L'apprendimento automatico individua sei geni dell'invecchiamento in comune tra malattia di Alzheimer e osteoporosi
Uno screening con 130 modelli di machine learning, associato a esperimenti su cellule, individua sei geni dell'invecchiamento comuni alla malattia di Alzheimer e all'osteoporosi, suggerendo una biologia condivisa.
Riepilogo
La malattia di Alzheimer e l'osteoporosi diventano entrambe molto più comuni con l'avanzare dell'età e condividono fattori di rischio come il sesso femminile, la genetica e lo stile di vita, ma la biologia che le accomuna è ancora poco compresa. I ricercatori hanno combinato dataset pubblici di espressione genica di entrambe le malattie con un elenco di oltre 2.000 geni noti legati all'invecchiamento. Hanno individuato 228 geni dell'invecchiamento alterati in entrambe le condizioni. Uno screening di 130 modelli di machine learning ha ristretto il campo a sei geni: *EGR1*, *NFKBIA*, *UQCRC2*, *RB1*, *CREBBP* e *NDUFV1*. Questi geni sono collegati alla senescenza cellulare, all'infiammazione, alla produzione di energia mitocondriale e al controllo del ciclo cellulare. In cellule cerebrali di topo e in cellule precursori delle ossa invecchiate artificialmente con D-galattosio, tutti e sei i geni sono risultati modificati nelle cellule cerebrali e quattro nelle cellule ossee. Si tratta di uno studio computazionale esplorativo e non di un test clinico, ma indica l'esistenza di vie di invecchiamento condivise che potrebbero essere bersaglio di un intervento combinato.
Riepilogo Dettagliato
<p>La malattia di Alzheimer (AD) e l'osteoporosi (OP) sono entrambe malattie della tarda età. L'incidenza dell'AD raddoppia ogni cinque anni dopo i 65 anni, con quasi la metà delle persone di 85 anni e oltre colpita. Si prevede che la prevalenza dell'OP raddoppi tra il 2010 e il 2040. Studi precedenti collegano le due condizioni attraverso la stimolazione degli osteoclasti da parte della beta-amiloide, il calo dell'osteocalcina di origine ossea, l'alterazione della via di segnalazione Wnt/β-catenina e citochine infiammatorie condivise come TNF-α e IL-6. I fattori molecolari condivisi legati all'invecchiamento, tuttavia, non sono ancora stati mappati a livello sistemico.</p>
<p>Gli autori hanno combinato quattro dataset pubblici di microarray GEO con 2.285 geni correlati all'invecchiamento, selezionati dalle banche dati Human Ageing Genomic Resources e GeneCards. Le coorti AD erano GSE132903 (97 casi, 98 controlli) e GSE5281 (87 casi, 74 controlli). Le coorti OP erano GSE35958 (5 casi, 4 controlli) e GSE7158 (12 casi, 14 controlli). Ogni dataset è stato analizzato separatamente con limma (P corretto < 0,05, variazione log2 fold change in valore assoluto > 0,585) anziché aggregato, e i risultati sono stati poi intersecati. L'analisi di co-espressione genica pesata (WGCNA) ha identificato moduli genici associati alle malattie.</p>
<p>L'analisi ha individuato 5.889 geni differenzialmente espressi correlati all'AD e 2.348 correlati all'OP, con 725 geni in comune. La WGCNA ha identificato un modulo marrone correlato positivamente con l'AD (r = 0,57, P = 5 × 10⁻¹⁵; 1.576 geni) e un modulo rosso correlato negativamente con l'OP (r = −0,50, P = 0,01; 711 geni). L'integrazione con i risultati dell'espressione differenziale ha prodotto 1.660 geni condivisi, che, intersecati con i geni dell'invecchiamento, si sono ridotti a 228. Questi geni erano arricchiti nelle vie PI3K-Akt, di regolazione della longevità, della senescenza cellulare, FoxO, p53, TNF e dell'apoptosi. La rete di interazione proteica ha evidenziato 30 geni hub, tra cui TP53, EGFR, NDUFV1 e UQCRC2.</p>
<p>Il gruppo ha quindi costruito 130 modelli predittivi a partire da 11 algoritmi. Un ensemble Lasso più gradient boosting (GBM) ha ottenuto le prestazioni migliori, con AUC di 0,915 (GBM) e 0,909 (Lasso), e ha selezionato sei geni: EGR1, NFKBIA, UQCRC2, RB1, CREBBP e NDUFV1. Le AUC dei singoli geni andavano da 0,646 (RB1) a 0,853 (NFKBIA). L'analisi SHAP ha classificato EGR1 (0,104) e NFKBIA (0,095) come i predittori più influenti. Un nomogramma a sei geni ha mostrato una calibrazione accettabile e un beneficio netto nella decision curve analysis.</p>
<p>Nella coorte GSE33000 (310 AD, 157 controlli), CIBERSORT e ssGSEA hanno mostrato che i geni hub erano correlati ai pattern di infiltrazione delle cellule immunitarie. Per la validazione sperimentale sono stati utilizzati modelli di senescenza indotta da D-galattosio. Tutti e sei i geni risultavano significativamente alterati nei neuroni ippocampali murini HT22. Nei preosteoblasti murini MC3T3-E1, EGR1, NFKBIA, UQCRC2 e NDUFV1 sono cambiati in modo significativo, mentre RB1 e CREBBP no; la firma genica è quindi in parte specifica per tipo cellulare.</p>
<p>I risultati indicano infiammazione, fosforilazione ossidativa mitocondriale, senescenza e controllo del ciclo cellulare come assi condivisi dell'invecchiamento. Le cautele sono considerevoli. I dataset OP sono molto piccoli e provengono da tessuti e piattaforme diversi. Il nomogramma per la "co-occorrenza" è stato costruito a partire da coorti separate di singole malattie, non da pazienti affetti da entrambe le condizioni. La validazione è stata condotta solo sull'mRNA in linee cellulari murine, usando un modello chimico di invecchiamento, senza test sulle proteine, in vivo o di causalità. I risultati servono a generare ipotesi e non sono clinicamente applicabili.</p>
Risultati Principali
- Identified 228 aging-related genes dysregulated in both Alzheimer's disease and osteoporosis, from 725 shared differentially expressed genes and 2,285 curated aging genes
- Screened 130 machine learning models from 11 algorithms; Lasso + GBM ensemble performed best (AUC 0.915 for GBM, 0.909 for Lasso)
- Six hub genes selected: EGR1, NFKBIA, UQCRC2, RB1, CREBBP, NDUFV1; individual AUCs ranged from 0.646 (RB1) to 0.853 (NFKBIA)
- SHAP ranked EGR1 (0.104) and NFKBIA (0.095) as the most influential predictors in the model
- WGCNA found an AD-linked brown module (r = 0.57, P = 5 × 10⁻¹⁵) and an OP-linked red module (r = −0.50, P = 0.01)
- Enrichment linked the shared genes to cellular senescence, p53, FoxO, PI3K-Akt, TNF signaling, and mitochondrial oxidative phosphorylation
- In D-galactose senescence models, all 6 genes changed in HT22 neurons, but only 4 changed in MC3T3-E1 pre-osteoblasts (RB1 and CREBBP did not)
Metodologia
Si è trattato di uno studio computazionale basato su quattro dataset pubblici di microarray da GEO (AD: 97/98 e 87/74 casi/controlli; OP: 5/4 e 12/14), con GSE33000 (310 AD, 157 controlli) utilizzato per la deconvoluzione immunitaria. L'analisi di espressione differenziale (limma) è stata eseguita separatamente per ciascun dataset e poi sono state intersecate le liste di geni, seguite da WGCNA, arricchimento GO/KEGG e analisi delle interazioni proteiche con STRING. I modelli sono stati addestrati con validazione incrociata stratificata a 10 fold e ordinati in base all'AUC; sono stati applicati SHAP, nomogramma, calibrazione e decision curve analysis, mentre l'infiltrazione immunitaria è stata valutata con CIBERSORT e ssGSEA. Sei geni sono stati validati mediante RT-qPCR (riferimento GAPDH, 2^−ΔΔCt, tre esperimenti indipendenti) in cellule murine HT22 e MC3T3-E1 trattate con D-galattosio, utilizzando il test di Wilcoxon.
Limitazioni dello Studio
Le coorti OP erano molto piccole (5 vs 4 e 12 vs 14) e i dataset coprivano tessuti, coorti e piattaforme diversi. Il nomogramma diagnostico per la co-occorrenza di AD e OP è stato costruito a partire da dataset di malattia separati, anziché da pazienti con entrambe le condizioni, e RB1 ha mostrato un'AUC modesta (0,646). La validazione si è limitata alle variazioni dell'mRNA in linee cellulari murine trattate con D-galattosio, e RB1 e CREBBP non sono cambiati nelle cellule di linea ossea. Nel testo fornito non erano disponibili informazioni sui conflitti di interesse.
Ti è piaciuto questo riepilogo?
Ricevi ogni settimana le ultime ricerche sulla longevità direttamente nella tua casella email.
Inserisci la tua email per iscriverti: