卓桂鋒，陳 煒，朱健敏，匡龍嬌，廖乃彬，張金枝，蘇明陽，吳 林, 3*

·數(shù)據(jù)挖掘與循證醫(yī)學·

血管性癡呆銅死亡關鍵差異基因的生物信息學分析及防治中藥篩選

卓桂鋒1, 2，陳 煒2，朱健敏1，匡龍嬌1，廖乃彬2，張金枝2，蘇明陽2，吳 林1, 3*

1. 廣西中醫(yī)藥大學 科學實驗中心，廣西 南寧 530022 2. 廣西中醫(yī)藥大學第一臨床醫(yī)學院，廣西 南寧 530022 3. 廣西中醫(yī)藥大學 廣西中醫(yī)基礎研究重點實驗室，廣西 南寧 530022

通過機器學習等生物信息學方法篩選參與血管性癡呆（vascular dementia，VaD）發(fā)病機制的銅死亡關鍵差異表達基因（differentially expressed genes，DEGs），并預測和分析具有防治作用的中藥?；贕SE33000數(shù)據(jù)集篩選銅死亡DEGs并分析其相關性；對數(shù)據(jù)集樣本進行聚類分型，應用基因集變異分析（gene set variation analysis，GSVA）分型后通路富集情況；應用加權基因共表達網(wǎng)絡分析與VaD關系密切的基因并取交集獲得重要基因；構建風險預測列線圖模型篩選重要基因的風險因子；基于風險因子構建多種機器學習方法的預測模型并將其與銅死亡DEGs進行相關性分析得到關鍵基因，并進行防治中藥的篩選。共獲得銅轉運ATP酶β（ATPase copper transporting beta，）、硫辛酸合成酶（lipoic acid synthetase，）等9個銅死亡DEGs，其相互之間表現(xiàn)出較強的協(xié)同或拮抗效應。根據(jù)銅死亡DEGs可將VaD患者分為2種亞型且DEGs在亞型間表達有所差異。分型后GSVA通路富集結果涉及刺猬信號通路等；綠松石模塊（37個差異基因）與VaD分型高度相關，其與數(shù)據(jù)集DEGs交集得到5個重要基因，其中可能是VaD的風險因子。廣義線性模型（generalized linear models，GLM）機器學習模型的預測性能最高。脂?；D移酶2（lipoyltransferase 2，）、二氫脂酰胺-乙酰基轉移酶（dihydrolipoamide-acetyltransferase，）、二氫硫辛酰胺脫氫酶（dihydrolipoamide dehydrogenase，）、丙酮酸脫氫酶E1亞基β（pyruvate dehydrogenase E1 subunit beta，）與金屬調節(jié)轉錄因子1（metal regulatory transcription factor 1，）與風險因子相關性較強，可作為銅死亡關鍵DEGs，其中、的表達與VaD患者年齡負相關（＜0.01）。根據(jù)銅死亡DEGs篩選出海蛤殼、魚鰾膠等29味中藥，其四氣五味多屬寒、溫、平，苦、甘，歸胃、腎、心、肝經(jīng)，多為清熱補虛藥。、等9個銅死亡DEGs相互調控作用及其相關的刺猬信號通路可能是VaD銅死亡相關發(fā)病機制的重要環(huán)節(jié)，其中、、、與是銅死亡關鍵基因。GLM機器學習模型可以較準確診斷VaD。、等銅死亡DEGs可能有助于闡釋VaD火熱內盛伴有氣虛或腎精虧虛證型的實質機制，海蛤殼、魚鰾膠等中藥可能為防治VaD潛在分子藥物的來源。

血管性癡呆；銅死亡；清熱補虛藥；證候實質；機器學習；廣義線性模型；海蛤殼；魚鰾膠

血管性癡呆（vascular dementia，VaD）以進行性認知功能障礙為特征，通常被認為是老年人中僅次于阿爾茨海默病的第2大常見的癡呆癥類型[1]。VaD可導致生活質量持續(xù)和不可逆轉的惡化，給家庭和社會帶來了巨大的醫(yī)療和經(jīng)濟負擔。然而，由于VaD的臨床異質性和病理類型的復雜性，其發(fā)病機制仍未闡明，亦缺乏安全有效的防治手段。

銅離子作為酶的輔助因子，其穩(wěn)態(tài)的維持主要依賴于線粒體的調節(jié)。銅穩(wěn)態(tài)失調已被證明與神經(jīng)退行性疾病有關[2]。銅死亡是最近發(fā)現(xiàn)的一種新的不同于其他氧化應激調節(jié)的細胞死亡形式。以銅參與的脂酰化線粒體酶過度累積和鐵-硫簇蛋白消耗為特征的線粒體應激是引起銅死亡的主要機制[3-4]。同時，研究表明線粒體功能障礙和氧化應激可能是VaD進展的關鍵發(fā)病機制[5]。因此，有理由推斷銅死亡與VaD的病程進展密切相關。然而，目前尚未有從銅死亡角度探討VaD的發(fā)病機制研究。進一步闡明銅死亡相關基因（cuprotosis-related genes，CRGs）的分子特征，可能有助于闡明VaD病理類型的復雜性和發(fā)病機制和探索有效防治手段。

1 材料與方法

1.1 數(shù)據(jù)采集和預處理

以“vascular dementia”為關鍵詞，檢索GEO數(shù)據(jù)庫，根據(jù)數(shù)據(jù)集提供的相關信息，獲得所需芯片GSE122063。GSE122063共有80個樣本，其中包含36個VaD患者和44個健康人的樣本（正常），樣本來源于人大腦皮層。注釋數(shù)據(jù)后通過“l(fā)imma”R包對GSE122063的原始基因表達譜進行標準化校正得到normalize.txt。

1.2 銅死亡差異表達基因（differentially expressed genes，DEGs）的篩選

根據(jù)文獻報道[6-7]獲得19個銅死亡相關基因文本gene.txt。利用“l(fā)imma”“pheatmap”“reshape2”“ggpubr”和“RCircos”R包對normalize.txt和gene.txt進行分析，獲取銅死亡相關基因表達量的文本CuproptosisGeneExp.txt，通過wilcox.test檢驗[8]，以校正后的＜0.05為閾值篩選銅死亡相關DEGs，進行可視化處理，輸出箱線圖。

1.3 銅死亡DEGs相關性分析

為進一步研究銅死亡DEGs的相互關系，利用“corrplot”和“circlize”R包對其進行分析，最后進行可視化處理。

1.4 樣品聚類分型

基于銅死亡DEGs使用“ConsensusClusterPlus”R包對數(shù)據(jù)集中的樣本進行分型，使用“pheatmap”“reshape2”和“ggpubr”R包對分型結果進行分析，并構建亞型箱圖和熱圖。為觀察各亞型樣本內部的相似性和不同分型樣本之間的區(qū)分度，使用“l(fā)imma”和“ggplot2”R包對分型結果進行分析，并繪制主成分分析（principal component analysis，PCA）散點圖。

1.5 分型后基因集變異分析（gene set variation analysis，GSVA）通路富集分析

基于“1.4”項的分型結果，對normalize.txt進行GSVA通路富集分析，篩選出校正后＜0.05且上調或下調顯著性前5名的通路，并繪制柱狀圖。

1.6 加權基因共表達網(wǎng)絡分析（weighted gene co-expression network analysis，WGCNA）

基于分型結果與normalize.txt，使用“WGCNA”R包進行WGCNA以識別共表達模塊。方差最高的前25%基因用于后續(xù)WGCNA，以保證質量結果的準確性。選擇滿足無尺度網(wǎng)絡的標準軟閾值β構建基因共表達網(wǎng)絡，轉化拓撲重疊矩陣（topological overlap matrix，TOM）。當最小模塊大小設置為100時，采用基于層次聚類樹算法的TOM不相似度量（1-TOM）獲得模塊。以基因與模塊相關性＞0.8，基因顯著性＜0.05為條件篩選模塊內核心基因。

1.7 重要基因的篩選

利用“l(fā)imma”等包對normalize.txt進行分析，以｜log2FC｜≥1且校正后＜0.05為篩選條件，獲取GSE122063的DEGs并與“1.6”項篩選出來的臨床性狀模塊核心基因取交集得到重要基因。

1.8 構建風險預測列線圖模型

基于重要基因和normalize.txt，采用“rms”和“rmda”R包構建列線圖模型，篩選風險因子，繪制決策曲線以評價該列線圖模型的臨床有效性。

1.9 基于多種機器學習方法的預測模型構建

基于“1.8”項結果中的風險因子，將GSE122063數(shù)據(jù)集數(shù)據(jù)按7∶3分為訓練組和測試組，訓練組用于分類模型的構建，測試組用于驗證模型的準確性。利用“caret”“DALEX”“ggplot2”“randomForest”“kernlab”和“xgboost”R包構建極限梯度上升（eXtreme gradient boosting，XGB）模型、廣義線性模型（generalized linear models，GLM）、隨機森林（random forest，RF）模型和支持向量機（support vector machine，SVM）模型，并對共風險因子進行分析，得到4種模型的殘差箱線圖，采用“pROC”包繪制受試者工作特征（receiver operating characteristic，ROC）曲線，根據(jù)殘差箱線圖和ROC曲線下面積（area under the curve，AUC）選擇最優(yōu)模型及評估預測性能。

1.10 銅死亡DEGs與風險因子相關性分析

為進一步研究銅死亡DEGs與高風險因子的相互關系，利用“corrplot”和“circlize”R包對其進行分析，得出關鍵基因，最后進行可視化處理。

1.11 銅死亡DEGs的中藥篩選

將銅死亡DEGs作為預測靶標，在醫(yī)學本體信息檢索數(shù)據(jù)庫（CoremineMedical）中以＜0.05為條件，篩選對各預測靶標具有生物學效應的前10位中藥，并進行四氣五味、歸經(jīng)和功效分析。

2 結果

2.1 銅死亡DEGs

如圖1所示，共篩選出9個銅死亡DEGs。其中，銅轉運ATP酶β（ATPase copper transporting beta，）、硫辛酸合成酶（lipoic acid synthetase，）、脂?；D移酶1（lipoyltransferase 1，）、金屬調節(jié)轉錄因子1（metal regulatory transcription factor 1，）在VaD皮層組織中的表達水平較高，而NOD樣受體熱蛋白結構域相關蛋白3（NOD-like receptor thermal protein domain associated protein 3，）、脂?；D移酶2（lipoyltransferase 2，）、二氫硫辛酰胺脫氫酶（dihydrolipoamide dehydrogenase，）、二氫脂酰胺-乙?；D移酶（dihydrolipoamide-acetyltransferase，）、丙酮酸脫氫酶E1亞基β（pyruvate dehydrogenase E1 subunit beta，）在VaD皮層組織中的表達水平明顯低于正常組。

2.2 銅死亡DEGs相關性分析

對以上DEGs進行相關性分析，結果顯示和、，和表現(xiàn)出較強的協(xié)同效應；和、表現(xiàn)出較強的拮抗效應（圖2）。

2.3 樣品聚類分型分析

根據(jù)銅死亡DEGs對數(shù)據(jù)集中的額葉樣本進行分型，結果顯示當值設置為2時，共識聚類矩陣區(qū)分度最明顯，聚類數(shù)量最穩(wěn)定，各個亞型的一致性評分最高。PCA散點圖亦顯示2個亞型之間存在顯著差異。因此，最終將36例VaD患者分為2個亞型：C1（＝6）、C2（＝30）。見圖3。為了進一步探索亞型間的分子特征，綜合評估了銅死亡DEGs在各亞型的表達差異。圖4可觀察到C1和C2 2種亞型DEGs的表達情況。在C1中明顯高表達；、、、、和在C2中明顯高表達。

*P＜0.05 **P＜0.01 ***P＜0.001

A-相關性分析扇形圖 B-相關性分析圈圖

2.4 分型后GSVA通路富集分析

結果顯示，通過分型后GSVA通路富集分析，富集到上調與下調顯著性前5條通路。其中，下調通路涉及核苷酸切除修復、去氧核糖核酸的復制、錯配修復、組氨酸代謝和非同源端連接；上調通路涉及青少年成熟型糖尿病、刺猬信號通路、2型糖尿病、硫代謝和嗅覺轉導。見圖5。

2.5 WGCNA

利用WGCNA算法建立共表達網(wǎng)絡和模塊，識別與VaD銅死亡聚類分型密切相關的關鍵基因模塊。結果顯示，根據(jù)無尺度網(wǎng)絡的擬合度0.8，得到構建網(wǎng)絡的最佳軟閾值3（圖6-A）。其中1個模塊包含3026個基因被確定為顯著模塊，熱圖描繪了所有模塊相關基因的TOM（圖6-B）。基因模塊與臨床性狀之間的相關性如圖6-C所示，綠松石模塊與VaD分型高度相關。其中，綠松石模塊基因（37個）與所選模塊具有顯著的相關性（圖6-D）。

2.6 重要基因的篩選結果

如圖7所示，通過與正常組對比分析，GSE122063芯片獲得VaD所有DEGs 294個，與WGCNA篩選出來的臨床性狀模塊差異基因取交集得到5個重要基因含113螺旋結構域蛋白（coiled-coil domain-containing protein 113，CCDC113）、、、和EF手結構域1蛋白磷酸酶（protein phosphatase with EF-hand domain 1，PPEF1）。見圖7。

A-k＝0.2～0.9，累積分布函數(shù)呈現(xiàn)一致性分布 B-k值不同，集群的穩(wěn)定性有所不同 C-k＝2時，共識聚類矩陣區(qū)分度最明顯 D-k＝2時，各亞型的一致性評分最高 E-聚類分型PCA散點圖

*P＜0.05 **P＜0.01 ***P＜0.001

圖5 銅死亡DEGs相關分型后GSVA通路富集分析

A-軟閾值圖 B-模塊聚類圖 C-模塊-臨床性狀關系圖 D-綠松石模塊基因顯著性散點圖

A-GSE122063火山圖 B-韋恩圖

2.7 風險預測列線圖模型

為了評估重要基因的預測效能，需構建1個列線圖模型。結果顯示，基因可能是VaD的風險因子。校正曲線顯示，基于重要基因構建列線圖模型來分析VaD患者的預測風險概率與實際風險之間的誤差非常小。決策曲線顯示列線圖模型具有較高的準確性，可為臨床決策提供依據(jù)。見圖8。

2.8 機器學習預測模型

如圖9所示，基于風險因子建立了4種經(jīng)過驗證的機器學習模型：XGB、GLM、RF和SVM。殘差箱線圖顯示GLM機器學習模型的殘差相對較低，ROC曲線顯示GLM機器學習模型AUC最高（AUC＝0.838），表明基于風險因子的GLM機器學習模型預測準確性較好。

A-VaD患者列線圖模型 B-校正曲線驗證 C-決策曲線驗證

A-各機器學習模型殘差箱線圖（紅點代表殘差的均方根） B-各機器學習模型ROC曲線

2.9 銅死亡DEGs與風險因子相關性分析

如圖10所示，和、、、表現(xiàn)出較強的拮抗效應；和表現(xiàn)出較強的協(xié)同效應。、、、與可作為銅死亡關鍵DEGs。

圖10 銅死亡DEGs與風險因子相關性分析

2.10 銅死亡DEGs的中藥篩選

經(jīng)過篩選共得到29味中藥，見表1。四氣五味、歸經(jīng)與功效分析結果顯示，藥物四氣多屬寒、溫、平，五味多屬苦、甘，歸經(jīng)主要集中在胃、腎、心和肝經(jīng)，功效多與清熱補虛相關。見圖11。

3 討論

由于VaD病理的異質性和復雜性，目前對VaD的治療缺乏足夠的療效。在過去的幾十年里，VaD的抗神經(jīng)退行性治療取得了一些進展，然而基于組織學的傳統(tǒng)分類對臨床治療依然欠缺有效的特異性指導作用[9]。因此，識別更合適的分子相關的分型可能對指導VaD的個體化治療至關重要。銅死亡是最近報道的一種銅依賴細胞死亡形式，主要表現(xiàn)為脂?；€粒體酶的累積，與多種疾病的進展密切相關[10]。目前，銅死亡在VaD中的調控機制尚未得到研究。因此，本研究試圖闡明銅死亡相關基因在VaD發(fā)病機制中的具體作用，并利用銅死亡相關基因預測VaD亞型。

表1 基于銅死亡DEGs的中藥預測

本研究首次全面分析了正常健康人和VaD患者腦組織中銅死亡調節(jié)因子的表達譜。與正常人群相比，VaD患者中較多銅死亡相關基因表達異常，提示其在VaD的發(fā)生中起重要作用。隨后分析了銅死亡DEGs之間的相關性，以闡明銅死亡調節(jié)因子與VaD之間的關系。結果發(fā)現(xiàn)一些銅死亡相關DEGs具有顯著的協(xié)同或拮抗作用，說明它們在VaD發(fā)病機制中起到相互調控作用。為進一步觀察銅死亡相關DEGs在VaD患者中是否存在不同的調控模式，本研究利用無監(jiān)督聚類分析對VaD樣本進行聚類分型，并確定了2種亞型。與亞型1（C1）相比，亞型2（C2）具有較強的刺猬信號通路活性。據(jù)報道，抑制刺猬信號通路能抑制腦缺血性損傷早期纖維瘢痕的形成且不利于神經(jīng)功能的恢復[11]。因此，亞型2的VaD患者可能表現(xiàn)出更好的預后。

近年來，風險預測列線圖模型和機器學習模型越來越多地應用于神經(jīng)系統(tǒng)疾病關鍵基因的篩選和預測[12-13]。為進一步篩選這9個銅死亡DEGs中的核心基因以及觀察風險因子預測效能，本研究對重要基因進行風險預測列線圖模型、機器學習模型和相關性分析。結果顯示，GLM模型的預測效能最高（AUC＝0.838），表明其具備臨床應用價值；可能是VaD的高風險因子，、、、、與高度相關。

銅死亡主要包括銅離子載體誘導的細胞死亡和銅穩(wěn)態(tài)失調導致的細胞死亡。DLAT、PDHB和PDHA1共同組成丙酮酸脫氫酶復合體，催化三羧酸循環(huán)中的丙酮酸脫羧生成乙酰輔酶A，在線粒體呼吸調節(jié)銅離子誘導細胞死亡中發(fā)揮重要作用[6,14]。Cu2+通過銅離子載體進入依賴線粒體呼吸的細胞中過度蓄積，會與硫辛酰化DLAT結合，誘導DLAT的異聚化。異聚化的DLAT增加可產生細胞毒性，進而誘導細胞死亡。DLD是硫辛酸途徑的關鍵酶之一，其敲除后可明顯緩解銅離子載體介導的細胞殺傷作用[14]。同時研究表明，銅死亡相關基因和對肝癌患者的病程進展、預后和免疫功能等方面具有重要意義[15]。上述基因都有可靠的證據(jù)支持它們參與調控銅死亡，但關于、、、和調控銅死亡在VaD中的作用研究尚未見報道。線粒體呼吸途徑是銅離子載體誘導細胞死亡的必要條件。據(jù)報道，腦缺血再灌注動物模型三羧酸循環(huán)等能量代謝途徑明顯異常[16]。綜合本研究發(fā)現(xiàn)，VaD患者中較多銅死亡基因表達異常，進一步提示銅死亡與VaD發(fā)病機制關系密切，、、、和等銅死亡相關基因研究潛力較大。

A-四氣統(tǒng)計雷達圖 B-五味統(tǒng)計雷達圖 C-歸經(jīng)統(tǒng)計雷達圖 D-功效柱狀圖

中醫(yī)將VaD歸屬“癡呆”“呆病”范疇，其基本病機為臟腑虛損、氣血虛弱，以致腦髓失養(yǎng)或邪實上擾清竅，其病性特征為本虛標實。本研究對銅死亡DEGs進行中藥預測與篩選，發(fā)現(xiàn)預測的藥物四氣多屬寒、溫、平，五味多屬苦、甘，歸經(jīng)主要集中在胃、肝、心和腎經(jīng)，功效多與清熱補虛相關。從四氣五味角度來看，預測中藥苦寒以泄邪實，溫平甘以補虛，切合VaD本虛標實的病性特點。從歸經(jīng)角度來看，預測中藥主要歸于胃、腎、心和肝經(jīng)，亦與眾多學者從中焦脾胃、腎、心或者肝論治癡呆的觀點一致[17]。臨床上可將VaD分為痰濁阻竅證、腎精虧虛證、肝陽上亢證、氣血虧虛證、火熱內盛證及瘀血阻竅證[18]。以（方）藥測證是中醫(yī)臨床思維的重要方法和探討中醫(yī)“證”實質的重要途徑之一[19]。從功效來看，預測中藥多為清熱補虛類，其中補虛類中藥以補氣虛如人參、人參葉和補腎如沙苑子、魚鰾膠為主，提示其對應的證型為火熱內盛伴有氣虛或腎精虧虛證，這也從側面反映臨床辨證VaD的復雜性。值得注意的是，這同時意味著等銅死亡DEGs很大可能有助于闡釋VaD火熱內盛伴有氣虛或腎精虧虛證型的實質機制。目前尚未見生物信息學結合預測中藥技術與證候實質相關的研究報道。本研究運用生物信息學篩選VaD銅死亡DEGs、預測中藥進而推測其火熱內盛伴有氣虛或腎精虧虛證的實質機制。這將有望為其證候實質研究提供前期理論基礎。

本研究尚存在一定的局限性。首先，所采用的芯片數(shù)據(jù)雖然已滿足研究所需的樣本量，但因樣本量來源單一可能導致結果存在一定偏倚。其次，篩選VaD銅死亡DEGs和建立的預測模型，仍需后續(xù)的臨床或實驗來驗證。最后，通過預測中藥和以（方）藥測證中醫(yī)臨床思維方法對VaD火熱內盛伴有氣虛或腎精虧虛證的證候實質的初步探討，有待進一步實驗闡明。

綜上，本研究利用生物信息學、機器學習等方法對VaD的銅死亡DEGs進行分析、預測其相關防治中藥并初步探討VaD的證候實質，對后續(xù)證候實質研究及臨床用藥具有參考意義。

利益沖突 所有作者均聲明不存在利益沖突

[1]Wolters F J, Ikram M A. Epidemiology of vascular dementia [J]., 2019, 39(8): 1542-1549.

[2]Gromadzka G, Tarnacka B, Flaga A,. Copper dyshomeostasis in neurodegenerative diseases-therapeutic implications [J]., 2020, 21(23): 9259.

[3]Oliveri V. Selective targeting of cancer cells by copper ionophores: An overview [J]., 2022, 9: 841814.

[4]楊會軍, 郭響, 李偉青, 等. 靶向銅死亡相關基因治療類風濕關節(jié)炎生物信息學分析及干預中藥的預測 [J]. 中草藥, 2023, 54(13): 4253-4265.

[5]Calabrese V, Giordano J, Signorile A,. Major pathogenic mechanisms in vascular dementia: Roles of cellular stress response and hormesis in neuroprotection [J]., 2016, 94(12): 1588-1603.

[6]Tsvetkov P, Coy S, Petrova B,. Copper induces cell death by targeting lipoylated TCA cycle proteins [J]., 2022, 375(6586): 1254-1261.

[7]Yang L, Yu J L, Tao L,. Cuproptosis-related lncRNAs are biomarkers of prognosis and immune microenvironment in head and neck squamous cell carcinoma [J]., 2022, 13: 947551.

[8]王竣立, 陶成成, 喬玲, 等. 自噬基因結腸癌預后模型建立及驗證 [J]. 西部醫(yī)學, 2021, 33(2): 173-179.

[9]蒲凡, 孟紅旗. 血管性癡呆的分類、臨床與診斷進展 [J]. 中國社區(qū)醫(yī)師: 醫(yī)學專業(yè), 2012, 14(21): 201-202.

[10]Tang D L, Chen X, Kroemer G. Cuproptosis: A copper-triggered modality of mitochondrial cell death [J]., 2022, 32(5): 417-418.

[11]文君, 朱慧敏, 李雪梅, 等. 抑制Sonic Hedgehog信號能抑制腦缺血性損傷后纖維瘢痕形成且不利于神經(jīng)功能恢復 [J]. 南方醫(yī)科大學學報, 2022, 42(6): 840-848.

[12]臧艷靜, 鄭宏偉, 崔澤巖. 基于血清學指標的腦梗死患者預后列線圖預測模型的建立與評估 [J]. 中華老年心腦血管病雜志, 2022, 24(3): 277-280.

[13]周嬙, 柏娜, 劉生剛, 等. 基于生物信息學和機器學習方法探索缺血性腦卒中關鍵風險基因 [J]. 中國神經(jīng)精神疾病雜志, 2022, 48(9): 525-532.

[14]Wang Y Q, Zhang L, Zhou F F. Cuproptosis: A new form of programmed cell death [J]., 2022, 19(8): 867-868.

[15]孟云, 董保龍, 董曉驊, 等. 銅死亡相關基因在肝細胞癌中的表達及其臨床意義 [J]. 中國普通外科雜志, 2023, 32(1): 74-86.

[16]吳蘭蘭. 荷葉堿對大鼠缺血性腦損傷的保護作用及機制研究 [D]. 成都: 西南交通大學, 2021.

[17]王飛雪, 黃小波, 裴卉, 等. 血管性癡呆中醫(yī)病機理論的傳承和發(fā)揚 [J]. 世界中醫(yī)藥, 2022, 17(2): 221-224.

[18]惠振亮, 阮紹萍, 曹瑾, 等. 血管性癡呆中醫(yī)證型臨床研究 [J]. 陜西中醫(yī), 2014, 35(4): 465-467.

[19]劉玉, 秦秀德, 梁偉雄. 從血管性癡呆的方藥分析論其證型分布 [J]. 中國實驗方劑學雜志, 2010, 16(17): 222-224.

Bioinformatics analysis of cuproptosis in vascular dementia and screening of traditional Chinese medicine for prevention and treatment

ZHUO Gui-feng1, 2, CHEN Wei2, ZHU Jian-min1, KUANG Long-jiao1, LIAO Nai-bin2, ZHANG Jin-zhi2, SU Ming-yang2, WU Lin1, 3

1. Science Experiment Center, Guangxi University of Traditional Chinese Medicine, Nanning 530022, China 2. TheFirst Clinical Faculty of Guangxi University of Chinese Medicine, Nanning 530022, China 3. Guangxi Key Laboratory of Basic Research of Traditional Chinese Medicine, Guangxi University of Traditional Chinese Medicine, Nanning 530022, China

Key cuproptosis differentially expressed genes (DEGs) involved in the pathogenesis of vascular dementia (VaD) were selected by machine learning and otherbioinformatics methods. Differentially expressed genes (DEGs) were analyzed.Cuproptosis DEGs were screened based on GSE33000 data set and their correlation was analyzed. Pathway enrichment was performed by cluster typing and gene set variation analysis (GSVA). The weighted gene co-expression network was used to analyze the genes closely related to VaD and the intersection was used to obtain the important genes. The risk prediction nomogram model was constructed to screen the risk factors of important genes. Based on the risk factors, a variety of predictive models of machine learning methods were constructed, and the correlation analysis between them and copper death DEGs was carried out to obtain key genes, and clinical correlation analysis and screening of prevention and treatment of traditional Chinese medicine were carried out.A total of nine cuproptosis DEGs including ATPase copper transporting beta () and lipoic acid synthetase () were obtained. DEGs showed strong synergistic or antagonistic effect between them. According to cuproptosis DEGs, VaD patients could be divided into two subtypes and the expression of DEGs was different among the subtypes. The enrichment results of GSVA pathway after typing involved hedgehog signaling pathway, etc. The turquoise module (37 differential genes) was highly correlated with VaD typing, and its intersection with the dataset differential genes resulted in five important genes, among whichmay be a risk factor for VaD. The prediction performance of generalized linear models (GLM) machine learning model is the highest. Lipoyltransferase 2 (), dihydrolipoamide-acetyltransferase (), dihydrolipoamide dehydrogenase (), pyruvate dehydrogenase E1 subunit beta () and metal regulatory transcription factor 1 () were strongly correlated with risk factors, and could be used as key DEGs for cuproptosis. The expressions of MTF1 and PDHB were negatively correlated with the age of VaD patients (< 0.01). According to cuproptosis death DEGs, 29 traditional Chinese medicines such as sea clam shells, icthyocolla were screened, and their four properties and five flavors were mainly cold, warm and flat, bitter, and sweet, and belonged to the stomach, kidney, heart, liver channels and clearing heat and tonifying deficiency.,and other 9 cuproptosis DEGs regulate each other and their related hedgehog signaling pathways may be an important link in the pathogenesis of cuproptosis in VaD, among which,,,andare key cuproptosis genes. GLM machine learning model can accurately diagnose VaD. ATP7B, LIAS and other cuproptosis DEGs may help to explain the parenteral mechanism of VaD fire-heat internalization accompanied bydeficiency or kidney essence deficiency syndrome. Sea clam shells, icthyocolla, and other traditional Chinese medicines may be sources of potential molecular drugs to combat VaD.

vascular dementia; cuproptosis; heat-clearing and deficiency-tonifying medicine; syndrome parenchyma; machine learning; generalized linear models; sea clam shell; icthyocolla

R285；Q811.4

A

0253 - 2670(2023)21 - 7120 - 10

10.7501/j.issn.0253-2670.2023.21.021

2023-08-16

國家自然科學基金項目（82160885）；廣西中醫(yī)藥大學研究生教育創(chuàng)新計劃項目（YCSW2023384）；廣西中醫(yī)藥大學2015年廣西中醫(yī)基礎研究重點實驗室項目（KJT15007）；廣西中醫(yī)腦病臨床研究中心項目（桂科AD20238028）；廣西高等學校高水平創(chuàng)新團隊及卓越學者計劃（桂教人才（2020）6號）；廣西中醫(yī)藥大學第一附屬醫(yī)院學術團隊建設項目（院字 [2018]146）；廣西中醫(yī)藥重點學科建設項目（GZXK-Z-20-13）

卓桂鋒，博士研究生，研究方向為中醫(yī)藥防治腦系疾病。E-mail: 12942105@qq.com

通信作者：吳 林，博士研究生導師，教授，從事中醫(yī)藥防治腦系疾病研究。E-mail: 358304005@qq.com

[責任編輯 潘明佳]