文献解读 MiRNA调控异常及其在精神分裂症治疗中的潜在应用

Posted 2023-04-30

参考技术A

空闲时间，

也不要懒惰呀！

来和小喵一起看看文献吧！

今天这篇文献主要是说

MiRNA调控异常及其

在精神分裂症治疗中的潜在应用

论文：Dysregulation of miRNA and its potential therapeutic application in schizophrenia（MiRNA调控异常及其在精神分裂症治疗中的潜在应用）

虽然人们普遍认为遗传和发育因素在精神分裂症的发病机制中起着关键作用，但精神分裂症的确切病因机制尚不清楚。 在过去的几十年里，miRNAs已经成为基因表达调控中必不可少的转录后调节因子。

MiRNA在脑发育和神经可塑性中的重要性已经被证实。 MiRNAs的异常表达和功能异常参与了包括精神分裂症在内的许多神经精神疾病的病理生理过程。

本文综述了精神分裂症相关miRNA调控异常的最新发现及其在精神分裂症发生发展中的作用。 我们还讨论了miRNA调控在疾病中的潜在治疗意义。

许多研究使用死后脑样本分析miRNA的表达谱。 Perkins等人使用定制微阵列(miRBaseVersion7.0)检测了13例精神分裂症患者死后前额叶皮质(PFC)的miRNA谱。 与21名精神上未受影响的个体相比，他们发现在精神分裂症患者中有15种miRNAs的差异表达，其中14种miRNAs被下调，1种miRNA(miR-106b)被上调。

在颞叶上回(STG)皮层灰质中也有miR-181 b的显著上调，STG是参与精神分裂症幻听产生的脑区。 鉴定了miR-181 b的两个靶基因： 钙 传感器基因粘蛋白样1(VSNL 1)和嗜离子谷氨酸受体亚基(GRIA 2)。

同一组进一步观察到，STG和背外侧前额叶皮质(DLPFC)在死后组织中的整体miRNA表达明显增加。 这种miRNA的高表达被认为是由于微处理机元件Dgcr 8的初级miRNA处理和上调所致。

然而，来自Berveridge的研究的数据与Perkin的报告不一致。 一些miRNAs，如miR-26b，miR-29c和miR-195，据报道在珀金斯的研究中被下调，但在Berveridge的结果中被发现被上调。 关于精神分裂症患者miRNA表达改变的报道不断积累。

然而，miRNA表达谱的结果有些争议。 MiRNA表达数据的差异可通过样本大小、治疗方案、性别因素和技术应用的差异(如不同的miRNA提取方法和miRBase测试版本)来解释。 此外，miRNAs在人脑中的时间表达模式也可能导致冲突的发生。

为了探讨miRNA作为生物标志物的潜在作用，一些研究集中在精神分裂症患者外周血miRNA的表达上。 Gardiner等人检测了112名精神分裂症患者和76名对照者外周血单个核细胞(PBMC)中miRNA的表达。他们发现精神分裂症患者的83个miRNAs明显减少。

赖等人同时，分析了精神分裂症患者和对照组单个核白细胞的全基因组miRNA表达谱。 7种miRNAs(上调：MIR-34a，miR-449a，miR-564，miR-548d，miR-572 miR-652；下调：MIR-432)被确定为精神分裂症的预测生物标志物。 有趣的是，他们发现7个miRNAs在PBMC中的表达不受住院2个月的影响，即使临床症状明显改善。

我们还注意到，hsa-miR-34a和hsa-miR-548 d在脑样本中的表达没有改变。 魏等人在较大样本中筛选出血浆miRNA谱，并鉴定了8种差异表达的miRNAs(miR-122、miR-130 a、miR-130 b、miR-193 a-3p、miR-193 B、miR-502-3p、miR-652、miR-886-5p)。

他们还发现，阿立哌唑和利培酮治疗1年后，患者血浆中miR-130b和miR-193a-3p水平的升高消失， 并提出了作为精神分裂症预后的生物标志物的潜在作用。

此外，Galleo等人还比较了精神分裂症患者和健康对照者脑脊液(CSF)和全血的miRNA表达谱。 而脑脊液和血液中miRNA的表达水平相关性较差。 尽管miRNAs在精神分裂症患者中的潜在生物标志物已经被提出，但显然还需要更多的研究。

事实上，血清miRNAs的测定为精神分裂症的临床诊断和预后(包括治疗反应)提供了一种可行的方法。

单核苷酸多态性(SNPs)或拷贝数变异(CNVS)是人群中常见的DNA序列变异，在非编码区发生频率较高，与人类疾病易感性有关。 通过病例对照研究，报告了几个与精神分裂症相关的miRNA基因的SNPs。

SNP在miR-206中的rs17578796与斯堪的纳维亚(丹麦和挪威)样本中的精神分裂症有显著的相关性。 变异体ss178077483位于前米尔-30e，与汉族人群精神分裂症有强烈的相关性(等位基因)。

P=0.00017；基因型P = 0.00015). Watanabe等人在日本人口中复制了这种联系。 成熟miR-30e在精神分裂症患者外周血白细胞中的表达水平明显高于精神分裂症患者，与精神分裂症患者PFC表达增加相一致。

同时， 对268例精神分裂症患者和232例正常人进行了SNP基因分型(hsa-pre-mir-146 a rs2910164 G>C和hsa-mir-499 rs3746444 T>C)。 Rs3746444携带CC基因型的患者更容易出现幻觉，缺乏动机。

然而，这两个SNPs与精神分裂症之间没有统计学意义。 SNP rs 7289941也有阴性关联。

最近，Yu等人对精神分裂症进行了两阶段GWAS，包括4384例和5770例对照， 然后对另外4339例精神分裂症患者和7043名汉族对照者进行了13个单核苷酸多态性的独立复制。

他们证实3个位点，分别位于VRK 2外显子 2p16.1(Rs 1051061)、6p22.1(GABBR 1内含 子 rs 115070292)和10q24.32(AS3MT内含子rs10883795；ARL 3内含子rs10883765)与精神分裂症有显著关联。 这三个位点参与了GABA能和多巴胺能信号、细胞粘附分子和髓鞘化通路的调控。

精神分裂症被认为是一种复杂的神经发育疾病。大量证据表明，几种神经递质系统(如多巴胺和谷氨酸)的功能紊乱是精神分裂症的病理生理过程。 N-甲基-D-天冬氨酸-谷氨酸(NMDA)受体是突触可塑性的重要调节因子。

NMDA受体信号传导的高功能可改变皮层回路的兴奋和抑制平衡，并产生类似精神分裂症症状的行为。 Kocerha等人利用NMDA受体拮抗剂地佐西平快速诱发精神分裂症样行为，检测了小鼠不同脑区miRNA的表达。

他们发现，用急性而非慢性地唑西林治疗的小鼠在pfc中的脑特异性miRNA miR-219明显减少。 在亚纯GRN 1(NR1)突变小鼠中，miR-219的表达也明显降低。 抗精神病药物(氟哌啶醇和氯氮平)预处理可预防地唑西林所致miR-219的减少。

MiR-219的靶点之一是钙/钙调素依赖性蛋白激酶Ⅱγ亚基(CaMKIIγ)，这是NMDA谷氨酸受体信号级联的一个组成部分。 抑制小鼠脑内miR-219可减少地佐西林诱导的行为反应，如多动和刻板印象，提示miR-219在NMDA受体功能中起调节作用。

作为支持，据报道miR-219在死后脑组织的DLPFC中显著上调。 此外，miR-129还参与了少突胶质细胞分化和髓鞘维持的调控，提示miR-219在突触结构和疾病相关功能中的重要性。

张等对1041例精神分裂症患者和953例健康对照者进行了NMDAR信号通路基因3‘UTR(GRIN2A/2B/3A和CAMK2G)中3个SNPs的关联分析，证实GRIN2B rs 890与精神分裂症有显著相关性。

脑源性神经营养因子(BDNF)是中枢神经系统中最常见的生长因子， 在脑发育和神经元可塑性中起着重要作用。 越来越多的证据表明BDNF的失调与多种神经精神障碍有关。

死后研究显示精神分裂症患者某些脑区BDNF表达水平改变。 Mellios等人60两种miRNAs miR-30a和miR-195直接靶向BDNF 3‘UTR，抑制BDNF的表达。

他们进一步报道，miR-195与BDNF的相互作用可以调控精神分裂症相关的γ-氨基丁酸(GABA)，即GABA能基因的表达，包括神经肽Y(NPY)和生长抑素。 MIR-30a-5p还通过调节BDNF信号通路来控制酒精摄入。

作为医学生医学微生物

是一门必修的基础医学课程

通过这门课程掌握与医学相关的微生物

（细菌、病毒、真菌等）的基本生物学性状、

感染与抗感染免疫的机理、

感染性疾病的诊断、预防与治疗原则

为学习相关基础医学和临床医学课程奠定坚实的基础

怎么才能学好这门课程呢?

今天小喵给大家分享的是非常详细的医学微生物课程

1.医学微生物学

2.细菌的形态和结构

3.细菌的生理

4.消毒与灭菌

5.噬菌体

6.细菌的遗传与变异

7.细菌的感染与免疫

8.细菌感染的检查方法和防治原则

9.病原性球菌

10.肠道杆菌

11.弧菌属

12.厌氧性杆菌

13.支原体、立克次体、衣原体

14.螺旋体、真菌、病毒的基本 性态

15.病毒的感染与免疫、病毒感染的检查方法与防治原则

16.肠道病毒、肝炎病毒、黄病毒

17.出血热病毒、疱疹病毒、逆转录病毒、其他病毒、亚病毒

18.18.白喉棒状杆菌 G+、分枝杆菌属

19.放线菌和诺卡氏菌属、动物源性细菌、其他细菌

文献解读图像识别预测病理分期研究思路

基于CT图像特征分析的机器学习算法预测非小细胞肺癌病理分期

 

研究共纳入145例病理证实的IA-IV期NSCLC患者。患者队列由三个数据集组成，包括NSCLC（n = 87），LUAD（n = 24）和LUSC（n = 34）。NSCLC样本平均分为训练集和测试集，而LUAD和LUSC数据集用于外部验证。NSCLC，LUAD和LUSC队列患者的临床病理特征如表1所示。纳入标准为新诊断或未经治疗的NSCLC和病理证实的IA-IV期肺腺癌和鳞状细胞癌，以及治疗前的CT图像。排除标准是接受手术或化学放射治疗并且包含不正确的分期信息的患者。TRIPOD核对表附加为附加文件1：表S1。

表1训练和验证集中的患者和肿瘤特征

1.通过3D切片器软件进行病变识别和感兴趣区域分割

所有患者图像均以原始DICOM格式加载和处理。使用3D-Slicer软件加载CT图像文件和RTSTRUCT文件用于映射病变的子区域。应用段编辑器模块将主表示从平面轮廓更改为二进制标签贴图。3D图像文件和二进制掩模标记文件由3D切片器保存为NRRD格式文件，用于下一个特征提取步骤。

2.使用Pyradiomics从CT图像中提取特征

使用python包pyradiomics来执行特征提取任务。一些定量特征如下：一阶特征，形状特征，灰度共生矩阵（GLCM）特征。除了形状特征之外，还可以在原始图像或派生图像上测量其他特征。

3.数据预处理

首先应该确认NSCLC队列的原始类别分布是否平衡。如果不是，则通过SMOTE算法进行过采样，以解决机器学习中数据集不平衡，并通过生成新的数据集来实现类分布的均衡，然后将新生成的数据集分成训练集和测试集。

4.预测建模和特征选择

考虑到可能影响预测模型分类精度的一些冗余和不相关的特征，通过随机森林算法计算CT图像特征的重要性值，然后根据特征重要性选择最佳特征（平均减少基尼杂质> 0.005）用于建模。在这里，使用袋外（OOB）误差评估随机森林的分类准确度，该误差是随机森林推广误差的无偏估计。使用python模块scikit-learn使用默认参数执行上述所有建模过程。鉴于每个阶段的样本量有限，对早期（阶段I / II）和后期（阶段III / IV）的二值化阶段进行了所有上述分析。

5.预测模型的分类准确性

为了评估训练和测试集中预测模型的性能，绘制接收器操作特征（ROC）曲线以显示测试集和外部验证集中的分类性能。ROC曲线是反映连续变量的假阳性率和真阳性率的综合指数。曲线下面积（AUC）是模型性能的评估量度。

使用分类器的混淆矩阵作为其质量的度量，用准确度分数，正确分类的样本数量与所有样本数量的比率，来检查预测结果和实际结果之间是否存在一致性。最后，使用原始特征计算一个新模型，其精度分数可以根据所选择的最优特征来计算。

6.使用精确回忆曲线评估预测模型

除了使用ROC曲线评估预测模型的准确性之外，还使用Precision-Recall度量来估计分类器的输出质量。在使用精度和召回度量等性能度量的不平衡数据集评估二元分类器时，精确调用曲线更具信息性。两者的高分表明分类器返回准确的结果（高精度），以及返回大部分所有正面结果（高召回率）。而且，f1得分越高，分类模型越稳定。考虑到单一指标 - 精度，召回和f1得分的限制，对每个分类采用平均精确分数和精确召回来评估总体容量。平均精度（AP）用于使用在每个阈值处实现的精确度的加权平均值来测量分类器的准确度。如果精确回忆曲线和平均精度扩展到多类或多标签分类，则输出将被二值化。可以通过考虑标签指示符矩阵的每个元素来绘制精确回忆曲线。

 

结果：共有145例病理诊断为NSCLC，包括LUSC，LUAD或其他NSCLC亚型。在87名NSCLC患者的测试组中，有58名男性患者和29名女性患者。由24名患者组成的LUAD队列和由34名患者组成的LUSC队列分别用于模型的外部验证。如表1所示，在测试集和性别验证集之间未发现差异（P = 0.14），而在临床病理阶段三个队列之间存在显着差异（P = 0.02）。来自TICA数据库的NSCLC患者的临床信息在附加文件2：表S2中提供。

表2特征重要性

通过对各组数据的观察，确定了训练集中原始NSCLC样本的不平衡类分布（图1a），然后使用随机过采样进行过采样。用机器学习算法SMOTE为以下分析生成新的平衡数据集（图1b），通过随机森林算法（表2）计算CT图像特征的重要性值，然后选择基于每个特征重要性的最佳特征（平均减少基尼杂质> 0.005），总共选择了九个图像特征作为阶段预测图像生物标记进行建模。这些特征分别是wavelet-HHH_firstorder_RootMeanSquared, log-sigma-2-0-mm-3D_firstorder_RootMeanSquared,waveletHHL_glcm_InverseVariance,wavelet-HHL_glcm_Idn,wavelet-HHL_firstorder_Variance,wavelet-HHL_glszmSmallAreaHighGrayLevelEmphasis,wavelet-HHL_glcm_InverseVariance,wavelet-HHL_glcm_Imc1,waveletHHL_glrlm_LongRunLowGrayLevelEmphasis。最终，使用OOB误差评估模型的分类精度。

在分类精度方面，混淆矩阵结果证实预测结果与实际结果之间存在一致性，这表明模型在多类对象分类中具有更好的性能（图1c）。此外，ROC曲线分析还证实该模型可以预测和区分NSCLC的病理分期，高精度为0.69~1.00（图1d）。原始随机森林模型和有限特征模型的准确度分数分别为0.53和0.57。除了准确度得分之外，还从平均精度得分和每个级别的精确回忆的角度评估预测模型。如精确回忆曲线所示（图1e，f），预测模型不仅产生了更高的平均精度得分（AP）0.60（图1e），而且在NSCLC的病理分期方面取得了更好的诊断性能。精确回忆曲线扩展到多类（图1f）。二值化阶段场景的相应结果如图2所示。

除了上面的内部测试之外，使用LUAD和LUSC数据集对预测模型的性能进行了外部验证。LUAD队列（图3a）和LUSC队列（图3b）中的样本的原始类分布显示在图4中。外部验证中的机器学习算法与测试集中使用的相同。就LUAD数据集中的分类器性能而言，混淆矩阵和ROC曲线均表明模型的高分类精度，AUC值为0.69~1.00（图3c，d），重新确认LUSC数据集中预测结果与实际结果之间的一致性（图3e）。 ROC曲线还显示，该模型可以区分LUSC的病理分期，高精度至少65％（图3f）。

在外部验证集中的精确回忆曲线表明，预测模型不仅在LUAD（AP = 0.84）和LUSC（AP =0.62）中获得更高的平均精度得分（图5a，c），在精确回忆曲线向多类的扩展方面，LUAD和LUSC的病理分期产生了更好的分化表现（图5b，d）。预测模型结合了九个图像特征，可以准确地预测和区分NSCLC的病理分期，并且LUAD模型的预测准确性优于LUSC。二值化阶段情景的相应结果如图4所示。此外，如附加文件3：表S3所示，分别评估放射性评分和TNM因子之间的关联，并且在NSCLC数据集中发现了类似的结果。

图1训练和测试集中预测模型的性能评估

a NSCLC样本的不平衡类分布。

b平衡处理后NSCLC样品的最终分类。

c混淆矩阵用于检查NSCLC队列中的实际结果和预测结果之间是否存在一致性。

d接收器操作特征（ROC）曲线分析，用于预测NSCLC队列中的病理分期。相应的参考组是患者的所有其他阶段。

e NSCLC队列中预测模型的平均精度得分，所有类别的微观平均值：AP = 0.60。

f将精确回忆曲线扩展到NSCLC队列中的多类

 图2二值化预测场景中训练/测试集预测模型的性能评估

a NSCLC样本的不平衡类分布。

b平衡处理后NSCLC样品的最终分类。

c接收器操作特征（ROC）曲线分析，用于预测NSCLC队列中的病理分期。

d混淆矩阵用于检查NSCLC队列中的实际结果和预测结果之间是否存在一致性。

e NSCLC队列中的精确回忆曲线。

f NSCLC队列中预测模型的平均精度得分

图3验证集中预测模型的性能评估

a LUAD数据集中样本的类分布。

b LUSC数据集中样本的类分布。

c d混淆矩阵用于确定LUAD（c）和LUSC（d）中的实际结果和预测结果之间是否存在一致性。

e f接收器操作特征（ROC）曲线分析，用于预测LUAD（e）和LUSC（f）中的病理阶段。 相应的参考组是患者的所有其他阶段

 

图4验证集中预测模型的性能评估

在二值化预测方案中，a c混淆矩阵用于确定LUAD（上）和LUSC（下）中实际和预测结果之间是否存在一致性

b d接收器操作特征（ROC）曲线分析，用于预测LUAD（上）和LUSC（下）的病理分期e LUAD预测模型的平均精度得分

f LUSC中预测模型的平均精度得分

图5在验证集中的预测模型在精度和召回得分方面的性能评估

a LUAD中预测模型的平均精度得分，所有类别的微观平均值：AP = 0.84。

b将精确回忆曲线扩展到LUAD中的多类，相应的参考组是患者的所有其他阶段。

c LUSC中预测模型的平均精度得分，所有类别的微观平均值：AP = 0.62。

d将精确回忆曲线扩展到LUSC中的多类，相应的参考组是患者的所有其他阶段。

研究进一步探讨了机器学习在病理分期CT图像特征分析中的作用和应用，同时揭示了可用于NSCLC病理分期诊断和预测的潜在影像生物标志物。预测模型纳入了九个最佳特征，被证实在预测肺癌亚型和LUAD和LUSC的病理性肿瘤阶段方面非常有效。研究结果不仅扩展了机器学习算法在CT图像特征预测中用于病理分期的应用，而且还确定了可用于诊断和预测NSCLC病理分期的潜在成像生物标记物。

 

 |  |  ||  |     |  value

  | |  |   |  |

  |  |  |   |

 | |  | |  |   |