Nature communications | 转录组学分析以揭示在阿尔茨海默病中与选择性海马易感性...
阿尔兹海默病（AD）
阿尔茨海默病（AD）是一种多因素导致的神经退行性疾病，以两种错误折叠蛋白的异常聚积为特征，这两种蛋白是tau蛋白和β淀粉样蛋白（Aβ）。尽管这两种蛋白的异常聚积都是AD的标志性特征，它们却有不同的聚积方式。
Aβ沉积是淀粉样前体蛋白的酶切结果，而tau蛋白的异常聚积是由于翻译后修饰导致的微管蛋白的稳定性破坏。Aβ斑块沉积聚积在细胞外间隙，根据Thal等发现的淀粉样蛋白的沉积顺序，首先出现在皮层，之后进入边缘系统、间脑、脑干，最后到达小脑。Tau蛋白在细胞内沉积成为神经原纤维缠结，根据Braak分期，其沉积顺序首先是首先起始于皮质下核团和内嗅皮层，之后是边缘系统和邻近皮层，最后是初级皮层。
可以看出的是，两个在AD脑中有着不同沉积轨迹的特征性蛋白在开始它们独特的神经解剖学征程前，都在边缘系统中出现，尤其是海马区域。
因此，来自美国梅奥医学中心的Melissa E. Murray教授团队使用RNA测序和数字病理学相结合的方法揭示了AD中海马易感性相关基因，该成果于2021年4月发表在《Nature communications》杂志上，题目为“Transcriptomic analysis to identify genes associated with selective hippocampal vulnerability in Alzheimer's disease”。
该研究发现Aβ斑块病理表现可以用于预测且很少会偏离Thal等发现的淀粉样蛋白的沉积顺序。然而，对于tau病理，该团队通过客观的数学算法评估皮质-边缘系统的神经原纤维缠结的沉积方式，发现了三种AD亚型，分别为海马保护型AD、典型AD和边缘受累型AD（图1）。
典型AD的脑组织表现为Braak分期的神经原纤维缠结的沉积顺序即皮层和海马均受累。相反的，海马保护型AD表现为皮层的严重受累而海马受累较轻，边缘受累型AD则表现为海马严重受累而皮层轻度累及。进一步研究这些亚型的临床相关性，发现了人口学信息和临床差异的相互影响，这些亚型之间在发病年龄、性别和APOEε4状态方面具有显著的差异。
鉴于目前发现的AD不同亚型之间神经病理学和临床信息的差异，该团队提出了一个假设，疾病谱的不同分类可能可以发现转录组的改变，而转录组的改变提示着AD中海马区域选择性易感的原因。
图1. 研究流程图
1. AD中海马易感性的批量转录分析
该研究的具体流程见图1。通过将AD患者尸检脑组织进行分类，将RNA测序结果分成两组：代表性表型组（对照组与典型AD）和极端表型组（海马保护型AD与边缘受累型AD）。
对两组的RNA数据分别进行分析，该团队发现在典型AD（与对照组相比）和边缘受累型AD（与海马保护型AD相比）中，大多数基因都是下调的。同时，在典型AD中的差异基因多与细胞生长和增殖相关，而在边缘受类型AD中大多数基因与炎症和免疫反应相关。（图2）
图2. AD患者尸检脑组织的基因差异表达
2. 神经病理学转化方法
为了进一步发掘与AD神经病理和认知相关性较强的基因的表达情况，该团队将上述得到的差异基因进行组间差异表达排序。
简单来说，将基因的表达情况在4个分组中进行排序，如果符合随着对照组-海马保护型AD组-典型AD组-边缘受累型AD组的顺序依次表达上调的情况（如SIRT1）或随着边缘受累型AD组-典型AD组-海马保护型AD组-对照组的顺序依次表达下调的情况（如PSEN2）则被称为单向的基因表达改变，可用于后续分析。最终该团队得到了79个符合单向改变的基因，并发现其中的44个基因与淀粉样蛋白沉积分期、tau病理、神经原纤维成熟或Braak分期相关联。
3. 机器学习发现AD神经病理相关基因
该团队使用随机森林分析方法筛选可以用于预测AD中海马易感性的基因；发现了SERPINA5, RYBP, SLC38A2, FEM1B和PYDC1可以很好的区分AD和对照组，然而只有SERPINA5在代表性AD组和极端AD组中均具有预测性，该基因在代表性AD组是排名第二的预测因子，在极端AD组排名第三，总体排名第一。
4. 丝氨酸蛋白酶抑制剂SERPINA5可以作为tau蛋白的互作因子
为了验证SERPINA5与疾病的相关性，该团队首先分析了该基因在AD中的差异表达，结果表明SERPINA5在AD中表达上调。该研究进一步发现SERPINA5与典型AD海马中出现tau病理的神经元存在共定位，并且该基因随着海马保护型AD组-典型AD组-边缘受累型AD组的顺序呈现出单向增加趋势。
同时，随着神经原纤维的逐渐成熟和沉积加重，SERPINA5也从分散到聚集，并散布在tau阳性的神经炎性斑中。（图3）
图3. SERPINA5作为tau的互作引子在神经原纤维和神经炎性斑中表达
5. 结论：
该研究将神经病理学转化方法用于基因排序，结合机器学习，试图发现疾病进程中相关基因的表达改变，最终找到了AD发病过程中与海马易感性相关的一些关键蛋白，同时，发现了SERPINA5与tau蛋白存在互相作用。
该团队认为，在大数据时代，人类疾病数据库的挖掘和机器学习方法与多个方面的功能验证相结合，有助于发掘与疾病密切相关的候选基因或蛋白，或许可以控制或阻止疾病的进一步恶化和进展。