identifying gender-specific glial cell biomarkers in alzheimer&#39;s disease

Sex-Specific Glial Biomarkers in Alzheimer&#39;s Disease: A Transcriptome Analysis

Alzheimer&#39;s disease (AD) is a global disease with high incidence, and it accounts for 60%-80% of dementia1. Despite its high incidence, the mechanistic pathogenesis of AD is not clearly delineated, and there have been no effective therapeutics until now2. The main pathologies in AD were identified as neuronal atrophy and the accumulation of pathological debris, mainly microtubule-associated protein Tau, and &#946;-amyloid (A&#946;)3,4. The pathogenesis of AD is associated with abnormal autophagy, oxidative stress, mitochondrial dysfunction, inflammation, and energy metabolism disorder5. Prevalence surveys proved that two-thirds of AD patients were women6. Sex-specific differences in AD exist in the etiology, clinical manifestations, prevention, and treatment. Thus, revealing the biological mechanism that causes sex-specific differences in AD and targeting traditional Chinese medicine (TCM) can potentially provide a more comprehensive theoretical framework to understand the pathogenesis of AD, and to further guide accurate treatment strategy.
Neuroglial cells, especially microglia, astrocytes, and oligodendrocytes, potentially contribute to the pathogenesis of AD. In AD, microglia are activated and genetically altered, which contribute to inflammatory response, phagocytosis, and A&#946; clearance7,8; astrocyte is genetically altered, which affects synaptic activity, ion homeostasis, and energy and lipid metabolism9; oligodendrocyte is genetically altered with sex specificity, which contributes to neuronal loss, neurofibrillary tangles, and white matter lesions10,11.
In this study, we employed single-nuclei RNA sequencing (snRNA-seq) as a superior technique. Compared to single-cell RNA sequencing (scRNA-seq), snRNA-seq offers advantages in terms of sample richness, cell type integrity, and data reliability12,13. SnRNA-seq has been extensively utilized in studies focusing on AD and exploring the role of glial cells14,15,16. Its wide adoption in these research areas highlights its effectiveness in providing valuable insights into the transcriptional characteristics of glial cells in AD. By leveraging the advantages of snRNA-seq, researchers have been able to uncover crucial information regarding the involvement of glial cells in AD pathology and identify potential therapeutic targets. In order to explore sex-specific neuroglial transcriptional characteristics in AD and potential TCMs for sex specificity of AD, this study analyzed snRNA-seq data from the frontal cortex of AD patients from the NCBI GEO public database. Sex-specific differentially expressed genes (DEGs), Gene Ontology (GO), Kyoto Encyclopedia of Genes and Genomes (KEGG), Protein-protein interaction (PPI) network, and gene-TF-miRNA network are further analyzed to reveal key biomarkers and potential pathogenesis. Finally, potential TCMs were suggested, and their active ingredients were displayed with tables by searching the Coremine Medical, TCMIP, and TCMSP databases.

Author Spotlight: Exploring Sex-Specific Glial Signatures and Therapeutic Leads for Alzheimer&#39;s Disease

Identificatie van biomarkers voor genderspecificiteit van de ziekte van Alzheimer op basis van de gliale transcriptoomprofielen

Identificatie van geslachtsspecifieke biomarkers voor gliacellen bij de ziekte van Alzheimer

Download om te beginnen de gegevensbestanden van Alzheimer voor het samenvoegen van voorbeelden en configureer de gegevenspaden en voorbeeldnamen. Importeer de gedownloade voorbeelden en wijs er geslachtsspecifieke namen aan toe onder de functienamen. Met behulp van de functielijst en Read10x genereert u Seurat-objecten voor alle monsters op een batchverwerkingsmanier en specificeert u de parameters van minimale cellen tot 3 en minimale kenmerken tot 200.Met de functie RenameCells voegt u voorbeeld-id's toe als voorvoegsels aan de celstreepjescodes om ze tijdens het samenvoegproces te behouden. Voor kwaliteitscontrole berekent u met behulp van de functie PercentageFeatureSet de mitochondriale erytrocyt- en ribosoomgenverhoudingen voor elke cel. Sla deze berekende verhoudingen op in de metagegevens met behulp van de operator dubbele vierkante haken om deze informatie rechtstreeks aan de metagegevens van elke cel toe te voegen.Gebruik de subsetfunctie om celfiltratie uit te voeren met de juiste parameters voor RNA, mitochondriën, ribosomen en erytrocyten. Normaliseer de gegevens met behulp van de functie NormalizeData. Identificeer met de FindVariableFeatures de top 2000 variabele kenmerken in de gegevensset.Gebruik RunPCA om een analyse van hoofdcomponenten uit te voeren op de gegevens, waarbij 50 hoofdcomponenten behouden blijven. Genereer met behulp van de functie ElbowPlot een elleboogplot om het optimale aantal dimensies te bepalen voor latere analyse. Rekening houdend met de eerste 50 dimensies, selecteert u schaalgegevens om alle objecten op een vergelijkbare schaal weer te geven.Identificeer met de functie FindNeighbors de dichtstbijzijnde buren op basis van 30 dimensies en voer het UMAP-algoritme uit om de dimensionaliteit van de gegevens terug te brengen tot 30 dimensies. Selecteer de functie DimPlot om de verwerkte gegevens te visualiseren met de reductieparameter ingesteld op UMAP in de groep. door parameters die zijn ingesteld op de oorspronkelijke identiteit.Gebruik de SCTransform-functie om de gegevens te normaliseren en te standaardiseren en het harmony-algoritme toe te passen om de resterende gegevens met één kern te integreren. Selecteer de SCT-test voor integratie en stel het maximale aantal harmonie-iteraties in op 20. Voer vervolgens de functie FindClusters uit en stel de resolutieparameter in op 0,07 om afzonderlijke clusters in de gegevens te identificeren, terwijl u de functie RunUMAP gebruikt om de dimensionaliteit van de gegevens verder te verminderen en de clusters in een lagere dimensionale ruimte te visualiseren.Identificeer voor de annotatie van het celtype de heterogeniteit van het cellulaire cluster en classificeer het type van elke clustercel met behulp van de expliciet tot expressie gebrachte markergenen. Presenteer verschillende cellulaire typen met UMAP-visualisatie met behulp van het ggplot2-pakket, waarbij verschillende celtypen worden gemarkeerd met verschillende kleurcodes. Bereken ten slotte de verhoudingen van elk celtype, gestratificeerd naar geslacht.Met behulp van deze methode werden de verhoudingen voor elk celtype, uitgesplitst naar geslacht, geïdentificeerd in de gegevens van 17 mannelijke en 17 vrouwelijke patiënten met de ziekte van Alzheimer. Gemiddelde expressies van de bekende celtypemarkers voor elk gliaceltype werden geprojecteerd op de UMAP-plots om de celpopulaties te identificeren.

Research

JoVE Journal

Neuroscience

Identifying Gender-Specific Glial Cell Biomarkers in Alzheimer&#39;s Disease

Biomarker Identification for Gender Specificity of Alzheimer's Disease Based on the Glial Transcriptome Profiles

Many sex-specific biomarkers have been recently revealed in Alzheimer&#39;s disease (AD); however, cerebral glial cells were rarely reported. This study ...