単一細胞RNAシーケンスとバルクRNAシーケンスに基づくケラトコノスの免疫関連特性と予測バイオマーカーの識別

背景：ケラトコノス（KC）が炎症性疾患であるかどうかは現在議論されています。したがって、単一細胞RNAシーケンス（SCRNA-SEQ）およびバルクRNAシーケンス（バルクRNA-SEQ）データに基づいて、KCの免疫関連の特徴を調査することを目指しました。 方法：SCRNA-seqデータはゲノム配列アーカイブ（GSA）から取得され、バルクRNA-seqデータは遺伝子発現オムニバス（GEO）から取得され、免疫関連遺伝子（IAG）がImmportデータベースから取得されました。KCのセルクラスターに注釈が付けられ、その後、異なるセルクラスターが選択されました。各セルのIAGスコアは、Aucellパッケージを使用して計算されました。3つのバルクRNA-SEQデータセットがマージされ、差次的に発現した遺伝子（deg）、生物学的機能、および免疫特性を識別するために使用されました。加重遺伝子共発現ネットワーク分析（WGCNA）を使用して、IAGスコア関連のハブ遺伝子を選択しました。SCRNA-SEQおよびBULK RNA-SEQ分析に基づいて、ランダムフォレスト（RF）、サポートベクターマシン（SVM）、および最小絶対収縮および選択演算子（Lasso）回帰分析を含む3つの機械学習アルゴリズムを使用して、潜在的な予後を特定しました。KCのマーカー。予測ノモグラムは、予後マーカーに基づいて開発されました。 結果：KCで6つの細胞クラスターが同定され、角膜間質細胞-5（CSC-5）の減少が減少し、KCでCSC-6の増加が見つかりました。CSCおよび免疫細胞クラスターのIAGスコアは最高でした。バルクRNA-SEQ分析では、KCで1362度（553上方制御、809のダウンレギュレート）が特定されました。KCで異なる免疫細胞集団と差次的に発現したサイトカインを発見しました。3つ以上の重要なIAGスコア関連モジュールと367の遺伝子が特定されました。Scrna-seqおよびBulk RNA-seq分析を統合することにより、250個のIAGが選択され、3つの機械学習モデル、および10個のIAG（CEP112、FYN、IFITM1、IGFBP5、LPIN2、MAP1B、RNASE1、RUNX3、SMIM10、およびSRGN）に組み込まれました。）サイトカインおよびマトリックスメタロプロテイナーゼ（MMP）1-14発現と有意に関連する潜在的な予後遺伝子として同定されました。最後に、予測ノモグラムが構築され、検証されました。 結論：私たちの結果は、免疫学的特徴を調節し、細胞の安定性を維持することにより、KC進行中に重要な役割を果たす可能性のあるCSCと免疫細胞クラスターを特定しました。

BACKGROUND: Whether keratoconus (KC) is an inflammatory disease is currently debated. Hence, we aimed to investigate the immune-related features of KC based on single-cell RNA sequencing (scRNA-seq) and bulk RNA sequencing (bulk RNA-seq) data. METHODS: scRNA-seq data were obtained from the Genome Sequence Archive (GSA), bulk RNA-seq data were obtained from the Gene Expression Omnibus (GEO), and immune-associated genes(IAGs) were obtained from the ImmPort database. Cell clusters of KC were annotated, and different cell clusters were then selected. The IAG score of each cell was calculated using the AUCell package. Three bulk RNA-seq datasets were merged and used to identify the differentially expressed genes (DEGs), biological functions, and immune characteristics. Weighted gene coexpression network analysis (WGCNA) was used to select the IAG score-related hub genes. Based on scRNA-seq and bulk RNA-seq analyses, three machine learning algorithms, including random forest (RF), support vector machine (SVM), and least absolute shrinkage and selection operator (LASSO) regression analysis, were used to identify potential prognostic markers for KC. A predictive nomogram was developed based on prognostic markers. RESULTS: Six cell clusters were identified in KC, and decreased corneal stromal cell-5 (CSC-5) and increased CSC-6 were found in KC. CSC and immune cell clusters had the highest IAG scores. The bulk RNA-seq analysis identified 1362 DEGs (553 upregulated and 809 downregulated) in KC. We found different immune cell populations and differentially expressed cytokines in KC. More than three key IAG score-related modules and 367 genes were identified. By integrating the scRNA-seq and bulk RNA-seq analyses, 250 IAGs were selected and then incorporated into three machine learning models, and 10 IAGs (CEP112, FYN, IFITM1, IGFBP5, LPIN2, MAP1B, RNASE1, RUNX3, SMIM10, and SRGN) were identified as potential prognostic genes that were significantly associated with cytokine and matrix metalloproteinase(MMP)1-14 expression. Finally, a predictive nomogram was constructed and validated. CONCLUSION: Taken together, our results identified CSCs and immune cell clusters that may play a key role during KC progression by regulating immunological features and maintaining cell stability.