angiogenesis and Is Involved in Endothelial Progenitor Cell Chemotaxis: Studies in Mice With K/BxN Serum–Induced Arthritis. Arthritis Rheum. 2013;65(7): 1736-1746.
[51] XIA Y, JIN X, YAN J, et al. CXCR6 Plays a Critical Role in Angiotensin II–Induced Renal Injury and Fibrosis. Arterioscler Thromb Vasc Biol. 2014; 34(7):1422-1428.
[52] DUHEN T, PASERO C, MALLET F, et al. LIGHT costimulates CD40 triggering and induces immunoglobulin secretion; a novel key partner in T cell‐dependent B cell terminal differentiation. Eur J Immunol. 2004;34(12):3534-2541.
[53] SOROOSH P, DOHERTY T A, SO T, et al. Herpesvirus entry mediator (TNFRSF14) regulates the persistence of T helper memory cell populations. J Exp Med. 2011;208(4):797-809.
[54] STEINBERG MW, CHEUNG TC, WARE CF. The signaling networks of the herpesvirus entry mediator (TNFRSF14) in immune regulation. Immunol Rev. 2011;244(1):169-187.
[55] KANG YM, KIM SY, KANG JH, et al. Light up‐regulated on B lymphocytes and monocytes in rheumatoid arthritis mediates cellular adhesion and metalloproteinase production by synoviocytes.Arthritis Rheum. 2007;56(4):1106-1117.
[56] 张培艺, 周淑芬, 王梅英, 等. 重组人Ⅱ型肿瘤坏死因子受体-抗体融合蛋白抑制强直性脊柱炎趋化因子CXCL16及其受体CXCR6的表达[J]. 山东大学学报(医学版),2015,53(12):51-56.
[57] PERWITASARI O, TORRECILHAS AC, YAN X, et al. Targeting Cell Division Cycle 25 Homolog B To Regulate Influenza Virus Replication. J Virol. 2013;87(24):13775-13784.
[58] DUBEY NK, PENG BY, LIN CM, et al. NSC 95397 Suppresses Proliferation and Induces Apoptosis in Colon Cancer Cells through MKP-1 and the ERK1/2 Pathway. Int J Mol Sci. 2018;19(6):1625.
[59] ZHU L, WU J, LIU H. Downregulation of HERC5 E3 ligase attenuates the ubiquitination of CtBP1 to inhibit apoptosis in colorectal cancer cells. Carcinogenesis. 2021;42(8):1119-1130.
[60] YANG Y, YANG W S, YU T, et al. Novel anti-inflammatory function of NSC95397 by the suppression of multiple kinases. Biochem Pharmacol. 2014;88(2):201-215.

引言

骨质疏松症是一种以骨量减少、骨微结构退化以及骨脆性增加为特征的骨科疾病[1]，其患病率正逐渐上升[2-3]。骨质疏松症直接加剧了骨折风险，约有50%的女性和20%的男性在50岁后出现骨质疏松性骨折[4]。老年人群骨质疏松性骨折预后普遍欠佳，常出现肺炎、深静脉血栓等并发症，严重者甚至出现死亡[5-6]，给个人和社会带来沉重的负担。
当前的临床实践中，骨质疏松的常用治疗药物包括双膦酸盐类和雌激素制剂。值得注意的是，诸多药物相关的不良反应已被报道，颌骨坏死被发现与双膦酸盐类药物的使用密切相关[7-8]。此外，双膦酸盐的应用还会加剧食管癌的发病风险[9]。在应用雌激素制剂的患者中，乳腺癌、子宫内膜癌和卵巢癌等的发病率呈明显上升趋势[10-11]。此外，雌激素受体调节剂如巴多昔芬，被报道可引发深静脉血栓，严重情况下甚至出现肺栓塞[12]。基于此，深入了解骨质疏松症的分子机制，探索更安全高效的治疗靶点对骨质疏松的防治至关重要。
随着全基因组关联研究(Genome-wide association study，GWAS)的不断发展，可成药基因的研究价值日益凸显，通过分析可成药基因的表达模式，有利于研究人员高效筛选具有成药潜力的关键基因[13]。作为工具变量，表达数量性状位点(expression quantitative trait loci，eQTL)在遗传学研究中占据着重要地位[14]。孟德尔随机化可利用表达数量性状位点推断特定基因与疾病之间的因果关联[15]。遗传因素在骨质疏松症的病理机制中同样扮演着重要角色。基于此，此次研究通过孟德尔随机化和共定位分析等方法，探讨可成药基因在骨质疏松症中的潜在作用，并整合多种方法筛选出具有临床转化价值的关键基因[16]，进而为中国骨质疏松症的精准治疗提供线索。
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

材料方法

1 资料和方法 Data and methods
1.1 设计该研究首先利用孟德尔随机化识别与骨质疏松症密切相关的基因，并通过共定位分析探讨基因与骨质疏松症是否共享因果遗传变异;通过整合芯片和单细胞测序数据分析关键基因在疾病和不同细胞类型中的表达特征；此外，对所有筛选出来的基因进行富集分析并构建蛋白互作网络；通过药物富集和分子对接进一步评估基因与药物之间的结合能力。研究设计见图1所示。
1.2 时间及地点实验于2025年2-4月在山东中医药大学及山东中医药大学附属医院完成。
1.3 资料见表1。
1.4 方法
1.4.1 孟德尔随机化分析选择可成药基因的表达数量性状位点作为暴露数据，基于“TwoSampleMR”包进行孟德尔随机化分析[21]。P < 5×10-8的强相关单核苷酸多态性作为工具变量。根据基因的位置信息提取暴露数据，提取每个基因转录起始位点±1 000 kb范围的单核苷酸多态性。根据效应位点频率对数据进行过滤(> 0.01)。为了保证单核苷酸多态性之间分配是随机的，基于欧洲人群参考基因组去除连锁不平衡[22]，r²设置为0.001，kb设置为
10 000。F统计量可用于评价工具变量的强度[23]。

使用F= 计算F值。当F < 10时，因果效应估计量会产生严重的偏倚，因此去除F < 10的工具变量。利用筛选后的单核苷酸多态性进行孟德尔随机化分析。当仅有一个单核苷酸多态性可供分析时，选择Wald ratio方法。逆方差加权法假设所有工具变量都是有效的，且不存在水平多效性，具有较高的统计效能[24]。当有多个单核苷酸多态性时，使用逆方差加权法进行分析。利用Cochran’s Q检验来计算异质性[25]。使用MR_pleiotro检验水平多效性以确保工具变量仅通过暴露影响结局[26]。

1.4.2 富集分析使用“clusterProfiler”包进行基因本体论 (gene ontology，GO)功能和京都基因与基因组百科全书(Kyoto encyclopedia of genes and genomes，KEGG)通路分析[27]。GO分析包括生物过程、细胞组分和分子功能。KEGG分析可以提供相关的通路信息。通过综合GO和KEGG分析结果，有利于了解药物靶基因的功能特性及其在疾病发生发展中的潜在作用。
1.4.3 共定位分析采用“coloc” 包进行了共定位分析[28]。后验概率(posterior probability，PP)用于量化暴露与结局之间是否共享因果遗传变异，这些假设分别为PPH0、PPH1、PPH2、PPH3、PPH4。PPH0，与两个性状均无关联；PPH1，与基因表达相关，与骨质疏松症风险无关；PPH2，与骨质疏松症风险相关，但与基因表达无关；PPH3，与骨质疏松症风险和基因表达相关，但关联由不同的遗传变异驱动；PPH4，与骨质疏松症风险和基因表达相关，且关联由相同的遗传变异驱动。当PPH4≥0.75时，认为该基因与骨质疏松症共享因果遗传变异，可作为潜在的药物靶点基因[29]。采用“locuscomparer”包进行可视化[30]。
1.4.4 生物信息学及单细胞分析
(1)数据来源：使用关键词 “Osteoporosis AND Homo sapiens” 检索GEO数据库 (基因表达综合数据库，https://www.ncbi.nlm.nih.gov/geo)，筛选出GSE230665芯片数据集和GSE169396单细胞数据集[31-32]，其中GSE230665数据集包含12个骨质疏松症样本和3个正常样本；GSE169396数据集包含4个股骨头单细胞样本。
(2)数据处理和分析：使用limma包中的normalizeBetweenArrays函数对GSE230665芯片数据集进行标准化，识别差异表达基因[33]；使用“ggstatsplot”包探究基因表达之间的相关性；蛋白互作网络可以直观地展示蛋白质之间的相互作用关系；使用STRING (https://string-db.org/)构建蛋白互作网络。最低要求得分设置为0.15，其他参数保持默认设置[34]。
使用“Seurat”包进行GSE169369单细胞分析，过滤掉检测到< 200个或> 7 500个基因的细胞[35]。使用NormalizeData函数对数据集进行归一化，“RunUMAP”函数用于数据降维。细胞类型根据已知的细胞标志物手动注释。箱线图对组织中的基因表达情况进行可视化，以进一步筛选关键的可成药基因。为探究细胞间的通信模式，使用“CellChat”包进行细胞通讯分析[36]。“createCellChat”函数用于将表达矩阵创建为cellchat对象。在构建CellChat对象时，根据基因表达对细胞进行分组，并选用“CellChat”提供“CellChatDB.human”作为参考数据。通讯分析采用与分泌型信号相关的子集数据，同时识别并映射过表达的基因和配体-受体对。基于配体-受体对的表达，计算细胞间的通讯概率，生成汇总的通讯网络，并使用“netVisual_circle”函数展示细胞-细胞通信的数量和强度。节点大小表示细胞群的相对数量，边的粗细反映通讯强度。“netVisual_bubble”函数用于对配体-受体相互作用进行可视化。
1.4.5 分子对接 Dsigdb(http://dsigdb.tanlab.org/)是一个包含大量药物相关的基因和化合物的数据库[37]。此次研究利用Dsigdb进行药物富集，寻找可用于对接的小分子药物，并进一步通过PubChem (https://pubchem.ncbi.nlm.nih.gov/)获取小分子药物的结构信息。Uniprot (https://www.uniprot.org/) 提供了全面且高质量的蛋白质序列和功能信息，通过Uniprot可以获取CXC趋化因子受体6(CXC chemokine receptor6，CXCR6) 的蛋白晶体结构。获取配体和受体的结构信息后，使用PyMol 1.8.5软件进行加氢、去除水分子。使用AutoDockTools 4将PDB格式转换为PDBQT格式[38]。对接选择AutoDock Vina 1.1.2软件[39]。对接后，选择结合能最低的构象作为最终的对接构象，并使用PyMol 1.8.5和Plip 2021进行可视化[40]。
1.5 主要观察指标 ①孟德尔随机化分析关键的可成药基因；②富集分析可成药基因与免疫反应、脂质代谢等的相关性；③可成药基因与骨质疏松症共定位结果和蛋白相互作用网络分析；④CXC趋化因子受体6在骨髓微环境中对细胞通讯的影响；⑤CXC趋化因子受体6药物预测与分子对接分析。
1.6 统计学分析 Wilcoxon检验用于判断组间差异；皮尔逊相关系数来计算基因之间的相关性；统计显著性水平设定为P < 0.05。所有分析均使用R(4.3.1)进行。该研究中使用的数据均公开可获取，且已获得伦理批准。文章统计学方法已经通过山东中医药大学、山东中医药大学附属医院统计学专家审核。

讨论

通过将现有的可成药基因与骨质疏松症的全基因组关联研究数据进行孟德尔随机化分析，此次研究鉴定出37个与骨质疏松症显著相关的可成药基因。共定位分析显示，肌钙蛋白C2和CXC趋化因子受体6在骨质疏松中发挥保护作用且与骨质疏松症共享因果遗传变异，因此选择肌钙蛋白C2和CXC趋化因子受体6进一步进行生物信息学分析。芯片数据分析表明，CXC趋化因子受体6在骨质疏松症中表达显著降低，提示其在骨质疏松症中的保护作用减弱。单细胞分析发现CXC趋化因子受体6主要在T细胞中表达，并在细胞间的通讯和相互作用中发挥着关键作用。此外，为了探讨CXC趋化因子受体6的药理学潜力，研究还进行了药物预测与分子对接分析。结果显示NSC95397与CXC趋化因子受体6具有较好的结合活性。
趋化因子受体参与免疫应答、血管生成等多种生物学过程，被认为是有前景的药物靶点。CXC趋化因子受体6是一种属于G蛋白偶联受体家族的趋化因子受体，能够与其配体CXC趋化因子配体16(CXC chemokine ligand 16，CXCL16)相互作用，参与调控免疫反应。研究发现CXC趋化因子受体6在Th1和Th17细胞上高表达，这与此次研究相似[41]。另有研究指出，CXC趋化因子受体6可以抑制过度的T细胞反应[42]。此外，CXCR6+ NK细胞被发现表达更低的促炎水平，可抑制免疫介导的损伤[43]。CXC趋化因子受体6在破骨细胞生成中同样发挥作用，有研究观察到核因子κB受体活化因子配体通过Janus激酶2/信号转导与转录激活因子3信号通路下调CXC趋化因子受体6的表达，这提示CXC趋化因子受体6在骨代谢与免疫之间的交互作用[44]。
CXC趋化因子受体6参与到衰老细胞的去除[45]，衰老细胞分泌大量抑制组织再生的因子，并通过旁分泌抑制邻近正常细胞的功能。清除衰老骨髓间充质干细胞可有效恢复成骨微环境，促进骨再生[46-47]。进一步的研究发现，CXC趋化因子配体16/CXC趋化因子受体6可上调Ⅰ型胶原蛋白和平滑肌肌动蛋白，促进细胞与基质的相互作用[48-49]。此外，CXC趋化因子配体16/CXC趋化因子受体6参与调节血管生成，通过激活内皮细胞迁移及血管网络重建，改善血液供应[50]。然而，需要注意的是，CXC趋化因子受体6在免疫调节中发挥着复杂的作用，还参与到了免疫细胞的活化、招募等[51]。细胞通讯分析发现CXCR6+T细胞通过肿瘤坏死因子超家族成员14−肿瘤坏死因子受体超家族成员14与B细胞相互作用。这与先前的研究相似，即活化的T细胞通过上调肿瘤坏死因子超家族成员14激活B细胞，促进B细胞的增殖和免疫球蛋白的产生[52]。肿瘤坏死因子超家族成员 14在T细胞和B细胞中发挥不同的作用。具体而言，肿瘤坏死因子超家族成员 14激活炎症及抑制性信号通路来调节 T 细胞免疫反应，并参与T 细胞免疫效能的维持[53-54]。而在B细胞上，肿瘤坏死因子超家族成员14则介导炎症细胞与基质细胞之间的相互作用，并促进基质金属蛋白酶的生成及分泌[55]。值得注意的是，肿瘤坏死因子超家族成员14在骨微环境中同样起着关键作用，其通过蛋白激酶B、核因子κB和c-Jun氨基末端激酶通路的磷酸化调控破骨细胞的活性[53-54]。综上所述，CXC趋化因子受体6分子在免疫应答与骨代谢等生物学过程中展现出多重调控特性，其中基于肿瘤坏死因子超家族成员14−肿瘤坏死因子受体超家族成员14的细胞间通讯可能是其调控作用的重要基础[56]。此次研究工作的推进不仅拓展了关于CXC趋化因子受体6生物学功能的认知维度，更为该分子作为临床干预靶点的潜在价值提供了新思路。
NSC95397具有广泛的生物学活性。动物实验发现，NSC95397能够有效抑制病毒RNA的合成[57]。此外，NSC95397可通过细胞外信号调节激酶通路抑制结肠癌细胞的增殖并诱导癌细胞凋亡[58-59]。然而，NSC95397在骨质疏松症中的具体作用尚不明确。研究表明，NSC95397通过抑制核因子κB等多个靶点发挥抗炎作用，提示它可能通过调节炎症反应缓解骨质疏松症[60]。药物富集分析发现NSC95397可通过靶向CXC趋化因子受体6发挥作用。进一步的分子对接显示，NSC95397可与CXC趋化因子受体6形成稳定的配体-受体复合物。这为揭示其在调节免疫和炎症反应中的调节作用提供了新的线索。未来仍需进一步的研究以阐明其药理机制。
此次研究利用大规模的全基因组关联研究数据进行孟德尔随机化和共定位分析。富集分析显示了关键基因的潜在生物学功能，芯片数据分析揭示了CXC趋化因子受体6在骨质疏松症中的表达情况，单细胞分析进一步阐明了CXC趋化因子受体6在调节细胞通讯中的潜力，药物预测和分子对接则为进一步的药理学研究提供思路。
此项研究的局限性：首先此研究的样本主要来自欧洲人群，未来的研究应结合不同种族的遗传数据，深入分析不同种族的骨质疏松症特征，以进一步评估此研究结论的适用性。其次，研究通过生物信息学分析探究CXC趋化因子受体6在骨质疏松症中的表达特征，其在骨代谢中的具体调控机制仍需进一步的实验验证。此次通过分子对接预测NSC95397的潜在作用，未来同样需要进行更深入的体内外实验，以探究其在骨质疏松症中的具体疗效和安全性。此外，细胞通讯分析揭示了细胞间潜在的信号传递模式和相互作用，但分析结果仅提供了潜在而非确定性的调控关系，具体的信号传递机制及其在不同生理或病理条件下的上下调变化，仍需结合更严格的实验设计，如基因敲除或过表达模型，以提供因果性证据。
结论：此次研究利用多组学方法识别出CXC趋化因子受体6可作为潜在的骨质疏松症治疗靶点；并通过单细胞分析进一步探索了CXC趋化因子受体6在细胞通讯中的关键作用。该研究为骨质疏松症的药物研发和精准治疗提供了新的思路和方向。未来仍需进一步探讨相关靶点的临床应用和药理机制。
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

可成药基因与单细胞分析揭示骨质疏松症的潜在药物治疗靶点

Druggable gene and single cell analyses reveal potential therapeutic targets for osteoporosis

PDF

可视化

摘要/Abstract

引用本文

使用本文

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]	蒋星海, 宋玉林, 李德津, 邵建敏, 徐军志, 刘华凯, 吴应国, 沈岳辉, 冯思诚. 血管内皮生长因子165基因转染骨髓间充质干细胞构建血管化两亲性肽凝胶模块[J]. 中国组织工程研究, 2026, 30(8): 1903-1911.
[2]	王满妮, 王小芳, 王天菊, 尚利侠, 陈乐, 李昱辉, 张嫄, 齐珺. 人类白细胞抗原新等位基因DQB106:436和DQB102:108的序列分析和确认[J]. 中国组织工程研究, 2026, 30(7): 1782-1789.
[3]	王白燕, 杨树, 王弋鸣, 吴梦晴, 肖瑀, 郭梓璇, 张博艺, 冯书营. 外泌体递送CRISPR/Cas系统在靶细胞内可实现基因编辑[J]. 中国组织工程研究, 2026, 30(7): 1839-1849.
[4]	叶倩倩, 潘杭, 田川, 朱向情, 叶丽, 赵晓娟, 舒莉萍, 潘兴华. 高活性脐带间充质干细胞对衰老树鼩胸腺结构和功能的影响[J]. 中国组织工程研究, 2026, 30(7): 1720-1729.
[5]	吴治林, 何秦, 王枰稀, 石现, 袁松, 张骏, 王浩. DYRK2：基于东亚和欧洲人群揭示类风湿关节炎合并骨质疏松症的治疗新靶点[J]. 中国组织工程研究, 2026, 30(6): 1569-1579.
[6]	张清烽, 王超逸, 杨敬言, 李涵玉, 赵余炀, 郝华焘, 于栋. 脊椎滑脱的潜在靶基因：基于欧洲人群生物数据库可成药基因组分析[J]. 中国组织工程研究, 2026, 30(6): 1592-1601.
[7]	刘鸿涛, 武欣, 姜鑫雨, 沙斐, 安琪, 李高彪. 年龄相关性黄斑变性与深静脉血栓形成：全基因组关联数据分析[J]. 中国组织工程研究, 2026, 30(6): 1602-1608.
[8]	彭志伟, 陈雷, 佟磊. 木犀草素促进糖尿病小鼠创面愈合的作用与机制[J]. 中国组织工程研究, 2026, 30(6): 1398-1406.
[9]	朱奎成, 杜春燕, 章金涛. 无毛基因突变促进无毛小鼠白色脂肪组织褐变的作用机制[J]. 中国组织工程研究, 2026, 30(6): 1424-1430.
[10]	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.
[11]	郭英, 田峰, 王春芳. 类风湿关节炎潜在药物靶点：来自欧洲数据库的大样本分析[J]. 中国组织工程研究, 2026, 30(6): 1549-1557.
[12]	陈驹, 郑锦畅, 梁振, 黄成硕, 林颢, 曾莉. β-石竹烯对小鼠膝骨关节炎的作用及机制[J]. 中国组织工程研究, 2026, 30(6): 1341-1347.
[13]	吕国庆, 艾孜麦提江·肉孜, 熊道海. 鸢尾素抑制人关节软骨细胞中铁死亡的作用及其机制[J]. 中国组织工程研究, 2026, 30(6): 1359-1367.
[14]	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.
[15]	刘可新, 郝凯敏, 庄文越, 李正祎. 自噬相关基因在肺纤维化模型中的表达：生物信息学分析及实验验证[J]. 中国组织工程研究, 2026, 30(5): 1129-1138.