IPF関連の新しいマクロファージ亜集団と診断バイオマーカーの同定 - 機械学習とSingle-Cell Analysisの融合

2024年6月16日 20:33

ATP5-MΦ は、プロトン膜貫通輸送、ATPase 複合体、および酸化的リン酸化に活発に関与し、特に興味深いのは、プロトン膜貫通輸送と酸化的リン酸化プロセス間の相互接続です3。プロトン膜貫通輸送は、細胞内外でのプロトン濃度勾配を調節するプロセスです。一方で、酸化的リン酸化は、細胞エネルギーを生成するための重要な代謝経路。酸化的リン酸化の過程で生成される活性酸素種（ROS）は、IPF の進行を促進することが知られています。一般的に、抗炎症性マクロファージは代謝活性が低く、エネルギー生成のために酸化的リン酸化を行う傾向があります。このようなマクロファージの代謝リプログラミングは、免疫応答の調節における特定の機能に関連している可能性があります。

Zhang, Hao, Yuwei Yang, Yan Cao, and Jingzhi Guan. “IPF-Related New Macrophage Subpopulations and Diagnostic Biomarker Identification - Combine Machine Learning with Single-Cell Analysis.” Respiratory Research 25, no. 1 (June 13, 2024): 241.
DOI:https://doi.org/10.1186/s12931-024-02845-8

:特発性肺線維症（IPF）は、原因不明の慢性疾患であり、特定の治療法がありません。IPFでは、マクロファージが肺の免疫システムの主要な構成要素として、特に炎症や線維化の際に重要な調整役を果たします。しかし、IPFにおけるマクロファージの細胞の多様性や分子特性、臨床における重要性についての理解は比較的限られています。本研究では、IPF患者の肺組織から得られたシングルセルトランスクリプトーム解析（scRNA-seq）データを詳細に解析し、IPFに関連するマクロファージのサブポピュレーションを特定し、その分子特性と生物学的機能を調査しました。hdWGCNAにより、IPF関連マクロファージ（IPF-MΦ）のサブポピュレーションの共発現遺伝子モジュールが特定され、機械学習アプローチを用いてIPF-MΦを解析しました。hdWGCNAは、IPF-MΦのサブポピュレーションとその特徴的な遺伝子（IRMG）を予後評価のために特定し、予測モデルが構築されました。さらに、IPF肺組織中のマクロファージを再クラスタリング解析することで、IPF-MΦを特定しました。IPF-MΦの共発現遺伝子モジュールがhdWGCNAによって特定され、機械学習アプローチを用いてIPF-MΦの特徴的な遺伝子が明らかにされ、これに基づいて予測モデルが構築されました。また、ATP5-MΦと名付けられたIPF肺組織に特有のマクロファージの一種を発見しました。この特徴的な遺伝子は、ミトコンドリアATP合成酵素複合体のサブユニットをコードしており、酸化的リン酸化やプロトンの膜間輸送と密接に関連しているため、ATP5-MΦはIPF肺組織で高いATP合成能力を持つ可能性が示唆されます。本研究は、IPFの病因解明に新たな視点を提供し、IPF患者の予後評価や予測医療の基盤を提供します。

要約

IPF肺組織の細胞組成の変化の解析

正常およびIPF肺組織からの単一細胞シーケンスデータを収集・解析
66,500個の細胞を取得し、16の細胞クラスターを特定
IPF肺組織では単球とマクロファージが増加し、線維芽細胞、筋線維芽細胞、AT1細胞が減少

IPF肺組織におけるマクロファージの多様性の解析

マクロファージを13のサブクラスターに分類
IPF肺組織ではクラスター0, 2, 7, 8, 10, 12が増加し、クラスター11はIPFに特異的
クラスター11はATP5遺伝子ファミリーの高発現を示し、ATP5-MΦと命名
IPF-MΦの遺伝子発現はTh1/Th2細胞分化、PPARシグナル、補体・凝固カスケードなどに関与

IPF関連マクロファージの発生軌道解析と細胞間通信解析

擬似時間軌道解析とCellChat解析でIPFマクロファージの発生過程と通信ネットワークを調査
IPF-MΦは多様な細胞と強い通信能力を示し、特に筋線維芽細胞、線毛細胞、AT2細胞との相互作用が顕著

IPF-MΦにおけるモジュールハブ遺伝子の解析

高次元加重遺伝子共発現ネットワーク解析（hdWGCNA）で12の遺伝子モジュールを構築
赤、青、黄緑モジュールがIPF-MΦに関連
機械学習を用いて9つの主要な遺伝子（FAM174B, PMP22, ATF4, DLD, ELOB, CTDP1, SV2B, USP10, PHACTR1）を同定

免疫微小環境とIRMGの関係

IRMG（IPF-MΦ特性遺伝子）のNMF解析でIPF患者を2つのサブタイプに分類
タイプ2患者はより活性化された炎症性免疫状態を示す

IPF-MΦ特性遺伝子を用いた予測モデルの構築

7つの機械学習アルゴリズムを使用し、最適な予測モデルを構築
SVMが最も高い精度を示し、外部データセットで検証

IPF患者の予後に影響する遺伝子

Cox回帰解析とKaplan-Meier生存解析でFAM174B, PMP22, ATF4, DLD, ELOB, SV2B, USP10, PHACTR1の8つの遺伝子が高リスクに関連
ROC曲線でPHACTR1, ATF4, FAM174B, DLDが有用なバイオマーカーとして特定

この研究はIPFの診断と治療のための重要な手がかりを提供する。

特発性肺線維症（IPF）は、まれで進行性かつ致死性の肺疾患。
IPFの罹患率は低いが、平均余命は3～5年と高い死亡率を持つ。
現在、IPF患者には酸素療法などの支持療法が必要。
FDA承認の抗線維化薬はピルフェニドンとニンテダニブのみ。
これらの薬剤は肺機能の低下を遅らせるが、病気の進行を逆転させることはないため、肺移植が唯一の治療法。
IPFは単一の病態生理的プロセスではなく、遺伝的、環境的、老化などの要因が組み合わさって生じる。
IPFの発症には炎症、線維化、免疫細胞の異常な活性化が重要な役割を果たす。
特に肺マクロファージは、肺の恒常性維持、アポトーシス細胞の除去、創傷治癒、免疫応答の開始など、IPFの発症と線維化プロセスに関与する。
マクロファージは強い可塑性を持ち、M1およびM2に分化できる。
M1マクロファージは炎症反応を引き起こすサイトカインを放出。
M2マクロファージは抗炎症、修復、線維化に関連し、さまざまな線維化因子を分泌して線維芽細胞の増殖と分化を促進。
シングルセルレベルの解析により、IPFの複雑性と個人差をより包括的に理解できる。
本研究では、IPF患者の肺組織におけるマクロファージの増加を確認し、IPF関連のマクロファージクラスターを分類。
高次元加重遺伝子共発現ネットワーク解析（hdWGCNA）を通じて、IPF-MΦに関連する共発現遺伝子モジュールを特定。
機械学習を用いて予後評価のための予測モデルを構築。
これらの発見は、IPFの病因解明と将来の治療戦略の開発に重要な分子および臨床基盤を提供。

NotebookLMでのお遊び

特発性肺線維症におけるマクロファージの役割

特発性肺線維症（IPF）は、遺伝的要因、環境要因、加齢などの複合的な要因によって発生する、まれで進行性の致死的な肺疾患です。 IPFは、肺組織の瘢痕化と線維化を引き起こし、最終的には呼吸不全と死に至ります。線維症の過程には、炎症、線維化、免疫細胞の異常な活性化が重要な役割を果たしており、特に肺マクロファージが重要な役割を担っています。

マクロファージは、健康な肺に最も豊富に存在する免疫細胞の1つであり、肺の恒常性維持、アポトーシス細胞のクリアランス、創傷治癒への関与、免疫応答の開始など、IPFの発症と線維化プロセスに寄与する様々なメカニズムに関与しています。マクロファージは、古典的活性化マクロファージ（M1）と選択的活性化マクロファージ（M2）を含む、異なるサブタイプに分化する能力を持つ、高い可塑性を示します。

M1マクロファージは、腫瘍壊死因子α（TNF-α）、インターロイキン-1β（IL-1β）、IL-12などの炎症性サイトカインやケモカインを放出し、炎症反応を誘発します。一方、M2マクロファージは炎症性サイトカインを産生せず、抗炎症、修復、線維化プロセスに関与しています。活性化M2マクロファージは、形質転換成長因子β（TGF-β）、血小板由来成長因子（PDGF）、線維芽細胞成長因子（FGF）、IGF-1などの様々な線維化因子を分泌し、線維芽細胞の増殖と筋線維芽細胞への分化を促進します。同時に、M2マクロファージはCCL18を放出し、線維芽細胞によるコラーゲン産生を刺激します。線維芽細胞とコラーゲンのフィードバックループは、M2マクロファージの持続的な活性化と過剰なコラーゲン産生をさらに刺激します。マクロファージは、炎症と線維化プロセスを促進することに加えて、炎症性メディエーターや細胞破片のクリアランス、創傷治癒、組織修復など、炎症を媒介し、線維症を修復します。

要約すると、マクロファージはIPFの発症と進行において多面的な役割を果たしています。免疫応答の調節、炎症の増幅、線維化の促進、組織修復への関与など、複雑なプロセスに関与しています。これらのプロセスにおけるマクロファージの特定の役割を理解することは、IPFの病態を解明し、より効果的な治療法を開発するために不可欠です。

特発性肺線維症 (IPF) におけるマクロファージの細胞間コミュニケーションの特徴は、多様な細胞種との相互作用の強化と、特定のリガンド受容体およびシグナル伝達経路への依存にあります。

細胞間相互作用の強化:

IPF におけるマクロファージ、特に IPF 関連マクロファージ (IPF-MΦ) は、他のマクロファージ、筋線維芽細胞、線毛細胞、AT2 細胞、線毛細胞、および線維芽細胞を含む、周囲の様々な細胞種と強力なコミュニケーションを示します。
このコミュニケーションの強化は、炎症、免疫応答、および線維化プロセスに影響を与える可能性があり、IPF の病因において重要な役割を果たしている可能性があります。

特定の経路への依存:

IPF-MΦ と他のマクロファージとのコミュニケーションでは、GRN-SORT1 や MIF-(CD74 + CD44) などのリガンド受容体が重要な役割を果たしている可能性があります。
MIF は、CD74/CD44 を介して AKT や NF-kB などのシグナル伝達経路を活性化することにより、単球/マクロファージのランダムな遊走と接着を阻害し、免疫応答を調節します。
GRN-SORT1 は脂質代謝のシグナル伝達と密接に関連しており、マクロファージのコレステロール蓄積を促進します。
IPF-MΦ と筋線維芽細胞、線維芽細胞、線毛細胞、AT2 細胞、上皮細胞との間のコミュニケーションの強化は、ANXA1-FPR2 や NAMPT-(ITGA5 + ITGB1) などの特定のシグナル伝達経路の活性化と密接に関連している可能性があります。
以前の研究では、ANXA1-FPR2 シグナル伝達軸が線維芽細胞の恒常性を維持していることが明らかになっています。
これらの結果は、IPF-MΦ が線維化を促進することにより、微小環境内の他の免疫細胞を調節している可能性があることを示唆しています。

結論:

IPF におけるマクロファージの細胞間コミュニケーションは、特定の細胞種との相互作用の強化、特定のリガンド受容体への依存、ANXA1-FPR2 や NAMPT-(ITGA5 + ITGB1) などの重要なシグナル伝達経路の活性化を特徴としています。これらの特徴は、IPF の病因におけるマクロファージの複雑な役割を浮き彫りにし、疾患の進行を標的とした潜在的な治療戦略を示唆しています。

細胞間相互作用の強化:

IPF におけるマクロファージ、特に IPF 関連マクロファージ (IPF-MΦ) は、他のマクロファージ、筋線維芽細胞、線毛細胞、AT2 細胞、線毛細胞、および線維芽細胞を含む、周囲の様々な細胞種と強力なコミュニケーションを示します。
このコミュニケーションの強化は、炎症、免疫応答、および線維化プロセスに影響を与える可能性があり、IPF の病因において重要な役割を果たしている可能性があります。

特定の経路への依存:

IPF-MΦ と他のマクロファージとのコミュニケーションでは、GRN-SORT1 や MIF-(CD74 + CD44) などのリガンド受容体が重要な役割を果たしている可能性があります。
MIF は、CD74/CD44 を介して AKT や NF-kB などのシグナル伝達経路を活性化することにより、単球/マクロファージのランダムな遊走と接着を阻害し、免疫応答を調節します。
GRN-SORT1 は脂質代謝のシグナル伝達と密接に関連しており、マクロファージのコレステロール蓄積を促進します。
IPF-MΦ と筋線維芽細胞、線維芽細胞、線毛細胞、AT2 細胞、上皮細胞との間のコミュニケーションの強化は、ANXA1-FPR2 や NAMPT-(ITGA5 + ITGB1) などの特定のシグナル伝達経路の活性化と密接に関連している可能性があります。
以前の研究では、ANXA1-FPR2 シグナル伝達軸が線維芽細胞の恒常性を維持していることが明らかになっています。
これらの結果は、IPF-MΦ が線維化を促進することにより、微小環境内の他の免疫細胞を調節している可能性があることを示唆しています。

結論:

この研究では、IPF患者の生存予後を予測するために、サポートベクターマシン（SVM）機械学習アルゴリズムを用いた予測モデルが構築されました。

このモデルは、**IPF-MΦ（IPF関連マクロファージ）**の遺伝子モジュールから得られた9つの重要な遺伝子（FAM174B、PMP22、ATF4、DLD、ELOB、CTDP1、SV2B、USP10、PHACTR1）に基づいて構築されました。

研究チームは、まず、**hdWGCNA（高次元加重遺伝子共発現ネットワーク解析）**を用いて、IPF-MΦの共発現遺伝子モジュールを特定しました。次に、LASSO回帰分析、ランダムフォレスト分析、SVM-RFE法という3つの機械学習アルゴリズムを用いて、IPF患者の予後と密接に関連する重要な遺伝子をスクリーニングし、9つの遺伝子を特定しました。

これらの遺伝子を用いて、7つの機械学習アルゴリズムで予測モデルを構築し、その性能を比較した結果、SVMアルゴリズムが最も精度、感度、特異性の高いモデルであることが分かりました。さらに、独立した検証用データセットを用いてこのモデルの性能を検証した結果、高い精度でIPF患者の予後を予測できることが確認されました。

この記事が気に入ったらサポートをしてみませんか？