瘢痕疙瘩发病与成纤维细胞异质性基因相关：基于GEO数据库单细胞转录组分析

doi:10.12307/2026.199

中国组织工程研究 ›› 2026, Vol. 30 ›› Issue (24): 6390-6399.doi: 10.12307/2026.199

• 组织工程相关大数据分析 Big data analysis in tissue engineering • 上一篇下一篇

瘢痕疙瘩发病与成纤维细胞异质性基因相关：基于GEO数据库单细胞转录组分析

郭涛1，刘昱昕2，闫美荣1，王晓妮1

宁夏医科大学总医院，1烧伤整形美容科，2皮肤科，宁夏回族自治区银川市 750001

收稿日期:2025-07-22 修回日期:2025-09-16 出版日期:2026-08-28 发布日期:2026-02-05
通讯作者: 王晓妮，副主任医师，宁夏医科大学总医院烧伤整形美容科，宁夏回族自治区银川市 750001
作者简介:郭涛，男，1986年生，陕西省定边县人，主治医师，主要从事烧伤整容修复、瘢痕疙瘩发病机制的研究。
基金资助:
宁夏自然科学基金项目(2023AAC03609)，项目负责人：闫美荣

Keloid pathogenesis is correlated with fibroblast heterogeneity genes: single-cell transcriptomic analysis based on GEO database

Guo Tao1, Liu Yuxin2, Yan Meirong1, Wang Xiaoni1

1Department of Burn and Plastic Surgery, 2Department of Dermatology, Ningxia Medical University General Hospital, Yinchuan 750001, Ningxia Hui Autonomous Region, China

Received:2025-07-22 Revised:2025-09-16 Online:2026-08-28 Published:2026-02-05
Contact: Wang Xiaoni, Associate chief physician, Department of Burn and Plastic Surgery, Ningxia Medical University General Hospital, Yinchuan 750001, Ningxia Hui Autonomous Region, China
About author:Guo Tao, Attending physician, Department of Burn and Plastic Surgery, Ningxia Medical University General Hospital, Yinchuan 750001, Ningxia Hui Autonomous Region, China
Supported by:
Ningxia Natural Science Foundation, No. 2023AAC03609 (to YMR)

摘要/Abstract

摘要：

文题释义：
单细胞转录组：是指在单个细胞水平上对其全部mRNA转录产物进行高通量测序和表达定量的一种技术。相比传统的群体RNA测序，该方法可揭示细胞间在基因表达层面的异质性，识别罕见细胞类型、转录动态及分化轨迹。单细胞转录组输出包括每个细胞的基因表达矩阵、细胞聚类信息和拟时序等，可以用于构建组织或病灶的细胞生态图谱。
诊断标志物：是指可用于区分疾病状态与正常状态，或不同疾病亚型之间的生物分子指标，通常包括特异基因、蛋白、代谢物等。常使用受试者工作特征曲线和曲线下面积评价其诊断价值，曲线下面积越接近1，诊断性能越好。

背景：瘢痕疙瘩是一种由成纤维细胞异常活化和免疫调控失衡共同驱动的慢性皮肤纤维化疾病，其分子机制仍未完全阐明。随着单细胞转录组技术的发展，利用公开数据库进行系统生物信息学分析，有助于识别新的诊断标志物与治疗靶点。
目的：探讨瘢痕疙瘩发病机制中与成纤维细胞异质性及免疫调控相关的关键标志物。
方法：从GEO公共数据库获取瘢痕疙瘩成纤维细胞的单细胞转录组数据集GSE181297、GSE14572进行系统生物信息学分析。首先对细胞亚群进行注释，并分析各细胞类型的频率变化，结合拟时序分析推测不同细胞的分化轨迹。基于转录组数据，构建加权基因共表达网络并筛选差异表达基因，进行基因本体(GO)和京都基因与基因组百科全书(KEGG)功能富集分析，明确其参与的关键生物过程和信号通路。利用蛋白质互作网络识别候选核心基因，进一步联合3种机器学习算法筛选潜在关键标志物，并通过受试者工作特征曲线评估其诊断效能。同时，评估核心基因在免疫细胞中的表达模式及相关性。
结果与结论：①单细胞转录组分析揭示瘢痕疙瘩组织中内皮细胞、成纤维细胞、平滑肌细胞、T细胞、肥大细胞、巨噬细胞及淋巴管内皮细胞的比例显著升高，其中成纤维细胞为主要细胞类型；②拟时序分析显示成纤维细胞主要分布于状态1、状态2及状态3，处于分化起始阶段，具有较高的发育潜力；③通过差异分析共获得80个与成纤维细胞相关的差异表达基因，主要富集于区域化、骨骼系统形态发生及胚胎骨骼发育等通路；④整合蛋白质互作网络与多种机器学习模型，最终筛选出HOXC4作为关键标志物；受试者工作特征曲线分析表明HOXC4具有良好的诊断性能，且在瘢痕疙瘩患者组织中高表达；⑤相关性分析显示HOXC4与静息自然杀伤细胞呈显著正相关，而与活化树突状细胞和活化自然杀伤细胞呈显著负相关。此研究系统性地揭示了瘢痕疙瘩成纤维细胞的异质性特征及其与免疫微环境的关联，HOXC4被确定为与成纤维细胞功能状态及免疫调控相关的关键标志物，为瘢痕疙瘩的早期诊断和靶向治疗提供了潜在的新靶点。
https://orcid.org/0009-0000-8251-4117 (郭涛)

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: 瘢痕疙瘩, 单细胞转录组, 成纤维细胞, HOXC4, 诊断标志物, 免疫调控

Abstract: BACKGROUND: Keloid is a chronic fibrotic skin disorder driven by abnormal fibroblast activation and dysregulated immune responses. However, its underlying molecular mechanisms remain largely unclear. With the advancement of single-cell transcriptomic technologies, integrating public databases with systematic bioinformatics analyses offers new opportunities to identify diagnostic biomarkers and therapeutic targets.
OBJECTIVE: To identify key biomarkers associated with fibroblast heterogeneity and immune cell interactions in the pathogenesis of keloids.
METHODS: Single-cell transcriptomic dataset GSE181297 and bulk transcriptomic dataset GSE14572 were retrieved from the Gene Expression Omnibus (GEO) public database. Cell subtypes were annotated and analyzed for changes in cellular composition. Pseudotime analysis was applied to infer differentiation trajectories of various cell populations. Weighted gene co-expression network analysis and differential gene expression analysis were conducted to identify fibroblast-related differentially expressed genes. Functional enrichment analyses, including Gene Ontology and Kyoto Encyclopedia of Genes and Genomes, were used to determine the involved biological processes and pathways. Protein-protein interaction network analysis, combined with three machine learning algorithms, was employed to identify hub genes. Receiver operating characteristic curve analysis was conducted to assess the diagnostic value of the candidate biomarkers. The expression patterns and correlation of hub genes in immune cells were also assessed.
RESULTS AND CONCLUSION: (1) Single-cell transcriptomic analysis revealed a significantly increased proportion of endothelial cells, fibroblasts, smooth muscle cells, T cells, mast cells, macrophages, and lymphatic endothelial cells in keloid tissue, with fibroblasts being the most abundant. (2) Pseudotime analysis showed that fibroblasts were primarily located in states 1, 2, and 3, indicating an early and highly plastic differentiation stage with a significant growth potential. (3) A total of 80 fibroblast-related differentially expressed genes were identified, mainly enriched in regionalization, skeletal system morphogenesis, and embryonic skeletal development pathways. (4) Integrating protein-protein interaction network analysis and machine learning approaches, HOXC4 was identified as a key biomarker. Receiver operating characteristic curve analysis demonstrated that HOXC4 had strong diagnostic performance and was highly expressed in keloid samples. (5) Immune correlation analysis showed a significant positive correlation between HOXC4 and resting natural killer cells, and a significant negative correlation with activated dendritic cells and activated natural killer cells. This study systematically characterizes fibroblast heterogeneity and immune microenvironment interactions in keloid pathogenesis at the single-cell level. HOXC4 has been identified as a potential diagnostic biomarker associated with fibroblast function and immune regulation, providing new insights for early diagnosis and targeted therapy of keloids.

Key words: keloid, single-cell transcriptomic sequencing, fibroblast, HOXC4, diagnostic biomarker, immunoregulation

中图分类号:

郭涛, 刘昱昕, 闫美荣, 王晓妮. 瘢痕疙瘩发病与成纤维细胞异质性基因相关：基于GEO数据库单细胞转录组分析[J]. 中国组织工程研究, 2026, 30(24): 6390-6399.

Guo Tao, Liu Yuxin, Yan Meirong, Wang Xiaoni. Keloid pathogenesis is correlated with fibroblast heterogeneity genes: single-cell transcriptomic analysis based on GEO database[J]. Chinese Journal of Tissue Engineering Research, 2026, 30(24): 6390-6399.

图/表（结果） 9

2.1 单细胞水平分析人瘢痕疙瘩的分子图谱为了在单细胞分辨率下确定人瘢痕疙瘩组织的转录景观，对5个组织进行了单细胞转录组分析，经过严格的细胞过滤，收集了10 292个细胞(图1A)，基于 Seurat 算法的无监督聚类，初步获得 18个细胞簇，使用UMAP算法展示了不同细胞类型在人瘢痕疙瘩及正常组织中的分布(图1B)。气泡图展示了每个细胞簇中前3个上调高表达基因(图1C)。通过相关marker基因成功注释出10个最终细胞簇，包括基底角质形成细胞(Basal keratinocyte，簇0，5)、内皮细胞(Endothelial，簇1，13)、成纤维细胞(Fibroblast，簇2，8，9，11，12)、平滑肌细胞(Smooth muscle cell，簇3)、T细胞(簇6)、上皮细胞(Epithelial，簇4，10)、肥大细胞(Mast cell，簇7)、巨噬细胞(Macrophage，14，15)、淋巴管内皮细胞(lymphatic endothelial cell，簇16)和神经细胞(Neural cells，簇17)(图1D，E)。
2.2 人瘢痕疙瘩细胞分布情况为了进一步了解人瘢痕疙瘩组织中不同细胞的分布情况，分别展示了正常组织和人瘢痕疙瘩组织中各种细胞所占的比例。与对照组相比，内皮细胞、成纤维细胞、平滑肌细胞、T细胞、肥大细胞、巨噬细胞和淋巴管内皮细胞在人瘢痕疙瘩组织中的比例显著升高，差异有显著性意义(图2A，B)。尤其成纤维细胞在人瘢痕疙瘩中的数量为2 055，所占比例最大，在对照组中细胞数量为558，形成显著对比。
2.3 人瘢痕疙瘩亚群细胞拟时序分析对所有亚群细胞进行拟时序分析，10种细胞主要分化为5种不同的状态(图3A-C)。其中基底角质形成细胞主要存在于状态4，位于分化终点；内皮细胞主要位于状态3和状态5，位于分化起点和分化过程中；成纤维细胞主要位于状态1、状态2和状态3，位于分化起点，具有较高的分化能力(图3D)，状态1中的基因主要富集在细胞外基质受体相互作用、黏着、磷脂酰肌醇3激酶/蛋白激酶B信号通路等，提示成纤维细胞正处于早期激活阶段，通过基质感知和黏附信号启动迁移与激活行为；状态2中的基因主要富集在内质网中的蛋白质加工、细胞外基质受体相互作用、蛋白质消化和吸收等，推测该阶段对应成纤维细胞的高分泌活跃期，细胞正大量合成并分泌胶原与基质蛋白，是瘢痕形成的关键增生阶段；状态3中的基因主要富集在肌动蛋白细胞骨架的调节、环磷酸鸟苷-蛋白激酶 G信号通路和血管平滑肌收缩等，提示成纤维细胞已获得肌成纤维细胞特征，具备一定的收缩功能，可能对应瘢痕疙瘩发育中的成熟收缩期(图3E)。紧接着分析了在细胞分化过程中具有相似表达趋势的基因，其中FBLN2、LAMB2、ECM1等在分化起点显著高表达，ACADL、DHCR24和CCL7A1等在分化终点显著高表达，而S100A2、CXCL14、PTGDS等主要在决策分化过程中高度表达(图3F)。
2.4 加权基因共表达网络联合差异表达基因筛选瘢痕疙瘩成纤维细胞相关基因下载转录组瘢痕疙瘩成纤维细胞数据集GSE145725，使用加权基因共表达网络鉴定出瘢痕疙瘩成纤维细胞相关的重要模块基因，最终得到13个模块，分别是“tan”“turquoise”“black”“yellow”“brown”“magenta”“purple”“greenyellow”“pink”“green”“blue”“red”和“grey”。其中黄色模块与瘢痕疙瘩成纤维细胞组(R=0.72，P=5×10-4)呈高度正相关；绿色模块与正常成纤维细胞组(R=0.99，P=2×10-14)呈高度正相关；因此黄色模块中的基因被认为与瘢痕疙瘩显著相关(图4A)。同时进行瘢痕疙瘩成纤维细胞相关差异基因筛选，一共鉴定出420个差异表达基因，其中上调基因212个，下调基因208个。火山图表明瘢痕疙瘩成纤维细胞组相对于正常成纤维细胞组的基因表达有显著差异(图4B)，热图展示了差异最显著的上调基因和下调基因各20个(图4C)，进一步对关键模块基因和差异表达基因取交集得到80个关键差异基因进行后续分析(图4D)。
2.5 关键差异基因的GO和KEGG富集分析对黄色模块内的差异表达基因进行GO和KEGG富集分析，结果表明关键差异表达基因参与的主要生物学过程有区域化、骨骼系统形态发生、胚胎骨骼系统发育等；参与的主要细胞组分有内质网内腔、电压门控钙通道复合体、分泌颗粒膜和神经肌肉接头等；参与的分子功能主要有蛋白酪氨酸/苏氨酸磷酸酶活性、有丝分裂原活化蛋白激酶酪氨酸磷酸酶活性、DNA结合转录激活剂活性、骨形态发生蛋白结合等(图5A)；参与的主要通路有癌症的转录失调、嘌呤代谢和丝裂原活化蛋白激酶信号通路等(图5B)。图5C，D分别展示了GO和KEGG富集分析前5个通路的基因，主要包括HOXA11，HOXA10，HOXC4，HOXC9等。
2.6 基因互作网络筛选核心基因使用String数据库分析关键差异基因之间的相互作用，79个基因形成48条边，平均节点度为1.22，蛋白互作网络富集P值为1.11×10-16，不同的颜色表示不同的显著性，其中HOXC8，HOXC6，HOXA11，HOXC4和HOXA5显著性最高(图6A)。使用MCODE插件筛选网络中的核心基因，HOXC8，HOXC9，HOXA11，HOXC4和HOXC10处于核心位置(图6B)，前后结果一致。
2.7 机器学习算法筛选瘢痕疙瘩相关标志物支持向量机算法确定了3个瘢痕疙瘩相关标志物，即HOXC4，HOXA11和HOXC9(图7A)。随机森林算法确定了2个瘢痕疙瘩相关标志物，分别为HOXC4和HOXA11(图7B)。Lasso算法确定了1个瘢痕疙瘩相关标志物，为HOXC4 (图7C)。3种算法取交集最终得到HOXC4作为瘢痕疙瘩相关生物标志物(图7D)。
2.8 瘢痕疙瘩相关标志物HOXC4的诊断性能和鉴定使用受试者工作特征曲线评估HOXC4在瘢痕疙瘩中的诊断价值，结果表明HOXC4(曲线下面积为0.989，95%CI为0.958-1.000)表现出令人满意的诊断性能(图8A)。同时验证了瘢痕疙瘩成纤维细胞和正常成纤维细胞中HOXC4 mRNA表达水平，结果表明与正常成纤维细胞组相比，HOXC4在瘢痕疙瘩成纤维细胞中高表达，差异有显著性意义(图8B)。
2.9 HOXC4与免疫细胞的相关性分析为了解瘢痕疙瘩免疫浸润方面的特征，分析了22种免疫细胞的分布情况，在瘢痕数据集中，出现最多的免疫细胞分别为静息记忆CD4+T细胞、

活化树突状细胞、幼稚B细胞和活化肥大细胞等(图9A)。与正常成纤维细胞组相比，瘢痕疙瘩成纤维细胞组调节性T细胞(Tregs)和静息自然杀伤细胞高表达，差异有显著性意义；而活化自然杀伤细胞、单核细胞、M0巨噬细胞和静息肥大细胞在瘢痕疙瘩成纤维细胞组低表达，差异有显著性意义(图9B)。进一步分析了关键基因HOXC4与免疫细胞的相关性，结果表明HOXC4与静息自然杀伤细胞呈显著正相关，与活化树突状细胞和活化自然杀伤细胞呈显著负相关(图9C)。
2.10 HOXC4单基因集富集分析对瘢痕疙瘩的关键诊断基因HOXC4进行单基因集富集分析，结果表明富集的主要通路有细胞周期、肌肉细胞中的细胞骨架、缺氧诱导因子1信号通路、白细胞介素17信号通路、矿物质吸收、催产素信号通路、类风湿性关节炎和核糖体等，最后通过山脊图展示上调的前10个通路，见图10。

参考文献

[1] HAWASH AA, INGRASCI G, NOURI K, et al. Pruritus in Keloid Scars: Mechanisms and Treatments. Acta Derm Venereol. 2021;101(10):adv00582.
[2] KELLY AP. Keloids. Dermatol Clin. 1988;6(3): 413-424.
[3] LEE SS, YOSIPOVITCH G, CHAN YH, et al. Pruritus, pain, and small nerve fiber function in keloids: a controlled study. J Am Acad Dermatol. 2004; 51(6):1002-1006.
[4] DOHI T, PADMANABHAN J, AKAISHI S, et al. The Interplay of Mechanical Stress, Strain, and Stiffness at the Keloid Periphery Correlates with Increased Caveolin-1/ROCK Signaling and Scar Progression. Plast Reconstr Surg. 2019;144(1):58e-67e.
[5] KASSI K, KOUAME K, KOUASSI A, et al. Quality of life in black African patients with keloid scars. Dermatol Reports. 2020;12(2):8312.
[6] FERNANDES MG, DA SILVA LP, CERQUEIRA MT, et al. Mechanomodulatory biomaterials prospects in scar prevention and treatment. Acta Biomater. 2022;150:22-33.
[7] WEI J, WANG Z, ZHONG C, et al. LncRNA MIR503HG promotes hypertrophic scar progression via miR-143-3p-mediated Smad3 expression. Wound Repair Regen. 2021;29(5): 792-800.
[8] BIAZUS SOARES G, MAHMOUD O, YOSIPOVITCH G. Pruritus in keloid scars: mechanisms and treatments. Ital J Dermatol Venerol. 2023;158(5):401-407.
[9] MUSKAT A, KOST Y, BALAZIC E, et al. Laser-Assisted Drug Delivery in the Treatment of Scars, Rhytids, and Melasma: A Comprehensive Review of the Literature. Aesthet Surg J. 2023;43(3):NP181-NP198.
[10] BAGABIR R, BYERS RJ, CHAUDHRY IH, et al. Site-specific immunophenotyping of keloid disease demonstrates immune upregulation and the presence of lymphoid aggregates. Br J Dermatol. 2012;167(5):1053-1066.
[11] SHARMA JR, LEBEKO M, KIDZERU EB, et al. In Vitro and Ex Vivo Models for Functional Testing of Therapeutic Anti-scarring Drug Targets in Keloids. Adv Wound Care (New Rochelle). 2019; 8(12):655-670.
[12] 李政宇.基于综合生物信息学筛选瘢痕疙瘩关键生物标志物及SDC4泛癌分析[D].太原:太原理工大学,2023.
[13] LV W, REN Y, HOU K, et al. Epigenetic modification mechanisms involved in keloid: current status and prospect. Clin Epigenetics. 2020;12(1):183.
[14] XIE R, LI C, ZHAO T, et al. Integration of Flow Cytometry and Single-Cell RNA Sequencing Analysis to Explore the Fibroblast Subpopulations in Keloid that Correlate with Recurrence. Adv Wound Care (New Rochelle). 2025. doi: 10.1089/wound.2024.0262.
[15] ZHONG C, SHI K, LI P, et al. Single-cell sequencing analysis and bulk-seq identify IGFBP6 and TNFAIP6 as novel differential diagnosis markers for postburn pathological scarring. Burns. 2024; 50(9):107255.
[16] 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.
[17] WEI W, LI Y, HUANG T. Using Machine Learning Methods to Study Colorectal Cancer Tumor Micro-Environment and Its Biomarkers. Int J Mol Sci. 2023;24(13):11133.
[18] UDDIN S, KHAN A, HOSSAIN ME, et al. Comparing different supervised machine learning algorithms for disease prediction. BMC Med Inform Decis Mak. 2019;19(1):281.
[19] MOTAMEDI F, PÉREZ-SÁNCHEZ H, MEHRIDEHNAVI A, et al. Accelerating Big Data Analysis through LASSO-Random Forest Algorithm in QSAR Studies. Bioinformatics. 2022;38(2):469-475.
[20] BIJL JJ, RIEGER E, VAN OOSTVEEN JW, et al. HOXC4, HOXC5, and HOXC6 expression in primary cutaneous lymphoid lesions. High expression of HOXC5 in anaplastic large-cell lymphomas. Am J Pathol. 1997;151(4):1067-1074.
[21] WU S, CHEN H, ZUO L, et al. Suppression of long noncoding RNA MALAT1 inhibits the development of uveal melanoma via microRNA-608-mediated inhibition of HOXC4. Am J Physiol Cell Physiol. 2020;318(5):C903-C912.
[22] ZHANG H, HAN B, TIAN S, et al. HOXC4 promotes proliferation of pancreatic cancer cells by increasing LDHA-mediated glycolysis. Aging (Albany NY). 2024;16(13):11103-11116.
[23] HAHN JM, MCFARLAND KL, COMBS KA, et al. Analysis of HOX gene expression and the effects of HOXA9 overexpression in fibroblasts derived from keloid lesions and normal skin. Wound Repair Regen. 2021;29(5):777-791.
[24] HAHN JM, GLASER K, MCFARLAND KL, et al. Keloid-derived keratinocytes exhibit an abnormal gene expression profile consistent with a distinct causal role in keloid pathology. Wound Repair Regen. 2013;21(4):530-544.
[25] ZHANG N, GUO F, SONG Y. HOXC8/TGF-β1 positive feedback loop promotes liver fibrosis and hepatic stellate cell activation via activating Smad2/Smad3 signaling. Biochem Biophys Res Commun. 2023;662:39-46.
[26] XIAO J, LI Y, LIU Y, et al. The involvement of homeobox-C 4 in predicting prognosis and unraveling immune landscape across multiple cancers via integrated analysis. Front Genet. 2022;13:1021473.
[27] KIRK T, AHMED A, ROGNONI E. Fibroblast Memory in Development, Homeostasis and Disease. Cells. 2021;10(11):2840.
[28] JIAO H, FAN J, CAI J, et al. Analysis of Characteristics Similar to Autoimmune Disease in Keloid Patients. Aesthetic Plast Surg. 2015;39(5):818-825.
[29] WU J, DEL DUCA E, ESPINO M, et al. RNA Sequencing Keloid Transcriptome Associates Keloids With Th2, Th1, Th17/Th22, and JAK3-Skewing. Front Immunol. 2020;11:597741.
[30] LEE CC, TSAI CH, CHEN CH, et al. An updated review of the immunological mechanisms of keloid scars. Front Immunol. 2023;14:1117630.
[31] MARTIN CW, MUIR IF. The role of lymphocytes in wound healing. Br J Plast Surg. 1990;43(6):655-662.
[32] LI X, AN T, YANG Y, et al. TLR9 activation in large wound induces tissue repair and hair follicle regeneration via γδT cells. Cell Death Dis. 2024;15(8):598.
[33] XIA Y, WANG Y, SHAN M, et al. Advances in the pathogenesis and clinical application prospects of tumor biomolecules in keloid. Burns Trauma. 2022;10:tkac025.
[34] DENG CC, XU XY, ZHANG Y, et al. Single-cell RNA-seq reveals immune cell heterogeneity and increased Th17 cells in human fibrotic skin diseases. Front Immunol. 2025;15: 1522076.
[35] ZHANG X, WU X, LI D. The Communication from Immune Cells to the Fibroblasts in Keloids: Implications for Immunotherapy. Int J Mol Sci. 2023;24(20):15475.
[36] SHAN M, WANG Y. Viewing keloids within the immune microenvironment. Am J Transl Res. 2022;14(2):718-727.
[37] LI Y, LI M, QU C, et al. The Polygenic Map of Keloid Fibroblasts Reveals Fibrosis-Associated Gene Alterations in Inflammation and Immune Responses. Front Immunol. 2022;12:810290.

引言

瘢痕疙瘩是伤口愈合失调后的纤维增生性疾病，其主要特征是细胞外基质(包括胶原蛋白)在真皮中过度沉积，是延伸到原始伤口边界之外的坚硬结节[1]，最常见于非裔美国人和亚洲人群[2] 。虽然瘢痕疙瘩通常被认为是一个美容问题，但它们会引起病变和病灶周围瘙痒和疼痛，并影响病变区域的正常活动度[3]，每年相关干预成本高达数十亿美元[4]，严重降低患者的生活质量并增加心理负担[5-6]。而且瘢痕疙瘩不会随着时间的推移而消退，可持续增长多年[7-8]，手术是各种类型瘢痕疙瘩的主要治疗方法，但有高达70%的复发率[9]。目前尚未建立治疗瘢痕疙瘩的单一有效治疗方式，凸显了当前对瘢痕疙瘩发病机制方面的研究不足。因此，迫切需要进一步的研究来更好地了解瘢痕疙瘩异常活性的分子机制，这可能为确定未来诊断治疗的新靶点铺平道路。
瘢痕疙瘩成纤维细胞是瘢痕疙瘩形成的关键细胞类型。研究发现免疫系统在瘢痕疙瘩成纤维细胞沉积过程中发挥重要作用[10]，而且免疫相关因子的改变对于成纤维细胞的异常增殖和细胞外基质成分的过度沉积也至关重要，成纤维细胞和各种免疫细胞之间存在相互作用[11]。已有研究表明，转化生长因子β、白细胞介素6/信号转导和转录活化因子3、C-C趋化因子配体2/ C-C趋化因子受体2等信号轴在免疫细胞与成纤维细胞之间的“对话”中发挥重要作用[6]。在研究瘢痕疙瘩机制时，有一种新的观点认为，免疫在防止病原体入侵、诱导炎症和调节瘢痕成纤维细胞方面起着至关重要的作用[12]。目前，单细胞转录组分析(scRNA-seq)已广泛用于各种生物标志物和药物靶点的挖掘[13]。XIE等[14]通过单细胞测序确定了可能影响瘢痕疙瘩发展的关键致病性成纤维细胞亚群。也有文献通过单细胞测序确定IGFBP6和TNFAIP6为烧伤后病理瘢痕形成的新型鉴别诊断标志物[15]。
此研究旨在利用单细胞转录组和普通转录组联合筛选出瘢痕疙瘩中免疫相关生物标志物，并对其诊断价值和免疫相关性进行分析，这有助于阐明瘢痕疙瘩的病因并揭示诊断靶点。
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 设计通过单细胞转录组学和普通转录组学筛选瘢痕疙瘩发病机制中与成纤维细胞异质性和免疫调控相关的诊断标志物。
1.2 时间及地点 2024年4月至2025年4月在宁夏医科大学总医院完成。
1.3 数据来源从GEO公共数据库(https://www.ncbi.nlm.nih.gov/geo/)下载瘢痕疙瘩数据集，包括人瘢痕疙瘩单细胞转录组数据集GSE181297，GSE14572，其中GSE181297包括3例正常组织和2例瘢痕疙瘩组织；GSE14572包括10例正常成纤维细胞和9例瘢痕疙瘩成纤维细胞数据，转录组数据使用R软件中limma包进行矩阵提取和标准化处理，使用SVA包对两个数据集进行批次矫正后合并，使用主成分分析对矫正前后的数据集降维。
1.4 方法
1.4.1 单细胞测序数据分析使用R软件中Seurat包进行质量控制，去除低质量的细胞和基因，保留细胞中基因数> 500且< 2 500，以及线粒体基因数< 5的细胞，确保分析结果的可靠性，使用SCTransform函数进行标准化以及主成分分析对数据集降维处理，揭示细胞间的主要变异来源。使用统一流形近似与投影(Uniform manifold approximation and projection，UMAP)算法对降维聚类结果进行可视化，以鉴定不同的亚群信息。通过文献查阅已知标记基因对亚群进行注释，随后使用FindAllMarkers函数识别在不同细胞类型之间表达差异显著的基因，要求1个基因在至少25%的细胞中被检测到，对数倍数变化阈值(logFC)为1，提取不同类型细胞中的差异表达基因。
1.4.2 拟时序分析使用Monocle R软件包对所有亚群细胞进行拟时序轨迹分析，以揭示细胞状态的动态变化和潜在发育路径。使用differential GeneTest函数对各细胞亚群之间的表达差异基因进行筛选，设定筛选阈值为P < 0.01，选取这些差异表达基因作为构建拟时序轨迹的“ordering genes”。使用基于反向图的伪时序重构方法，根据细胞的表达谱构建细胞的分支轨迹，并使用基于差异表达的分支点检测方法，确定了细胞的分支点和分支方向。
1.4.3 构建加权基因共表达网络加权基因共表达网络分析筛选与瘢痕疙瘩相关的共表达模块基因，筛选方差前25%的基因，去除离群样本和基因，使用“pickSoftThreshold”函数选择合适的软阈值(power值)，使用“blockwiseModules”函数进行层次聚类分析构建高度共表达的基因模块并与表型进行相关性分析，表型与模块的相关性通过热图展示，通过计算基因显著性(Gene Significance，GS)和模块成员资格(Module Membership，MM)，评估每个基因在特定模块中的重要性和与模块的匹配程度。对上述关键模块基因和差异表达基因取交集作为关键差异基因用于后续分析。
1.4.4 生物功能和通路富集分析对关键差异表达基因进行功能注释和富集分析，使用Rstudio中的clusterProfiler包和enrichplot包对关键差异表达基因进行基因本体(Gene ontology，GO)功能富集和京都基因与基因组百科全书(Kyoto encyclopedia of genes and genomes，KEGG)通路富集分析，入选标准为P < 0.05，采用弦图对关键通路中的基因进行展示，了解瘢痕疙瘩发病涉及的主要通路。
1.4.5 基因互作网络构建 String数据库(https://cn.string-db.org/)是一个综合性的在线分析平台[16]，涵盖了多种生物体的蛋白质-蛋白质相互作用信息，使用String数据库分析关键差异表达基因之间的相互作用，删除不在网络中的基因，利用Cytoscape软件中MCODE插件筛选网络中的核心基因。
1.4.6 机器学习算法筛选瘢痕疙瘩相关标志物支持向量机(Support vector machine，SVM) [17]、随机森林 (Random forest，RF)[18]、最小绝对收缩和选择算子回归(Least absolute shrinkage and selection operator，Lasso)是目前最流行、可以直接使用的机器学习算法[19]。Lasso主要用于数据分析和特征选择，其基本原理是在普通最小二乘法的基础上，引入L1正则化项，通过最小化目标函数来实现模型的特征选择和系数稀疏化。支持向量机学习算法旨在寻找最终通过超平面得到最佳类别分割的系数。随机森林是一种集成学习方法，可生成多个独立的决策树来预测分类或回归。使用以上3种算法，通过不同的交叉验证方法绘制残差分布图并获得最佳模型。识别瘢痕疙瘩中的最佳诊断标志物，最后将3次结果取交集得到最终的候选诊断标记物。
1.4.7 瘢痕疙瘩相关标志物的诊断和鉴定在Rstudio中使用pROC包绘制瘢痕疙瘩相关标志物的受试者工作特征曲线，曲线下面积的取值范围为0.5-1之间，曲线下面积越大，越接近于1，模型的诊断或预测效果越好，并且分析生物标志物在瘢痕疙瘩成纤维细胞中的表达量。
1.4.8 免疫浸润相关性分析和单基因集富集分析(Gene set enrichment analysis，GSEA) CIBERSORT是一种基于基因表达数据进行细胞类型分析的算法，CIBERSORT提供了22种免疫细胞亚型的基因表达特征集：LM22 ，可以分析22种细胞浸润情况。使用Rstudio中CIBERSORT 包分析了GSE145725数据集中免疫细胞浸润水平，以及关键标志物与免疫细胞的相关性。通过gseKEGG函数对关键标志物进行单基因集富集分析，判断与诊断标志物相关的通路及发生机制。

讨论

通过单细胞转录组联合普通转录组最终筛选得到HOXC4关键生物标志物，并通过受试者工作特征曲线确认HOXC4具有良好的诊断价值，HOXC4属于同源异形盒基因(homeobox)家族。同源框基因编码一个高度保守的转录因子家族，这些转录因子在所有多细胞生物的形态发生中起重要作用，参与骨髓干细胞的谱系特异性分化[20]，在肿瘤发生发展中也起到重要作用[21-22]。先前的研究报道，与正常成纤维细胞相比，瘢痕疙瘩成纤维细胞中同源框(HOX)转录因子基因家族许多成员的表达显著降低[23-24]。
此研究结果中，HOX家族成员HOXC6，HOXA10，HOXB3，HOXD8，HOXB2在瘢痕疙瘩成纤维细胞中的表达显著增高，而瘢痕疙瘩成纤维细胞组HOXC4的表达显著低于正常组，提示HOXC4可能在瘢痕疙瘩形成中具有独特的调控作用。尽管HOXC4在瘢痕疙瘩成纤维细胞中的表达下调尚属首次报道，但已有研究提示HOXC4在调控细胞分化、迁移和免疫调节中发挥重要作用。HOXC4在多种实体瘤中与免疫细胞浸润状态密切相关，并可能通过调控转化生长因子β/Smad通路影响间充质细胞功能[25]。此外，HOXC4在炎症性疾病中介导细胞周期调控与免疫应答相关基因的表达[26]。有研究表明HOX 表达差异可能是由于瘢痕疙瘩成纤维细胞和正常成纤维细胞之间位置同一性的差异。HOX 基因可以潜在地调节成纤维细胞表型，这表明差异 HOX 基因表达可能在身体前部部位的瘢痕疙瘩发育中发挥作用[27]。HOX基因表达的减少可能与瘢痕疙瘩病理学或成纤维细胞位置特性的差异有关。
瘢痕疙瘩作为一种纤维化皮肤病，免疫细胞浸润是其主要病理标志[28]，然而，瘢痕疙瘩的免疫病理学机制仍不清楚。已有研究发现在瘢痕疙瘩患者中T 细胞、调节性 T 细胞和树突状细胞标志物的表达增加[29-30]。研究表明T 淋巴细胞可能在瘢痕疙瘩形成中发挥重要作用[31]。肥大细胞可以增强瘢痕形成，并可能介导胎儿发育过程中从无瘢痕愈合到纤维化愈合的转变[32]。而且瘢痕疙瘩组织中过表达的免疫分子CD138被确定为瘢痕疙瘩疾病诊断的潜在生物标志物之一[33]。在此研究中，出现最多的免疫细胞分别为静息记忆CD4+T细胞、活化树突状细胞和活化肥大细胞等，与文献一致。相关性分析结果表明HOXC4与静息自然杀伤细胞呈显著正相关，与活化树突状细胞和活化自然杀伤细胞呈显著负相关。该研究提示HOXC4可能在维持局部免疫“低活化”状态中发挥调控作用。已有研究表明，在慢性瘢痕组织中，活化型自然杀伤细胞与树突状细胞的功能受抑制，导致炎症信号的慢性延续及异常修复过程[34]。HOXC4下调可能是这种“免疫抑制微环境”的一个转录学标志，反映了瘢痕疙瘩组织中免疫细胞活化受限、免疫逃逸增强的趋势，最终促进成纤维细胞持续活化与胶原沉积。这一机制与瘢痕疙瘩的高复发率与治疗耐受性可能存在一定关联，值得在临床样本中进一步验证[35-36]。研究证实，在瘢痕疙瘩患者的病变和非病变皮肤中，树突状细胞标志物CD80和CD86以及特应性树突状细胞的典型标志物(OX40L+、FCεR1+)都有所增加，但树突状细胞在瘢痕疙瘩中的确切作用尚不清楚[18]。LI等[37]通过流式细胞术发现瘢痕疙瘩单细胞悬液中自然杀伤细胞数量异常多, 但它们在瘢痕疙瘩生成中的作用不太清楚。
此研究的局限性：鉴于瘢痕疙瘩生物学的复杂性和数百个基因表达的改变，单个基因的表达并不能确定瘢痕疙瘩成纤维细胞表型的变化，而且没有通过瘢痕疙瘩成纤维细胞株验证，但此研究为病理性瘢痕的诊断提供了一个新靶点。
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

瘢痕疙瘩发病与成纤维细胞异质性基因相关：基于GEO数据库单细胞转录组分析

Keloid pathogenesis is correlated with fibroblast heterogeneity genes: single-cell transcriptomic analysis based on GEO database

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表（结果） 9

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]	刘宏杰, 牟秋菊, 申玉雪, 梁飞, 祝丽丽. 金属有机框架/羧甲基壳聚糖-氧化海藻酸钠/富血小板血浆水凝胶促糖尿病感染创面愈合[J]. 中国组织工程研究, 2026, 30(8): 1929-1939.
[2]	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.
[3]	彭团辉, 宋洪明, 杨玲, 丁小歌, 蒙鹏骏. 长期耐力运动对自然衰老小鼠kl/FGF23轴及钙磷代谢的影响[J]. 中国组织工程研究, 2026, 30(5): 1089-1095.
[4]	郭嘉忱, 高俊, 戴文昊, 廖华远, 蒋优, 张曦. 压应力微环境在骨折愈合过程中对细胞因子的影响[J]. 中国组织工程研究, 2026, 30(4): 908-916.
[5]	李飞红, 王琳蓉, 程乐平. 纤维化在组织损伤修复中的作用[J]. 中国组织工程研究, 2026, 30(22): 5814-5831.
[6]	陈灵, 毛秋华, 徐普, 张文柏. 纳米珍珠粉水溶性基质对小鼠成纤维细胞增殖、迁移及凋亡的影响[J]. 中国组织工程研究, 2026, 30(2): 338-344.
[7]	史雨馨, 开吾赛尔·吐尔逊, 刘佳. 负载碱性成纤维细胞生长因子复合性生物支架对牙髓干细胞成血管性能的影响[J]. 中国组织工程研究, 2026, 30(13): 3343-3349.
[8]	吴显元, 张霓霓, 黄桂林. 基因转染技术与组织纤维化修复[J]. 中国组织工程研究, 2026, 30(13): 3424-3434.
[9]	曹俐芳, 陈涛, 寿笳吟, 范芳芳. 单细胞转录组测序在脑卒中领域的热点及应用现状[J]. 中国组织工程研究, 2026, 30(13): 3446-3457.
[10]	吴芷菁, 李加利, 张佳昕, 王唐蓉, 郑煜洲, 孙梓暄. α-酮戊二酸工程化小细胞外囊泡延缓皮肤衰老[J]. 中国组织工程研究, 2026, 30(1): 120-129.
[11]	韩海慧, 冉磊, 孟晓辉, 辛鹏飞, 向峥, 边艳琴, 施杞, 肖涟波. 靶向成纤维细胞生长因子受体1信号改善类风湿关节炎的骨破坏[J]. 中国组织工程研究, 2025, 29(9): 1905-1912.
[12]	李俊, 巩晶晶, 孙国斌, 郭睿, 丁杨, 强立娟, 张晓莉, 方占海. miR-27a-3p激活MAPK信号通路促进人增生性瘢痕成纤维细胞的增殖[J]. 中国组织工程研究, 2025, 29(8): 1609-1617.
[13]	陈玉宁, 蒋颖, 廖翔宇, 陈琼君, 熊亮, 刘悦, 刘通. 补气活血合剂干预脑缺血再灌注模型大鼠相关因子及自噬蛋白的表达[J]. 中国组织工程研究, 2025, 29(6): 1152-1158.
[14]	张德宝, 王鹏, 李琨, 张少杰, 李志军, 李树文, 吴一民. 自体黄韧带干预下兔硬膜外纤维瘢痕的形成[J]. 中国组织工程研究, 2025, 29(6): 1168-1175.
[15]	韩海慧, 孟晓辉, 徐博, 冉磊, 施杞, 肖涟波. 成纤维细胞生长因子受体1抑制剂对胶原诱导关节炎模型大鼠骨破坏的影响[J]. 中国组织工程研究, 2025, 29(5): 968-977.