16-IF4+:非肿瘤的疾病挖掘 利用WGCNA分析挖掘孕前BMI和新生儿体重的关键基因

一.研究背景

众所周知,怀孕前的母亲体重指数(BMI)会影响胎儿的生长和新生儿的后代健康,但其中涉及的分子机制仍然未知。那么今天小编为大家带来这篇文章就解释了二者的分子机制,

该文章于今年4月29日发表在Frontiers in Genetics杂志上的一篇文章,影响因子为4.151

分子生物学的最新进展表明,胎盘是胎儿环境的主要调节者。胎盘在营养和废物转移,内分泌,免疫保护和异种生物排毒中起关键作用。尽管胎盘在胎儿生长中起着核心作用,但只有有限的研究评估了产妇体重对人类胎盘转录组的全基因组影响。评估与胎儿生长有关的胎盘转录组谱的研究大多集中在子宫内生长受限,通常在先兆子痫的背景下进行,而将胎盘基因表达与胎儿过度生长联系起来的基因组规模研究却很少。先前的大多数研究都使用单变量差异表达分析方法,通常将有限数量的不良表型与正常表型进行比较。今天介绍的文献是通过加权基因共表达网络分析(WGCNA)来进行胎儿生长有关的胎盘转录组谱的研究,从而提供对生物学过程潜在分子机制的系统理解。

二.方法和材料

1)样本:该研究纳入了2014年1月至2017年4月期间招募的183对母婴新生儿的子样本。从医院的病历中检索有关胎龄,出生体重,孕前孕妇体重,身高和分娩前体重等变量的信息。孕前BMI的计算方式为:体重(公斤)除以身高(米),分为四组:体重不足,正常体重,超重和肥胖。

2)样本收集和RNA分离:分娩后1小时内收集胎盘组织并从胎儿侧在距脐带约4 cm处收集活检样本。使用miRNeasy mini试剂盒从胎盘组织活检中提取总RNA。然后评估了RNA的数量和纯度以及完整性。

3)微阵列制备,杂交和预处理:按照Agilent one-color Quick-Amp labeling protocol,使用0.2 µg总RNA合成cyanine-3-labeled的cRNA,并与Agilent Whole Human Genome 8 × 60 K微阵列进行杂交。使用R软件内部开发的质量控制对原始数据进行如下预处理:局部背景校正,log2转换和使用arrayQC的分位数归一化。进一步的预处理包括通过K近邻法进行补缺失值。通过使用经验贝叶斯方法(ComBat)对批次效应进行校正。最终保留了14040个基因用于进一步分析。数据可通过 GEO获得,登录号为GSE128381。

4)统计学分析:首先,作者使用单变量模型评估了转录水平与母亲孕前BMI和出生体重的关联。然后在R中使用WGCNA软件包)构建了一个基因共表达网络。并在网络中识别刚兴趣的模块即母亲BMI与出生体重变量显著相关的模块并通过GO和通路的富集分析。最后在感兴趣的模块中识别hub基因。

三.结果展示

表1提供了我们研究人群的一般特征(n = 183)

表1.研究人群的特征(n = 183)


1.  单变量模型:在评估转录水平与母亲孕前体重指数或出生体重之间关系的模型中,14040个基因中没有一个在Benjamini–Hochberg矫正中保留下来。832个和745个基因的母体体重指数和出生体重的未调整P值分别小于0.05,重叠101个基因。对于所有重叠的基因,其中有75个基因与两个变量相关联而上调,有26个基因与两个变量相关联而下调。

2.  加权基因共表达网络分析:加权基因共表达网络分析确定了17个共表达的基因模块。由不属于任何模块的基因组成的灰色模块包含9个基因。其他模块的大小范围从48到5298个基因。图1显示了模块-特征关联的热图。

图1 .模块特征基因(ME,行)和特征(列)之间的关联


3.  GO和通路富集分析:在暗灰色,深红色和灰色模块中,作者分别发现了7、110和56个富集的GO生物过程和0、22和7个富集的KEGG通路。使用REVIGO删除了冗余的GO terms并通过树形图总结了结果(图2)。

图2.胎盘微阵列模块富集的GO生物学过程的树状图


深灰色模块中的五个非冗余GO生物学过程是对真菌的响应,细胞杀伤,其他生物的形态或生理改变,骨髓细胞分化以及对无机物的响应,但未发现丰富的KEGG途径。暗红色模块中的大多数生物学过程与器官和组织发育有关,其中血管形态发生是最显著富集GO term。 KEGG通路最富集的是血管平滑肌收缩,其他通路涉及信号传导(六个通路),内分泌系统(四个通路),癌症(三个通路)和环境适应性(两个通路)(图3)。

图3.胎盘微阵列模块富集的KEGG通路的树状图


4.  模块内hub基因:作者根据以下标准选择目标模块的Hub基因:| MM | ≥0.8且与至少一个孕妇BMI变量和至少一个出生体重变量显著相关(P <0.05)(表2)。

表2.感兴趣模块的hub基因


5.  灵敏度分析:从分析中排除非欧洲新生儿,妊娠糖尿病母亲和妊娠高血压母亲后,评估了感兴趣的性状与MEs或中枢基因之间的关联。结果显示相关系数仅发生了很小的变化,并且hub基因的关联大多保持显著性。

6.  调解分析:最后,作者测试了确定的模块和基因是否介导了孕前BMI与新生儿出生体重之间的关联。结果显示尽管ME的间接介导作用不显著,但深红色和gray60模块的许多中枢基因均显示出一定的介导证据。对于来自暗红色模块的中枢基因,介导的比例(间接效应/总效应)范围为8.7%至20.2%,对于来自Gray60模块的中枢基因的介导比例为10.3%至17.0%。对以下五个基因观察到显著(P <0.05)介导:FZD4,COL15A1,GPR124,COL6A1和COL1A1

四.结论

作者通过应用WGCNA,确定了与孕妇孕前BMI和新生儿体重相关的胎盘共表达基因模块和枢纽基因,并且研究了这些模块和hub基因是否介导了孕前BMI与新生儿体重之间的关联。这可能为母体和后代代谢健康之间的分子联系提供新的认识。

往期分享

17-思路清奇:纯生信分析表观基因组学和形态学ITH的比较空间分析

18-IF6+:纯生信分析甲基化和基因表达整合鉴定三阴性乳腺癌的预后标志物和药物靶标

19-干细胞、分子靶向治疗和EMT生物过程联合构建多发性脑瘤预后模型

20-基于全基因组分析探索MAPK失调与免疫应答的关系

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 203,324评论 5 476
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,303评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,192评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,555评论 1 273
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,569评论 5 365
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,566评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,927评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,583评论 0 257
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,827评论 1 297
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,590评论 2 320
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,669评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,365评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,941评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,928评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,159评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,880评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,399评论 2 342