阿尔茨海默病中m6A相关铁死亡基因表达与免疫浸润：机器学习和分子生物学验证

doi:10.12307/2026.242

中国组织工程研究 ›› 2026, Vol. 30 ›› Issue (24): 6421-6432.doi: 10.12307/2026.242

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

阿尔茨海默病中m6A相关铁死亡基因表达与免疫浸润：机器学习和分子生物学验证

徐东方1，赵堃2，卢长柱2，王玉阁2，白连杰3，孟凡谋2，王洋2，4，姚宏波5

1齐齐哈尔医学院，黑龙江省齐齐哈尔市 161000；齐齐哈尔医学院基础医学院，2生理教研室，5组胚教研室，黑龙江省齐齐哈尔市 161000；3齐齐哈尔医学院附属第二医院超声科，黑龙江省齐齐哈尔市 161000；4黑龙江省药食同源资源与代谢性疾病防治重点实验室，黑龙江省齐齐哈尔市 161000

收稿日期:2025-10-15 修回日期:2025-11-14 出版日期:2026-08-28 发布日期:2026-02-05
通讯作者: 王洋，博士，硕士生导师，齐齐哈尔医学院基础医学院生理教研室，黑龙江省齐齐哈尔市 161000；黑龙江省药食同源资源与代谢性疾病防治重点实验室，黑龙江省齐齐哈尔市 161000 并列通讯作者：姚宏波，博士，硕士生导师，齐齐哈尔医学院基础医学院组胚教研室，黑龙江省齐齐哈尔市 161000
作者简介:徐东方，女，2004年生，河南省鹤壁市人，汉族，主要从事中医药防治神经退行性疾病方面的研究。
基金资助:
黑龙江省自然科学基金项目(LH2021H122)，项目负责人：姚宏波；黑龙江省博士后资助项目(LBH-Z23294)，项目负责人：王洋；齐齐哈尔市科技计划联合引导项目(LSFGG-2023035)，项目负责人：王洋；齐齐哈尔医学科学院项目(QMSI2021M-11)，项目负责人：王洋

m6A-related ferroptosis gene expression and its association with immune infiltration in Alzheimer’s disease: machine learning and molecular biology validation

Xu Dongfang1, Zhao Kun2, Lu Changzhu2, Wang Yuge2, Bai Lianjie3, Meng Fanmou2, Wang Yang2, 4, Yao Hongbo5

1Qiqihar Medical University, Qiqihar 161000, Heilongjiang Province, China; 2Department of Physiology, 5Department of Histology and Embryology, School of Basic Medicine, Qiqihar Medical University, Qiqihar 161000, Heilongjiang Province, China; 3Department of Ultrasound, the Second Affiliated Hospital of Qiqihar Medical University, Qiqihar 161000, Heilongjiang Province, China; 4Heilongjiang Provincial Key Laboratory of Food & Medicine Homology and Metabolic Disease Prevention, Qiqihar 161000, Heilongjiang Province, China

Received:2025-10-15 Revised:2025-11-14 Online:2026-08-28 Published:2026-02-05
Contact: Wang Yang, PhD, Master's supervisor, Department of Physiology, School of Basic Medicine, Qiqihar Medical University, Qiqihar 161000, Heilongjiang Province, China; Heilongjiang Provincial Key Laboratory of Food & Medicine Homology and Metabolic Disease Prevention, Qiqihar 161000, Heilongjiang Province, China Co-corresponding author: Yao Hongbo, PhD, Master's supervisor, Department of Histology and Embryology, School of Basic Medicine, Qiqihar Medical University, Qiqihar 161000, Heilongjiang Province, China
About author:Xu Dongfang, Qiqihar Medical University, Qiqihar 161000, Heilongjiang Province, China
Supported by:
Heilongjiang Natural Science Foundation of China, No. LH2021H122 (to YHB); Heilongjiang Postdoctoral Funding Project, No. LBH-Z23294 (to WY); Qiqihar Science and Technology Plan Joint Guidance Project, No. LSFGG-2023035 (to WY); Qiqihar Academy of Medical Sciences Project, No. QMSI2021M-11 (to WY)

摘要/Abstract

摘要：

文题释义：
阿尔茨海默病：是一种神经退行性疾病，以进行性认知功能障碍和神经元退化为核心特征，其病理机制涉及β-淀粉样蛋白沉积、Tau蛋白异常磷酸化以及氧化应激和神经炎症等多重因素。随着全球老龄化加剧，阿尔茨海默病的发病率正逐年攀升，深入研究其发病机制并开发有效干预策略已成为当前神经科学领域极具价值的课题。
铁死亡：是一种依赖铁离子代谢失调的程序性细胞死亡形式，以细胞内铁过载引发脂质过氧化积累为特征，受铁离子代谢、线粒体功能、氧化还原平衡及多种病理信号通路协同调控，在癌症、神经退行性疾病等多种疾病中发挥关键作用，是探索新型治疗靶点的重要方向。
N6-甲基腺嘌呤(m6A)：是哺乳动物mRNA中最常见的转录后修饰，发生于腺嘌呤第6位氮原子上，其动态调控依赖于甲基转移酶、去甲基化酶和特异性识别蛋白。该修饰通过影响mRNA稳定性、剪接、翻译及定位等过程，在细胞分化、胚胎发育和疾病发生中起关键作用。

背景：阿尔茨海默病是一种神经退行性病变，尽管β-淀粉样蛋白和Tau蛋白是阿尔茨海默病诊断的核心生物标志物，但由于其异质性及诊断局限性，探索新型生物标志物对疾病诊断与治疗仍具有重要意义。
目的：通过机器学习、生物信息学分析以及实验验证，分析阿尔茨海默病中N6-甲基腺嘌呤表观转录组修饰与铁死亡基因的互作关系，鉴定阿尔茨海默病发病的特征基因，并揭示其通过免疫微环境的调控关联，为阿尔茨海默病早期诊断及精准治疗提供新型生物标志物。
方法：整合GEO数据库中GSE5281、GSE48350(训练集)及GSE33000(验证集)人脑海马组织基因组数据；筛选训练集中阿尔茨海默病差异表达的N6-甲基腺嘌呤调控因子，评估N6-甲基腺嘌呤与铁死亡基因的相关性，识别与N6-甲基腺嘌呤关联的铁死亡差异基因；采用支持向量机递归特征消除算法联合Boruta特征选择模型，确定阿尔茨海默病特征基因；通过基因集富集分析解析特征基因功能模块；构建逻辑回归模型联合受试者工作特征曲线，在验证集中评估特征基因诊断效能；应用单样本基因集富集分析量化免疫细胞浸润水平，并分析其与特征基因的调控关联；基于ENCORI数据库、miRWalk 3.0数据库联合NetworkAnalyst预测转录因子/miRNA-mRNA调控网络；通过CTD数据库筛选潜在治疗化合物；利用qRT-PCR以及Western Blotting实验，对APP/PS1双转基因小鼠海马组织进行特征基因实验验证。
结果与结论：①鉴定出2个显著差异表达的N6-甲基腺嘌呤调控因子，即威尔姆丝瘤1相关蛋白(WTAP)、甲基转移酶样蛋白14 (METTL14)，与其关联的铁死亡相关基因共16个；②机器学习方法筛选出5个核心特征基因，即延胡索酸水合酶、天冬氨酸转氨酶、HRas蛋白、金属硫蛋白3、组蛋白赖氨酸N-甲基转移酶SETD1B基因；③特征基因功能富集在氧化磷酸化信号通路、亨廷顿病、帕金森病、脂肪酸降解及代谢通路、蛋白酶体信号通路；④逻辑回归诊断模型在训练集和验证集曲线下面积值分别达0.873和0.904，显示特征基因的优异诊断效能；⑤免疫微环境分析显示，HRas蛋白基因与趋化因子受体趋化因子受体家族及浆细胞样树突状细胞浸润水平显著相关；⑥构建包含5个mRNA-37个miRNA-142个转录因子的调控网络，预测出71种靶向治疗药物；⑦实验验证显示APP/PS1小鼠海马中天冬氨酸转氨酶、HRas蛋白、组蛋白赖氨酸N-甲基转移酶SETD1B的mRNA以及蛋白表达具有显著差异(P < 0.05或P < 0.01)，与生物信息学分析结果一致；⑧结果揭示延胡索酸水合酶、天冬氨酸转氨酶、HRas蛋白、金属硫蛋白3、组蛋白赖氨酸N-甲基转移酶SETD1B可作为阿尔茨海默病的特征基因；免疫浸润细胞关联分析提示，HRas蛋白可能具备阿尔茨海默病免疫治疗标志物的价值，可为疾病早期诊断及靶向治疗提供理论依据。

https://orcid.org/0009-0004-3722-2050 (徐东方)

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, N6-甲基腺嘌呤, 铁死亡, 机器学习, 免疫浸润, 基因集富集分析, APP/PS1双转基因小鼠, 实验验证

Abstract: BACKGROUND: Alzheimer's disease is a neurodegenerative disorder. Although amyloid-beta and tau proteins are core biomarkers for the diagnosis of Alzheimer's disease, exploring new biomarkers for disease diagnosis and treatment is still of great significance due to their heterogeneity and diagnostic limitations.
OBJECTIVE: To analyze the interplay between N6-methyladenosine epitranscriptomic modifications and ferroptosis-related genes in Alzheimer’s disease, and identify characteristic genes associated with Alzheimer’s disease pathogenesis through machine learning, bioinformatics analysis, and experimental validation, and to reveal their regulatory associations through the immune microenvironment, providing novel biomarkers for the early diagnosis and precise treatment of Alzheimer’s disease.
METHODS: The tissue transcriptomic data from GSE5281, GSE48350 (training sets) and GSE33000 (validation set) in the GEO database were integrated. N6-methyladenine regulatory factors with differential expression in Alzheimer’s disease from the training set were screened. The correlation between N6-methyladenine and ferroptosis genes was evaluated. Ferroptosis-related differential genes associated with N6-methyladenine were identified. Support vector machine recursive feature elimination algorithm combined with the Boruta feature selection model was used to determine the characteristic genes of Alzheimer’s disease. The functional modules of these characteristic genes were deciphered via gene set enrichment analysis. A logistic regression model integrated with the receiver operating characteristic curve were evaluated the diagnostic efficacy of the characteristic genes in the validation set. The single-sample gene set enrichment analysis was quantified immune cell infiltration levels and their regulatory associations of these cells with the characteristic genes were analyzed. Based on the ENCORI database, miRWalk 3.0 database, and NetworkAnalyst, the transcription factor/miRNA–mRNA regulatory network was constructed. Potential therapeutic compounds were further screened using the CTD database. The experimental validation in the hippocampal tissue of APP/PS1 double-transgenic mice was conducted using quantitative reverse transcription polymerase chain reaction and Western blotting.
RESULTS AND CONCLUSION: (1) Two significantly differentially expressed N6-methyladenosine regulatory factors were identified, namely Wilms’ tumor 1-associating protein (WTAP) and methyltransferase-like protein 14 (METTL14), along with a total of 16 ferroptosis-related genes associated with them. (2) Five hub characteristic genes were screened using machine learning, including fumarate hydratase, aspartate aminotransferase, GTPase HRas, metallothionein-3, histone-lysine n-methyltransferase SETD1B. (3) The functions of characteristic genes were enriched in the oxidative phosphorylation signaling pathway, Huntington's disease, Parkinson's disease, fatty acid degradation and metabolic pathway, and proteasome signaling pathway. (4) The area under the curve values of the constructed logistic regression diagnostic model in the training set and the validation set were 0.873 and 0.904, respectively, indicating excellent diagnostic efficiency of the feature genes. (5) Immune microenvironment analysis revealed that the GTPase HRas gene is significantly correlated with the levels of CC chemokine receptor family members and plasmacytoid dendritic cell infiltration. (6) The regulatory network containing 5 mRNA-37 miRNA-142 transcription factors was constructed, predicting 71 targeted therapeutic drugs. (7) Experimental verification showed that the mRNA and protein expression levels of aspartate aminotransferase, GTPase HRas and histone-lysine N-methyltransferase SETD1B in the hippocampus of APP/PS1 mice were significantly different (P < 0.05 or P < 0.01), which was consistent with the bioinformatics results. (8) These results reveal that fumarate hydratase, aspartate aminotransferase, GTPase HRas, metallothionein-3 and histone-lysine N-methyltransferase SETD1B as characteristic genes associated with the pathogenesis of Alzheimer's disease. Immune infiltration cell association analysis suggests that GTPase HRas may have the value of immunotherapy markers for Alzheimer's disease, providing a theoretical basis for early diagnosis and targeted therapy of the disease.

Key words: Alzheimer’s disease, N6-methyladenosine, ferroptosis, machine learning, immune infiltration, gene enrichment analysis, APP/PS1 transgenic mice, experimental validation

中图分类号:

徐东方, 赵堃, 卢长柱, 王玉阁, 白连杰, 孟凡谋, 王洋, 姚宏波. 阿尔茨海默病中m6A相关铁死亡基因表达与免疫浸润：机器学习和分子生物学验证[J]. 中国组织工程研究, 2026, 30(24): 6421-6432.

Xu Dongfang, Zhao Kun, Lu Changzhu, Wang Yuge, Bai Lianjie, Meng Fanmou, Wang Yang, , Yao Hongbo. m6A-related ferroptosis gene expression and its association with immune infiltration in Alzheimer’s disease: machine learning and molecular biology validation[J]. Chinese Journal of Tissue Engineering Research, 2026, 30(24): 6421-6432.

图/表（结果） 10

2.1 m6A差异表达基因数据集GSE5281和GSE48350合并后训练集(56例正常样本vs. 29例阿尔茨海默病样本)，经数据预处理发现原始数据存在显著批次偏倚(图2A，C)，进行跨平台批次校正与标准化处理后，主成分分析显示样本均匀分布(图2B，D)，验证批次效应有效消除。m6A甲基化调控相关基因见表2。在27个m6A调控基因中[剔除真核翻译起始因子3、脆性X智力低下蛋白、甲基转移酶样蛋白16( methyltransferase-like protein 16，METTL16)、RNA结合基序蛋白x连锁4个未检测到的基因]，鉴定出2个显著差异表达基因，分别为Wilms肿瘤1相关蛋白(Wilms Tumor 1-Associated Protein，WTAP)、甲基转移酶样蛋白14( methyltransferase-like protein 14，METTL14)基因，分别位于6号、4号染色体上(图2E，F)。
2.2 m6A相关铁死亡基因基于259个铁死亡核心基因，在训练集中筛选出240个相关基因。选取铁死亡相关基因与WTAP、METTL14相关性较高的部分基因以热图展示(图3)。获得16

个与WTAP、METTL14高度相关的铁死亡基因，分别为半胱氨酸脱硫酶(cysteine desulfurase，NFS1)、GOT1、FH、HRAS、YWHAE、 ATP6V1G2、DRD5、磷脂酰乙醇胺结合蛋白(phosphatidylethanolamine-binding protein，PEBP1)、MT3、CCAAT增强子结合蛋白γ (CCAAT/enhancer-binding protein gamma，CEBPG)、ATF3、Tafazzin (TAZ)、SETD1B、KLHL24、SIRT1、丝氨酸蛋白激酶ATM(Serine-protein kinase ATM，ATM)。
2.3 阿尔茨海默病特征基因基于支持向量机的递归特征消除方法筛选10个阿尔茨海默病特征基因：GOT1、MT3、NFS1、SETD1B、CEBPG、PEBP1、FH、HRAS、TAZ、ATM。Boruta方法筛选得到8个阿尔茨海默病特征基因：GOT1、FH、HRAS、ATP6V1G2、MT3、SETD1B、KLHL24、SIRT1。两种机器学习法筛选共有特征基因5个，分别为FH、GOT1、HRAS、MT3、SETD1B基因。5个特征基因的mRNA表达量在训练集阿尔茨海默病样本与正常样本组间均存在显著性差异(P < 0.05或P < 0.01)，见图4。
2.4 特征基因功能富集基因集富集分析按照显著性排序，选取基因本体和京都基因与基因组百科全书中前5项进行可视化展示。京都基因与基因组百科全书信号通路主要富集在氧化磷酸化信号通路、亨廷顿病、帕金森病、脂肪酸降解及代谢通路、蛋白酶体信号通路等。基因本体功能定位于细胞中线粒体内膜、胞质核糖体结构成分等，参与的生物过程主要富集在线粒体ATP合成耦合电子传递过程、线粒体内膜蛋白复合物形成、线粒体基因表达等(图5)。

2.5 特征基因诊断性能在训练集中，随机森林分析和极限梯度提升模型的曲线下面积均为1.0，出现过拟合现象；逻辑回归模型模型曲线下面积为0.873，朴素贝叶斯模型为0.857，二者性能稳定且未出现过拟合。在验证集中，随机森林模型曲线下面积降至0.749，极限梯度提升模型骤降至0.309，逻辑回归模型曲线下面积为0.748，朴素贝叶斯模型为0.878。综合来看，逻辑回归模型在训练集与验证集的性能衰减程度最小，泛化能力显著优于随机森林和极限梯度提升；而朴素贝叶斯模型虽验证集曲线下面积较高，但在训练集的拟合程度弱于逻辑回归模型。因此，选取逻辑回归模型作为最优模型，结果表明基于这5个关键基因构建的逻辑回归模型在训练与验证中均具有较高的分类性能，是阿尔茨海默病发生发展中的关键基因(图6)。
2.6 特征基因与免疫细胞相关性通过单样本基因集富集分析，发现训练集中具有明显差异表达量的9个免疫相关基因集分别为B细胞(B_cells)、趋化因子受体(CC chemokine receptor, CCR)、主要组织相容性复合体Ⅰ类(Major histocompatibility complex class I-related protein 1，MHC_class_I)、中性粒细胞(Neutrophils)、副炎症(Parainflammation)、浆细胞样树突状细胞(Plasmacytoid dendritic cells, pDCs)、T细胞共抑制物(T_cell_co-inhibition)、肿瘤浸润淋巴细胞(tumor-infiltrating lymphocyte，TIL)、调节性T细胞(Regulatory T cells，Tregs)。在阿尔茨海默病关键基因与29种免疫相关基因集的相关性分析中，关键基因HRAS与趋化因子受体基因集和浆细胞样树突状细胞基因集均表现出较高的相关性，相关系数分别为0.335和0.334(图7)。
2.7 特征基因转录因子/miRNA-mRNA网络构建基于5个关键基因，分别从miRwalk3.0和ENCORI数据库筛选出544个和196个相关miRNA，取交集获得37个共同miRNA，其中2个miRNA对应FH基因，15个miRNA对应GOT1，3个miRNA对应HRAS，2个miRNA对应MT3，15个miRNA对应SETD1B。通过NetworkAnalys数据库获取5个关键基因的142个转录因子，构建200对转录因子-mRNA互作网络。利用Cytoscape软件对5个mRNA、37个miRNA及142个转录因子进行联合可视化，构建转录因子/ miRNA -mRNA互作网络。基于CTD数据库中预测关键基因治疗阿尔茨海默病的潜在药物，共获得71种靶向治疗药物(图8)。
2.8 特征基因验证为验证特征基因在阿尔茨海默病中的特异性调控作用，此次研究通过qRT-PCR以及Western Blotting实验检测APP/PS1转基因阿尔茨海默病模型小鼠海马组织关键基因转录及蛋白表达水平。结果显示，相对于正常野生型小鼠，阿尔茨海默病模型小鼠GOT1、HRAS 的mRNA以及蛋白表达量均降低(P < 0.05)，而SETD1B的mRNA以及蛋白表达量则显著上调(P < 0.05)，而FH及MT3表达水平在转录以及蛋白表达方面均无明显改变，无统计学差异(图9)。

由于阿尔茨海默病的分子机制错综复杂，GOT1、HRAS和SETD1B可能是海马组织在疾病中期阶段的核心调控因子，而FH和MT3则可能在脑部其他组织以及不同时间维度上发挥作用。

参考文献

[1] 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.
[2] 王刚,齐金蕾,刘馨雅,等.中国阿尔茨海默病报告2024[J].诊断学理论与实践,2024, 23(3):219-256.
[3] JIA J, NING Y, CHEN M, et al. Biomarker changes during 20 years preceding Alzheimer’s disease. N Engl J Med. 2024;390(8):712-722.
[4] GRAFF-RADFORD J, YONG KXX, APOSTOLOVA LG, et al. New insights into atypical Alzheimer’s disease in the era of biomarkers. Lancet Neurol. 2021;20(3):222-234.
[5] LIU E, ZHANG Y, WANG J. Updates in Alzheimer’s disease: from basic research to diagnosis and therapies. Transl Neurodegener. 2024;13(1):45.
[6] XU Z, LV B, QIN Y, et al. Emerging roles and mechanism of m6A methylation in cardiometabolic diseases. Cells. 2022;11(7): 1101.
[7] WEI G. RNA m6A modification, signals for degradation or stabilisation? Biochem Soc Trans. 2024;52(2):707-717.
[8] HAN Y, SUN J, YAO M, et al. Biological roles of enhancer RNA m6A modification and its implications in cancer. Cell Commun Signal. 2025;23(1):254.
[9] SHAFIK AM, ZHANG F, GUO Z, et al. N6-methyladenosine dynamics in neurodevelopment and aging, and its potential role in Alzheimer’s disease. Genome Biol. 2021;22(1):17.
[10] HAN M, LIU Z, XU Y, et al. Abnormality of m6A mRNA methylation is involved in Alzheimer’s disease. Front Neurosci. 2020;14:98.
[11] ZHANG X, YANG S, HAN S, et al. Differential methylation of circRNA m6A in an APP/PS1 Alzheimer’s disease mouse model. Mol Med Rep. 2023;27(2):55.
[12] HU B, SHI Y, XIONG F, et al. Rewired m6A of promoter antisense RNAs in Alzheimer’s disease regulates neuronal genes in 3D nucleome. Nat Commun. 2025;16(1):5251.
[13] RU Q, LI Y, CHEN L, et al. Iron homeostasis and ferroptosis in human diseases: mechanisms and therapeutic prospects. Signal Transduct Target Ther. 2024;9(1):271.
[14] DIXON SJ, OLZMANN JA. The cell biology of ferroptosis. Nat Rev Mol Cell Biol. 2024;25: 424-442.
[15] WANG L, FANG X, LING B, et al. Research progress on ferroptosis in the pathogenesis and treatment of neurodegenerative diseases. Front Cell Neurosci. 2024;18: 1359453.
[16] ABDUKARIMOV N, KOKABI K, KUNZ J. Ferroptosis and Iron Homeostasis: Molecular Mechanisms and Neurodegenerative Disease Implications. Antioxidants (Basel). 2025; 14(5):527.
[17] LI X, CHEN J, FENG W, et al. Berberine ameliorates iron levels and ferroptosis in the brain of 3 x Tg-AD mice. Phytomedicine. 2023;118:154962.
[18] SHEN M, LI Y, WANG Y, et al. N6-methyladenosine modification regulates ferroptosis through autophagy signaling pathway in hepatic stellate cells. Redox Biol. 2021;47:102151.
[19] 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.
[20] TAO X, KANG N, ZHENG Z, et al. The regulatory mechanisms of N6-methyladenosine modification in ferroptosis and its implications in disease pathogenesis. Life Sci. 2024;355: 123011.
[21] JIANG X, YAN Q, XIE L, et al. Construction and validation of a Ferroptosis-related prognostic model for gastric cancer. J Oncol. 2021;2021:6635526.
[22] HE Y, JIANG Z, CHEN C, et al. Classification of triple-negative breast cancers based on Immunogenomic profiling. J Exp Clin Cancer Res. 2018;37(1):327.
[23] 张振涛. 散发性早发型阿尔茨海默病:独特特征、关键机制与未来展望[J]. 科学通报, 2025,70(1):6-7.
[24] ZHANG R, ZHANG Y, GUO F, et al. RNA N6 -methyl‐ adenosine modifications and its roles in Alzheimer’s disease. Front Cell Neurosci. 2022;16:820378.
[25] BARBIRI I, KOUZARIDES T. Role of RNA modifications in cancer. Nat Rev Cancer. 2020; 20(6):303-322.
[26] HAN X, GUO J, FAN Z. Interactions between m6A modifi‐ cation and miRNAs in malignant tumors. Cell Death Dis.2021;12(6):598.
[27] SENDINC E, SHI Y. RNA m6A methylation across the transcriptome. Mol Cell. 2023;83(3):428-441.
[28] MI S, SHI Y, DARI G, et al. Function of m6A and its regu lation of domesticated animals’ complex traits. J Anim Sci. 2022; 100(3):skac034.
[29] SANG A, ZHANG J, ZHANG M, et al. METTL4 mediated-N6 methyladenosine promotes acute lung injury by activating ferroptosis in alveolar epithelial cells. Free Rad Biol Med. 2024;213: 90-101.
[30] ZHU Z, HUO F, ZHANG J, et al. Crosstalk between m6A modification and alternative splicing during cancer progression. Clin Transl Med. 2023;13(10):e1460.
[31] CHEN Y, PENG C, CHEN J, et al. WTAP facilitates pro gression of hepatocellular carcinoma via m6A-HuR-depen dent epigenetic silencing of ETS1. Mol Cancer. 2019;18(1):127.
[32] HUANG H, CAMATS-PERNA J, MEDEIROS R, et al. Altered expression of the m6A methyltransferase METTL3 in Alzheimer’s disease. eNeuro. 2020;7(5): ENEURO.0125-20.2020.
[33] ZHAO F, XU Y, GAO S, et al. METTL3-dependent RNA m(6)A dysregulation contributes to neurodegeneration in Alzheimer’s disease through aberrant cell cycle events. Mol Neurodegener. 2021;16(1):70.
[34] JIANG X, STOCKWELL BR, CONRAD M. Ferroptosis: mechanisms, biology and role in disease. Nat Rev Mol Cell Biol. 2021; 22(4):266-282.
[35] YANG X, ZHANG S, HE C, et al. METTL14 suppresses proliferation and metastasis of colorectal cancer by down-regulating oncogenic long non-coding RNA XIST. Mol Cancer. 2020;19:46.
[36] FAN Z, YANG G, ZHANG W, et al. Hypoxia blocks ferroptosis of hepatocellular carcinoma via suppression of METTL14 triggered YTHDF2-dependent silencing of SLC7A11. J Cell Mol Med. 2021;25(21):10197-10212.
[37] WANG K, WANG G, LI G, et al. m6A writer WTAP targets NRF2 to accelerate bladder cancer malignancy via m6A-dependent ferroptosis regulation. Apoptosis. 2023; 28(3-4):627-638.
[38] WANG W, CHEN J, LAI S, et al. METTL14 promotes ferroptosis in smooth muscle cells during thoracic aortic aneurysm by stabilizing the m6A modification of ACSL4. Am J Physiol Cell Physiol. 2025;328(2):C387-C399.
[39] 陈特,肖权洲,孙杨,等.METTL14介导ACSL4的m6A甲基化在髓核细胞铁死亡和细胞衰老中的作用[J].中国现代医学杂志, 2024,34(20):31-39.
[40] 宋凯.WTAP调控AR高甲基化修饰促进糖尿病心肌纤维化的分子机制[D].合肥:安徽医科大学,2024.
[41] ZHU H, LEE OW, SHAH P, et al. Identification of activators of human fumarate hydratase by quantitative high-throughput screening. SLAS Discov. 2020;25(1):43-56.
[42] 刘磊,贾少晗,于鹏.线粒体在铁死亡中的形态特征和作用[J].中国生物化学与分子生物学报,2023,39(6):769-777.
[43] PENG H, DOU H, HE S, et al. The role of GOT1 in cancer metabolism. Front Oncol. 2024; 14:1519046.
[44] ANDERSEN JV. The Glutamate/GABA-Glutamine Cycle: Insights, Updates, and Advances. J Neurochem. 2025;169(3): e70029.
[45] 赵宇翔. c-Myc通过上调GOT1和Nrf2抵抗肝癌细胞中谷氨酰胺剥夺诱发的铁死亡[D].长春:吉林大学,2020.
[46] KRMER DM, NELSON BS, LIN L, et al. GOT1 inhibition promotes pancreatic cancer cell death by ferroptosis. Nat Commun. 2021;12: 4860.
[47] 徐箫. 综合分析铁死亡相关基因对肝细胞癌患者预后及免疫微环境的影响[D]. 青岛:青岛大学, 2023.
[48] BARTOLACCI C, ANDREANI C, EL-GAMMAL Y, et al. Lipid Metabolism Regulates Oxidative Stress and Ferroptosis in RAS-Driven Cancers: A Perspective on Cancer Progression and Therapy. Front Mol Biosci. 2021;8:706650.
[49] KOH JY, LEE SJ. Metallothionein-3 as a multifunctional player in the control of cellular processes and diseases. Mol Brain. 2020;13(1):116.
[50] GUNN AP, MCLEAN CA, CROUCH PJ, et al. Quantification of metallothionein-III in brain tissues using liquid chromatography tandem mass spectrometry. Anal Biochem. 2021;630:114326.
[51] MICHURINA A, SAKIB MS, KERIMOGLU C, et al. Postnatal expression of the lysine methyltransferase SETD1B is essential for learning and the regulation of neuron-enriched genes. EMBO J. 2022; 41(1):e106459.
[52] ZENG Z, LAN T, WEI Y, et al. CCL5/CCR5 axis in human diseases and related treatments. Genes Dis. 2022;9(1):12-27.
[53] BETTCHER BM, TANSEY MG, DOROTHÉE G, et al. Peripheral and central immune system crosstalk in Alzheimer disease - a research prospectus. Nat Rev Neurol. 2021; 17(11):689-701.
[54] PIROLLA NFF, BATISTA VS, DIAS VIGAS FP, et al. Alzheimer’s disease: related targets, synthesis of available drugs, bioactive compounds under development and promising results obtained from multi-target approaches. Curr Drug Targets. 2021; 22(5):505-538.
[55] REDDI SREE R, KALYAN M, ANAND N, et al. Newer Therapeutic Approaches in Treating Alzheimer’s Disease: A Comprehensive Review. ACS Omega. 2025;10(6):5148-5171.

引言

阿尔茨海默病是一种神经退行性病变，起病隐匿，病情呈进行性发展，是老年人最为常见的痴呆类型[1]。根据世界卫生组织发布的流行病学预测数据，至2050年全球阿尔茨海默病患者人数将攀升至1.39亿，阿尔茨海默病防治的紧迫性已成为全球公共卫生的优先事项[2-3]。阿尔茨海默病患者临床表型呈现渐进性神经退行性病理特征，症状包含记忆衰退、定向力缺失为核心的认知功能障碍，以及执行控制力下降、情绪-行为调控异常等复杂神经精神症状[4]。目前公认的阿尔茨海默病主要发病机制是β-淀粉样蛋白级联假说、Tau蛋白过度磷酸化假说，但并不能完全解释阿尔茨海默病成因[5]。
近年来，表观转录组学为阿尔茨海默病的研究打开新视角。N6-甲基腺嘌呤(N6-methyladenosine，m6A)作为哺乳动物信使RNA中最普遍的转录后修饰形式，其化学修饰位点位于腺嘌呤碱基的第6位氮原子[6]。该表观遗传标记通过调控mRNA的稳定性、剪接加工、翻译效率及亚细胞定位等分子机制，在细胞分化、胚胎发育和疾病发生等多种生物学过程的调控中发挥关键作用[7-8]。研究表明，随个体衰老进程推进，小鼠模型与人类样本中m6A甲基化修饰均呈现显著年龄依赖性累积趋势[9]。在APP/PS1转基因小鼠模型中，海马体和前额皮质等认知相关脑区呈现出m6A甲基化修饰的显著异常，表现为甲基转移酶样蛋白3(methyltransferase-like 3，METTL3)表达上调与去脂肪量与肥胖相关蛋白表达下调的协同作用[10]。值得注意的是， m6A通过表观遗传调控动态干预阿尔茨海默病关键基因的蛋白质翻译过程，提示其可能作为关键调控节点，参与衰老相关分子网络重构及神经退行性病变的病理机制[11-12]。
另一方面，铁死亡这一以铁依赖性脂质过氧化为特征的新型细胞程序性死亡方式，已被证实参与调控阿尔茨海默病及帕金森病等神经退行性病变中的神经元特异性死亡过程[13-14]。其分子特征表现为铁稳态失调、脂质活性氧异常累积及抗氧化应激系统失衡等，这些病理改变通过破坏神经系统结构与功能的完整性，最终导致神经退行性病变[15-16]。在阿尔茨海默病转基因动物模型中发现，病理性铁沉积特异性富集于β-淀粉样蛋白蛋白斑块核心区及tau蛋白异常磷酸化形成的神经原纤维缠结微环境中，通过激活铁死亡关键通路，加速神经元及突触可塑性损伤[17]。
m6A甲基化修饰与铁死亡在神经退行性疾病中均发挥着重要作用，然而目前该领域中两者之间的内在联系与协同机制仍有待系统揭示。近年分子机制研究表明，m6A甲基化修饰可能作为铁死亡的关键表观转录组调控节点，在肝纤维化进程中，通过调控谷胱甘肽过氧化物酶4、酰基辅酶A合成酶长链家族成员4等铁死亡核心效应分子的RNA代谢稳定性，进而影响疾病进展[18]。这种表观转录组-氧化应激轴的交互作用模式，在神经退行性疾病病理微环境中同样具有潜在调控价值，提示m6A可能通过与铁死亡相关基因形成动态互作网络，在非肿瘤性疾病的发生发展中发挥级联调控效应。
值得注意的是，在阿尔茨海默病模型小鼠和阿尔茨海默病人群脑组织中均观察到外周免疫细胞浸润现象[19]。免疫相关基因是免疫细胞浸润过程的核心调控因子，但免疫相关基因在阿尔茨海默病中的表达特征及其与免疫浸润的关联仍需进一步探索。最新研究表明，m6A修饰可能通过调控铁死亡相关基因的表达，间接影响神经炎症微环境[20]，这提示m6A-铁死亡-免疫浸润三者之间可能存在着复杂的交互网络。
此次研究创新性地将“m6A-铁死亡-免疫微环境”三维组学整合于阿尔茨海默病研究框架，旨在通过系统解析阿尔茨海默病进展过程中m6A修饰模式、铁死亡特征基因表达与免疫浸润特征的共变规律，筛选具有诊断潜力的m6A相关铁死亡特征基因，并探讨其与免疫微环境的相互作用，为构建阿尔茨海默病早期生物标志物筛查体系及开发靶向表观转录调控的治疗策略提供理论支撑。
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 研究方案设计见图1。
1.2 资料此研究使用的数据均来源于国际公认的公共数据库，具体信息如下：①GEO数据库(http://www.ncbi.nlm.nih.gov/geo/)由美国国家生物技术信息中心(NCBI)开发，是一个公共组学数据存储库。其主要功能包括系统收集、整理和分发来自全球研究的基因表达、甲基化及其他表观遗传学数据，广泛应用于疾病机制解析和生物标志物挖掘分析。②miRWalk 3.0 数据库(http://mirwalk.umm.uni-heidelberg.de/search_genes/)由德国海德堡大学维护，专注于microRNA靶基因预测及实验验证数据的整合。该数据库支持基于基因符号、Entrez ID或Ensembl ID的快速检索，覆盖人类及多个物种，提供3′UTR、启动子、CDS等区域的互作比对，常用于miRNA靶标识别与功能分析。③ENCORI数据库(https://starbase.sysu.edu.cn/agoClipRNA.php?source=mRNA)，又为starBase数据库，由中山大学构建，是基于CLIP-Seq数据和rbsSeeker、rriScan等算法开发的RNA互作平台。其核心功能包括整合数百万高置信度RBP-RNA与RNA-RNA相互作用，并提供32种癌症的表达与临床数据，支持泛癌差异表达、生存分析等，适用于RNA调控机制和癌症相关互作网络研究。④NetworkAnalyst平台(https://www.networkanalyst.ca/NetworkAnalyst/uploads/ListUploadView.xhtml)由加拿大麦吉尔大学开发，是一个集成基因表达分析与交互式网络可视化的在线平台。该平台支持多类型转录组数据的上游质控、差异与富集分析，并生成可视化网络图，涵盖蛋白互作网络、miRNA-mRNA、转录因子-靶标等多层次互作关系。可自定义背景基因集校正显著性，覆盖10余种模式生物，可用于疾病机制挖掘、标志物筛选及多组学整合研究。⑤CTD数据库(http://ctdbase.org/)由美国北卡罗来纳大学夏洛特分校维护，专注于环境毒物与基因、疾病之间关系的系统性整合。该数据库通过人工策展和AI文本挖掘技术，关联化学物质、基因/蛋白、基因本体功能、通路、解剖结构及表型暴露等多维信息，支持快速检索化学物对基因的影响及其所致疾病，常用于环境健康机制研究和毒性标志物识别分析。

1.3 数据获取与预处理此次研究基于GEO数据库(https://www.ncbi.nlm.nih.gov/geo/)构建多队列分析框架：首先，构建训练集。纳入海马体特异性数据集：GSE5281(13例正常样本vs. 10例阿尔茨海默病样本)与GSE48350(43例正常样本vs. 19例阿尔茨海默病样本)。采用R软件“SVA”的ComBat算法校正批次效应，消除平台间技术变异，同时，通过mod参数构建包含疾病表型(阿尔茨海默病/正常)的模型矩阵，以此保护真实的生物学差异；随后，应用“limma”包中的normalize Between Arrays函数进行分位数标准化，确保跨数据集表达谱具有可比性，最终获得85例样本(56例正常样本vs. 29例阿尔茨海默病样本)作为训练队列。其次，使用独立验证集进行验证。选用GSE33000数据集(157例正常样本vs. 310 阿尔茨海默病样本)，样本均来自GPL570平台(Affymetrix Human Genome U133 Plus 2.0 Array)。最后，进行特征基因集选取。m6A调控因子从NCBI网站(https://www.ncbi.nlm.nih.gov/)共获得27个m6A甲基化调控相关基因。铁死亡相关基因来自文献报道的259个铁死亡核心调控基因[21]。

1.4 差异表达m6A调控因子筛选从训练集中共获取到23个m6A调控基因(不包括真核翻译起始因子3、脆性X智力低下蛋白、RNA结合基序蛋白x连锁和甲基转移酶样蛋白16)表达矩阵，使用Wilcoxon秩和检验进行组间差异分析，设定显著性阈值(错误发现率FDR < 0.05)，鉴定显著差异表达的m6A调控因子，绘制小提琴图可视化展示。对DE-m6A进行基因组定位分析，使用R软件包“Omiccircos”构建circos图可视化。
1.5 m6A关联的铁死亡基因筛选采用Spearman秩相关算法，系统评估了差异表达m6A基因与259个铁死亡相关基因之间的相关性。设置严格筛选阈值：相关性系数绝对值≥0.4(中等以上相关强度)，P < 0.05(经Benjamini-Hochberg校正)，获取与m6A相关的铁死亡基因。
1.6 机器学习筛选阿尔茨海默病特征基因采用基于支持向量机的递归特征消除算法(R软件“e1071”包)，同时运用Boruta特征选择方法(R软件“Boruta”包)分别筛选阿尔茨海默病特征基因，基于支持向量机的递归特征消除分析参数设置：k=10，halve.above=100，n fold=10，通过基于支持向量机的递归特征消除分析，获得了基于支持向量机的递归特征消除预测精确度与特征数的关系；对前面获得的16个DE-m6A-FRG进行Boruta分析，参数设置：
P value=0.05，mcAdj=T，maxRuns=300，筛选得到特征基因；通过Jvenn在线工具(http://jvenn.toulouse.inra.fr)可视化分析获取两种方法的共有基因集，最终确定阿尔茨海默病特征基因。基于训练集样本数据，利用Wilcoxon秩和检验对特征基因在阿尔茨海默病样本与正常样本的组间差异表达量进行校验，绘制箱线图展示。运用“clusterProfiler”包进行基因本体和京都基因与基因组百科全书通路富集分析。采用基因集富集分析策略，以Benjamini-Hochberg法校正多重假设检验，以P < 0.05为显著富集结果，系统解析特征基因涉及的生物学过程、分子功能及关键信号通路。
1.7 阿尔茨海默病特征基因诊断模型构建与效能评估为了评估特征基因对阿尔茨海默病的预测性能，基于筛选获得的阿尔茨海默病特征基因集合，采用“randomForest”包(ntree=500，mtry=sqrt (n_features))执行随机森林分析、“xgboost”包(learning_rate=0.1，n_estimators=100)执行极限梯度提升分析、“e1071包”执行朴素贝叶斯分析、“glmnet”包(alpha=1，采用10折交叉验证优化正则化参数)实施逻辑回归模型分析，构建疾病诊断预测模型。此外，为了评估4种模型的预测性能，在训练集和测试集中，通过“pROC”包绘制受试者工作特征曲线，计算曲线下面积，进而挑选出最优模型。曲线下面积取值界于0.5-1之间，该值越大说明准确性越高。
1.8 免疫细胞浸润分析基于既往发表的文献，选取29个免疫特征基因集(涵盖16种免疫细胞亚群、13条免疫调控通路及功能模块)[22]，采用单样本基因集富集分析算法(R语言“GSVA”包)，量化训练集样本的免疫浸润特征。应用Wilcoxon秩和检验识别训练集阿尔茨海默病样本与正常样本组间显著差异的免疫相关基因集(FDR校正P < 0.05)，采用“ggplot2”包绘制箱线图展示分布差异。利用“Spearman”方法计算阿尔茨海默病关键基因与29种免疫相关基因集的相关性，用R软件包“ggplot2”绘制气泡图进行展示。
1.9 特征基因转录因子-miRNA-mRNA网络构建及潜在药物预测基于上述筛选的阿尔茨海默病特征基因，分别在miRwalk3.0数据库(http://mirwalk.umm.uni-heidelberg.de/search_genes/)和ENCORI数据库(https://starbase.
sysu.edu.cn/agoClipRNA.php?source=mRNA)找到基因对应的miRNA后取交集，筛选 mRNA-miRNA关系对。利用NetworkAnalyst(https://www.networkanalyst.ca/NetworkAnalyst/uploads/ListUploadView.xhtml)搜索关键基因对应转录因子，获得转录因子-mRNA互作信息。构建转录因子/miRNA-mRNA网络，利用Cytoscape软件进行可视化展示。在CTD数据库(http://ctdbase.org/)中，输入特征基因预测治疗阿尔茨海默病的潜在药物，分析预测药物与关键基因之间的相互作用关系。
1.10 动物实验验证
1.10.1 实验动物与伦理审查此次研究严格遵循实验动物伦理规范，实验方案经齐齐哈尔医学院动物伦理委员会批准(伦理审查批件号：QMU-AECC-2023-105)。选用SPF级APP/PS1双转基因阿尔茨海默病模型小鼠及同源野生型对照(WT)各6只(雌雄各半)，8月龄(APP/PS1双转基因小鼠对应阿尔茨海默病病理明确期/中期阶段)，雄性小鼠体质量28-35 g，雌性小鼠体质量24-28 g，购自江苏华创信诺医药科技有限公司(合格证号：2023022341)。所有小鼠在标准SPF环境中适应性饲养3 d，保持
12 h昼夜节律，自由摄食饮水。
1.10.2 样本采集与处理经戊巴比妥钠(50 mg/kg)腹腔注射深度麻醉，处死后快速剥离全脑组织，用预冷的PBS清洗，分离双侧海马体置于冻存管内，于液氮中速冻，转存-80 ℃超低温冰箱。
1.10.3 RNA提取与qRT-PCR验证采用TRIzol™法提取海马组织总RNA，经Nanodrop 2000检测纯度(A260/A280=1.8-2.1)及Agilent 2100生物分析仪评估完整性。使用gDNA Eraser清除基因组DNA(42 ℃ 2 min)，PrimeScript™ RT试剂盒合成cDNA (37 ℃ 15 min，85 ℃ 5 s)。qPCR反应体系含SYBR® Premix Ex Taq™Ⅱ 5 μL、ROX Reference DyeⅡ0.2 μL、RNase-free H2O 1.3 μL、cDNA temple 1.5 μL及Primer 2 μL，使用扩增引物见表1。扩增程序：95 ℃预变性
30 s，40循环(95 ℃ 5 s，60 ℃ 31 s)，熔解曲线分析验证扩增特异性。以β-actin为内参，2-ΔΔCt法计算基因相对表达量。数据经ABI 7300 SDS v1.4采集，记录数据。
1.10.4 Western Blotting实验取-80 ℃备用的海马组织样本，充分裂解提取蛋白，使用BCA蛋白质浓度测定试剂盒测定样品蛋白浓度。样本与上样缓冲液混合、煮沸变性。进行SDS-PAGE电泳，采用湿转法将蛋白从凝胶转移至PVDF膜上，封闭1 h，滴加一抗，4 ℃孵育过夜。次日TBST洗膜，滴加HRP标记的二抗，室温孵育1 h。滴加ECL发光液显影，使用Image J图像处理软件分析目标条带。实验试剂包括FH抗体、GOT1抗体、HRAS抗体、SETD1B抗体、MT3抗体(美国Proteintech，货号：11375-1-AP，18295-1-AP，18295-1-AP，55005-1-AP；美国Santa，货号：sc-293488)，β-actin抗体(北京博奥森生物技术有限公司，货号：BS-0061R)。抗体稀释比例HRAS、FH、MT3、GOT1、SETD1B依次为1∶2 000，1∶2 000，1∶1 000，1∶2 000，1∶1 000。
1.11 统计学分析采用SPSS 27.0软件和Graph Pad Prism 10.1.2执行统计分析以及绘图，正态分布数据以x±s表示，两组独立样本比较应用t-test分析。文章统计学方法已经由齐齐哈尔医学院统计学专家韩云峰审核。

讨论

阿尔茨海默病是一种以进行性认知功能障碍和神经元退化为核心特征的神经退行性疾病，其病理机制涉及β-淀粉样蛋白沉积、Tau蛋白异常磷酸化及神经炎症等多重因素，然而在阿尔茨海默病病因中表观遗传调控与铁代谢失衡的协同作用尚未完全阐
明[23]。此次研究通过整合生物信息学分析、机器学习算法，系统解析阿尔茨海默病患者海马组织中m6A修饰、铁死亡通路及免疫微环境的交互网络，首次揭示m6A表观遗传调控通过铁死亡途径驱动阿尔茨海默病进展的分子机制，并筛选出具有诊断潜力的关键生物标志物，为阿尔茨海默病的精准干预提供了新视角。
表观遗传修饰是指在DNA序列不变的情况下，基因表达发生可遗传变化的机制，包括DNA甲基化、组蛋白修饰、RNA修饰、非编码RNA调控等。RNA修饰作为一种转录后调控机制，目前已被发现的种类超过170种，其中RNA甲基化超过总修饰类型的60%。在m6A、5-甲基胞嘧啶(m5C)、3-甲基尿嘧啶(m3U)和7-甲基鸟苷(m7G)等甲基化修饰中，m6A是mRNA中最常见的修饰类型[24-26]。m6A通过影响RNA的剪接加工、细胞内定位、蛋白质翻译效率以及稳定性等过程，参与多种病理生理活动的调控[27]。m6A修饰是一个动态可逆的调控过程，该过程由3类关键蛋白协同调控：甲基转移酶(writers)催化甲基化修饰的形成，去甲基化酶(erasers)介导甲基的去除，二者协同调控m6A修饰稳态；同时，甲基化阅读蛋白(readers)通过特异性识别m6A修饰位点发挥相应的生物学功能[28]。常见的m6A甲基转移酶有METTL3、METTL4、 METTL16、WTAP等[29]。METTL3是首个被鉴定的m6A甲基转移酶，作为催化核心与METTL14形成复合物共同介导m6A修饰。其中METTL3负责催化反应，METTL14则特异性识别底物[30]。
WTAP是一种广泛表达的核蛋白，早期研究确认其具有RNA剪接调控功能，后证实其能与METTL3/METTL14共同组成甲基转移酶复合物参与m6A修饰。WTAP本身没有催化活性，但可通过帮助甲基转移酶复合物定位而调控m6A修饰[31]。研究发现，m6A修饰在阿尔茨海默病的病理过程中发挥重要作用，阿尔茨海默病患者体内参与甲基化修饰的关键酶表达水平和组成比例均发生变化，并通过调节β-淀粉样蛋白生成过程、加剧tau蛋白的异常磷酸化程度及激活小胶质细胞相关的神经炎症通路等途径，从而参与阿尔茨海默病的病理进程[32]。此次研究证实，阿尔茨海默病患者海马组织中METTL14及WTAP的mRNA表达水平显著上调。
铁死亡作为一种铁依赖的调节性细胞死亡形式，其核心特征是磷脂氧化应激反应，该过程受到铁离子代谢、线粒体活性、氧化还原平衡以及多种病理相关信号通路的协同调控[33-34]。
近年研究表明，METTL14及WTAP可介导肿瘤细胞与非肿瘤细胞的铁死亡发生。在肿瘤微环境中，敲除METTL14可抑制癌细胞的铁死亡发生，促进其增殖、侵袭和迁移[35]；进一步机制研究表明，METTL14以m6A依赖性方式促进活性氧的积累，并上调铁死亡通路相关蛋白的表达，从而诱导肝癌细胞发生铁死亡[36]。WTAP可介导肿瘤细胞铁死亡，表型上发现其在膀胱癌组织和细胞中表达上调，促进膀胱癌细胞活力，抑制Erastin诱导的细胞铁死亡。其机制在于，内源性抗氧化因子核因子E2 相关因子 2 RNA的3′-UTR上具有m6A修饰位点，WTAP可以使其甲基化，并通过m6A读取器YTHDF1进行识别，增强核因子E2 相关因子 2 mRNA的稳定性、调控细胞内核因子E2 相关因子 2 蛋白表达，进而加强抗氧化应激、抑制膀胱癌细胞铁死亡发生[37]。
在非肿瘤组织中，抑制血管平滑肌细胞中METTL14表达可阻断铁死亡，缓解动脉粥样硬化病变 [38]；而在髓核细胞中，METTL14 通过 m6A-酰基辅酶A合成酶长链家族成员4途径加速铁死亡并触发细胞衰老表型，推动椎间盘退变进程[39]。此外，WTAP还通过调控雄激素受体m6A修饰，影响心肌成纤维细胞脂质氧化与增殖，参与糖尿病心肌病的发生发展[40]。
综上所述，m6A修饰酶对肿瘤细胞和非肿瘤细胞的铁死亡过程均具有重要调控作用，但其对神经退行性疾病的影响仍需进一步探索。为解析阿尔茨海默病疾病中m6A-铁死亡调控网络中的关键效应分子，此次研究结合机器学习法进行深度挖掘，筛选出5个与
METTL14和WTAP相关联且差异表达的铁死亡基因(FH、GOT1、HRAS、MT3、SETD1B)，这些基因被鉴定为阿尔茨海默病发生的核心特征基因。
FH基因编码延胡索酸水合酶，是三羧酸循环中的关键酶，在细胞能量代谢中发挥关键作用。研究表明，铁死亡与线粒体功能和代谢密切相关，FH的活性异常可能通过破坏线粒体能量代谢稳态，改变神经细胞对铁死亡的敏感性[41-42]。GOT1基因编码细胞质中天冬氨酸转氨酶蛋白，其作为真核细胞中谷氨酸草酰乙酸转氨酶的独特胞质同工酶，在氨基酸代谢和能量代谢中发挥重要作用[43]。该酶通过调控谷氨酸代谢途径，可间接影响细胞氧化还原稳态[44]。鉴于铁死亡的核心机制涉及氧化还原失衡，GOT1可能通过代谢重编程途径调控铁死亡进程，从而参与阿尔茨海默病的病理发展[45]。
最新研究证实，抑制GOT1可通过触发铁死亡，促进胰腺癌细胞死亡[46]。HRAS基因编码GTPase HRas蛋白，是Ras超家族成员中重要的信号转导分子。HRas蛋白通过调控脂肪酸合成酶等脂质代谢相关分子，促使细胞积累多不饱和脂肪酸，这类脂肪酸更易发生脂质过氧化反应，从而形成铁死亡的关键分子基础[47-48]。MT3基因编码金属硫蛋白3蛋白，其作为中枢神经系统高表达的重金属结合蛋白，具有维持金属离子稳态和清除活性氧的双重功能[49]。在铁死亡过程中，MT3表达异常可能削弱其铁离子螯合能力和抗氧化功能，导致细胞内铁蓄积和芬顿反应增强，进而加剧脂质过氧化损伤并加速神经元退行性变[50]。SETD1B基因编码组蛋白甲基转移酶，该酶通过表观遗传调控机制影响基因表达谱，其功能异常可能通过两种途径促进铁死亡：一是抑制谷胱甘肽过氧化物酶等抗氧化酶基因表达，降低细胞抗氧化防御能力；二是改变铁调蛋白等金属代谢相关基因的染色质可及性，扰乱铁稳态[51]。
此次研究通过受试者工作特征曲线分析评估关键基因的诊断价值，结果显示训练集预测效能良好(曲线下面积=0.873)，经独立验证集进一步验证后，其曲线下面积值提升至0.904。该结果不仅证实筛选基因在模型训练中具有稳定的判别能力，更在外部验证中展现出优异的泛化性，表明其作为生物标志物对阿尔茨海默病的早期筛查和发病预测具有重要诊断价值，为阿尔茨海默病的分子诊断提供了潜在依据。
此次研究在训练集阿尔茨海默病样本与正常样本中筛选出免疫差异表达基因，即趋化因子受体与浆细胞样树突状细胞，其均与关键基因HRAS呈显著正相关。免疫浸润在阿尔茨海默病病程中具有双重生物学效应：生理状态下构成对抗病理损伤的防御屏障，而过度浸润则可能诱发继发性脑损伤。在机制上，HRAS的激活可上调趋化因子配体5的表达，趋化因子配体5通过与浆细胞样树突状细胞表面组成高表达的趋化因子受体5受体结合，激活趋化因子配体5/趋化因子受体5信号轴，进而触发浆细胞样树突状细胞等免疫细胞的定向趋化迁移，促进其向病灶区域募集[52]。值得注意的是，这些免疫细胞在清除β-淀粉样蛋白等病理蛋白的过程中会释放肿瘤坏死因子α、白细胞介素1β等促炎因子，此类炎症递质在发挥保护作用的同时，可能通过损伤神经元及神经胶质细胞加剧神经炎症反应，最终促进神经退行性病变进程[53]。
目前，由FDA批准的缓解阿尔茨海默病改善认知功能的临床药物，主要包括胆碱酯酶抑制剂(如多奈哌齐)和N -甲基-D-天冬氨酸受体拮抗剂(如美金刚)，研发更为有效的阿尔茨海默病治疗药物仍然处于探索阶段[54-55]。此次研究基于5个阿尔茨海默病特征基因构建调控网络，预测37个miRNA、142个转录因子及71种候选化合物，为阿尔茨海默病药物靶点筛选提供了新方向。然而，该研究存在以下局限：首先，尽管生物信息学分析结果已通过动物实验验证，但所使用的APP/PS1小鼠模型样本量偏小可能导致实验结果验证不够充分；其次，筛选的候选药物需进一步开展药效学评价。后续研究拟进一步扩大样本量，并将验证工作拓展至海马以外的多种组织及细胞分子水平，开展天然系统验证。综上所述，此次研究发现的m6A相关铁死亡基因(FH、GOT1、HRAS、MT3、SETD1B)具有重要研究价值，未来研究将深入探讨它们作为阿尔茨海默病诊断生物标志物及治疗靶点的可行性，为疾病机制解析和诊疗策略优化提供理论依据。
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

文章快阅

延伸阅读

此次研究整合机器学习、生物信息学与分子生物学验证，系统解析阿尔茨海默病中N6-甲基腺嘌呤(m6A)表观转录组修饰与铁死亡基因的互作关系，鉴定阿尔茨海默病发病的特征基因，并阐明其通过免疫微环境调控参与疾病机制的潜在关联，为阿尔茨海默病早期诊断及精准治疗提供生物标志物。基于机器学习筛选出具有阿尔茨海默病诊断潜力的N6-甲基腺嘌呤相关铁死亡特征基因，锁定延胡索酸水合酶(Fumarate hydratase，FH)、天冬氨酸转氨酶(Aspartate aminotransferase，GOT1)、HRas蛋白(GTPase HRas，HRAS)、金属硫蛋白3(Metallothionein-3，MT3)、组蛋白赖氨酸N -甲基转移酶SETD1B(Histone-lysine N-methyltransferase SETD1B，SETD1B)5个与N6-甲基腺嘌呤修饰酶甲基转移酶样蛋白14/ Wilms肿瘤1相关蛋白调控相关的铁死亡基因，作为阿尔茨海默病的特征基因；进一步探讨了阿尔茨海默病特征基因与免疫微环境的相互作用，发现细胞因子趋化因子受体和浆细胞样树突状细胞与关键基因HRAS呈强正相关性，揭示了N6-甲基腺嘌呤-铁死亡轴可能通过特定免疫亚群影响阿尔茨海默病进程；通过分子生物学方法qRT-PCR以及Western Blotting实验，以APP/PS1(APPswe/PSEN1dE9)双转基因小鼠为研究对象，取其海马组织对关键基因进行实验验证。此次研究整合N6-甲基腺嘌呤表观转录组修饰、铁死亡机制与免疫浸润三重维度，揭示其在阿尔茨海默病中的协同调控作用，突破既往研究多聚焦于单一机制的局限，为阿尔茨海默病新型生物标志物筛查体系开发提供理论支撑。

阿尔茨海默病中m6A相关铁死亡基因表达与免疫浸润：机器学习和分子生物学验证

m6A-related ferroptosis gene expression and its association with immune infiltration in Alzheimer’s disease: machine learning and molecular biology validation

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]	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.
[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]	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.
[4]	邹荣基, 喻芳芳, 王茂林, 贾卓鹏 . 雷公藤内酯酮抑制铁死亡改善大脑动脉闭塞/再灌注模型大鼠脑缺血再灌注损伤[J]. 中国组织工程研究, 2026, 30(4): 873-881.
[5]	杨肖, 白月辉, 赵甜甜, 王东昊, 赵琛, 袁硕. 颞下颌关节骨关节炎软骨退变：机制及再生的挑战[J]. 中国组织工程研究, 2026, 30(4): 926-935.
[6]	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.
[7]	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.
[8]	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.
[9]	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.
[10]	苏介茂, 齐岩松, 孔柯瑜, 翟赞京, 徐永胜. 软骨细胞铁死亡在骨关节炎发病中的作用[J]. 中国组织工程研究, 2026, 30(24): 6282-6288.
[11]	郑鹏, 贾晓宁, 陶经纬, 范筱. 川芎嗪调控脊髓损伤模型大鼠Keap-1/Nrf2信号通路改善铁代谢紊乱[J]. 中国组织工程研究, 2026, 30(23): 6134-6141.
[12]	周闻, 杨宏伟. 靶向铁死亡治疗类风湿关节炎的分子机制及天然药物筛选[J]. 中国组织工程研究, 2026, 30(23): 6051-6061.
[13]	胡亚琳, 黄凤琴, 杨伯银, 罗兴梅. 转录因子EB介导自噬溶酶体通路改善阿尔茨海默病[J]. 中国组织工程研究, 2026, 30(22): 5844-5858.
[14]	黄玉珊, 王荣荣, 李湘淼, 白金柱. 前列腺素E1预处理抑制脊髓缺血再灌注损伤后模型大鼠内皮细胞的铁死亡[J]. 中国组织工程研究, 2026, 30(22): 5716-5727.
[15]	唐岑, 胡万芹. 构建基于子宫内膜自噬相关基因水平的复发性流产诊断模型[J]. 中国组织工程研究, 2026, 30(22): 5728-5738.