说在前面

“串扰”这个名词听起来高级了一个level，其实就是MR-通路的双疾病联合分析。虽然是筛选标志物的思路，但是工作量不小，作者还收集了13个不同AD自身免疫疾病数据集用于验证自己的机器学习模型，分析就是一些常规的WGCNA、PPI、GOKEGG富集、TF网络、双样本MR、单细胞

作者是有一手临床资料的，其次这个思路很好借鉴，PAN-AD换成PAN-cancer，非肿瘤换成肿瘤研究，诊断模型换成预后模型，打开思路。

---

今天给大家分享的一篇文章：Multi-omics analysis uncovered systemic lupus erythematosus and COVID-19 crosstalk

• 标题：多组学分析揭示系统性红斑狼疮与 COVID-19 串扰
• 期刊名称：Molecular Medicine
• 影响因子：5.7
• JCR分区：Q1/Q2
• 中科院分区：医学2区
• 小类：生化与分子生物学2区 细胞生物学2区 医学：研究与实验2区

摘要

背景：
研究发现，COVID-19 的发病机制与系统性红斑狼疮 (SLE) 之间可能存在串扰，但其相互作用机制仍不清楚。我们旨在利用临床信息和这两种疾病的潜在机制阐明 COVID-19 对 SLE 的影响。

方法：
RNA 测序数据集用于识别 COVID-19 和 SLE 之间共享的枢纽基因特征，而全基因组关联研究数据集用于描述关键信号通路的相互作用机制。最后，单细胞 RNA 测序数据集用于确定表达共享枢纽基因和关键信号通路的主要靶细胞。

结果：
COVID-19 可能通过影响血液系统和加剧炎症反应影响 SLE 患者。我们鉴定出 COVID-19 和 SLE 之间共有 14 个与干扰素 (IFN)-I/II显著相关的中心基因。我们还筛选并获得了与这些中心基因相关的四个核心转录因子，证实了 IFN-I/II 介导的 Janus 激酶/信号转导和转录激活因子 (JAK-STAT) 信号通路对这些中心基因的调控作用。此外，SLE 和 COVID-19 可以通过 IFN-I/II 和 IFN-I/II 受体相互作用，促进单核细胞因子水平，包括白细胞介素 (IL)-6/10、肿瘤坏死因子-α 和 IFN-γ，并增加细胞因子释放综合征的发病率和风险。因此，在 SLE 和 COVID-19 中，中心基因和核心 TF 均在单核细胞/巨噬细胞内富集。

结论：
SLE与COVID-19相互作用促进单核细胞/巨噬细胞中IFN-I/II诱发的JAK-STAT信号通路的激活。这些发现为SLE-COVID-19合并症患者的诊断和治疗提供了新的方向和理论依据。

结果

COVID-19 和 SLE 在 IFN-I/II 相关特征中富集的核心基因。

• A热图显示加权基因共表达网络分析中临床特征（COVID-19、SLE 和 Control）与基因模块比较的相关系数和 P 值。相关系数 > 0.6 和 P 值 < 0.05 的模块被确定为关键基因模块（图中红色箭头表示）；
• B维恩图显示 SLE 和 COVID-19 的关键基因模块相交后得到的 64 个共同基因；
• C共同基因的 KEGG 富集（P 值 < 0.05）；
• D共同基因的 GO term 富集（P 值 < 0.05）；
• E置信度最高的共同基因的 PPI 网络，显示基因之间存在显著的相互作用。连接线表示存在相互作用，线的粗细代表置信度，线越粗表示置信度越高；
• F从 MCODE 中提取的子模块 1 和 2；
• G箱线图说明了 SLE 和 COVID-19 中枢纽基因表达水平的变化，其中点表示异常值（*P < 0.05、**P < 0.01、***P < 0.001、****P < 0.0001）；
• H枢纽基因共表达网络显示 FDR 最低的 IFN 相关富集结果；
• I来自 KEGG、WIKI 和 REACTOME 数据库的枢纽基因通路富集分析（P 值 < 0.05）。

基于枢纽基因的ML诊断模型的性能

• A八种ML模型在COVID-19和SLE训练或测试数据集上的诊断效率；
• B八种ML模型在泛AD中的诊断效率。AS强直性脊柱炎，CD克罗恩病，CLE皮肤红斑狼疮，DM皮肌炎，LN狼疮性肾炎，MS多发性硬化症，NM坏死性肌病，PM多发性肌炎，RA类风湿性关节炎，SS干燥综合征，SSc系统性硬化症，UC溃疡性结肠炎

JAK-STAT 通路调控的枢纽基因和核心 TFs

• A根据综合尺度秩从 ChEA3 中获得的与枢纽基因相关的前 10 个 TFs；
• B具有显著相互作用关联的核心 TFs 的 PPI 网络；
• C来自 KEGG、WIKI 和 REACTOME 数据库的核心 TFs 通路富集分析（P 值 < 0.05）；
• D直方图显示六组中枢纽基因和核心 TFs 表达水平的差异（*P < 0.05，**P < 0.01，***P < 0.001）。
• 六组包括 HC 组（来自健康人的样本）；IFN-α、IFN-β 和 IFN-γ 组（来自用 IFN-α、IFN-β 或 IFN-γ 治疗的健康人的样本）；以及 IFN-β + 巴瑞替尼或 IFN-β + 芦可替尼组（样本来自同时接受 JAK 抑制剂巴瑞替尼或芦可替尼和 IFN-β 治疗的健康人群）；
• E热图显示使用 JAK 抑制剂（托法替尼或巴瑞替尼）治疗后 SLE（左图）或 COVID-19（右图）中枢基因和核心 TF 的基因表达水平变化；
• F GO（BP）对 JAK（JAK1、JAK2、TYK2）和核心 TF 的富集分析（P 值 < 0.05）。红色字体的术语表示与 IFN-I/II 相关的富集结果

SLE–COVID-19 串扰的 MR 分析

• A SLE 或 COVID-19 与 IFN-I/II 触发的 JAK-STAT 通路相关分子之间的 MR 分析结果（P 值 < 0.05）的森林图；
• B Figdraw 中所示的 MR 分析结果示意图；
• C SLE、COVID-19 和 SLE–COVID-19 之间血清单核细胞因子水平比较（*P < 0.05）。误差线代表标准误差，适用于 13 名 SLE 患者、26 名 COVID-19 患者和 17 名 SLE–COVID-19 患者。D住院的 COVID-19 和 SLE–COVID-19 患者中发生 CRS 的不同风险比例。CI置信区间

SLE 和 COVID-19 中枢纽基因和核心 TF 的细胞表达特征

• A SLE 中的细胞聚类结果；
• B、C SLE 中不同细胞簇中枢纽基因和核心 TF 的富集表达；
• D、E COVID-19 中的细胞（D）和严重程度（E）聚类结果；
• F、G COVID-19 中不同细胞簇中枢纽基因和核心 TF 的富集表达；
• H直方图显示不同疾病严重程度的 COVID-19 患者的细胞聚类比例。散点图中的每个点代表一个细胞，根据细胞类型、表达水平和严重程度着色；每个气泡的大小表示相应细胞簇中表达该基因的细胞比例，而颜色的深度表示基因表达水平

SLE 与 COVID-19 串扰示意图。带箭头的实线表示直接调控

小结

• 主要数据及方法：

Types	Notes
分析数据	一手回顾性临床资料；BulkRNA：GSE50772（SLE）、GSE121239（SLE）、GSE122459（SLE）、GSE139940（SLE）、GSE179850（COVID-19）、GSE164805（COVID-19）、GSE186460（COVID-19）、GSE161664（健康对照和IFN处理）、GSE162577（SLE scRNA-seq）、GSE158055（COVID-19 scRNA-seq）、GSE25101（强直性脊柱炎）、GSE3365（克罗恩病和溃疡性结肠炎）、GSE113469（乳糜泻）、GSE112943（皮肤红斑狼疮和狼疮性肾炎）、GSE128470（皮肌炎和坏死性肌病和多发性肌炎）、GSE159225（多发性硬化症）、GSE21592（发作性睡病）、GSE192867（牛皮癣）、GSE90081（类风湿性关节炎）、GSE40611（干燥综合征）、GSE117928（系统性硬化症）、GSE156035（1 型糖尿病）GWAS：52个数据集，4,698,024 例 COVID-19 患者和 879,441 例 SLE 患者；TF：ChEA3数据库；scRNA：GSE158055
分析方法	WGCNA；GOKEGG通路富集；PPI网络；多机器学习诊断模型；TFs预测；双样本MR；单细胞标准流程及单基因量化