|
结果：
3.1. 解读肝癌肿瘤微环境异质性
首先，作者对 HCC 肿瘤及邻近正常组织（GSM7494113）进行了系统分析。图中展示了主成分分析（PCA）中 PC1 和 PC2 的标准差（见图 1A–D），以评估不同细胞群体间的变异性。与其他细胞类型相比，PC 空间中肿瘤细胞的扩散增加，可能反映了之前讨论的复杂基因调控网络导致适应性修饰的概念。分析中包含的细胞群体包括上皮细胞、浆细胞、B 细胞、T 调控细胞、T 细胞、自然杀伤细胞（NK）、髓系细胞和前 B 细胞（见图 1E，F）。图示了 PCA 中 PC1 和 PC2 的标准差（A–D），以评估不同细胞群体间的变异性。E 和 F 分析中包含的细胞群体包括上皮细胞、浆细胞、B 细胞、T 调控细胞、T 细胞、自然杀伤细胞（NK）、骨髓细胞和前 B 细胞。
解析肝癌肿瘤微环境异质性。（A， B）单细胞基因对 PC 分析的贡献。（C）鉴定及 PC 分析已识别 HCC 细胞。（D）HCC 组织中已识别亚簇细胞的 PC 轨迹。（E， F）基于原理和注释的 HCC 组织 U 图。
3.2. 揭示肝癌中 TYROBP 的表达及功能通路
作者的分析进一步显示，与正常组织相比，CD44 在 HCC 组织中的多种免疫细胞中高度表达，包括 T 调控细胞、T 细胞、NK 细胞、单核细胞、上皮细胞和 B 细胞。TYROBP 基因主要在骨髓细胞中表达，表达水平低，在其他细胞中特异性较低。ITGB2 在 NK 细胞和单核细胞中高度表达（见图 2A），t-NSE 代表不同免疫细胞中 TYROBP 的表达（见图 2B），GSEA 在标志凝血、标志炎症反应、标志 kras_signalling 上升等通路中发现富集（见图 2C–E）。
TYROBP 在癌症中的表达及功能途径研究。（A）不同免疫细胞中 TYROB 和 CD44 基因的表达。（B）不同免疫细胞中 TYROBP 的差异表达。（C–E）TYROBP 及其他基因富集途径，如标志物凝固和标志性炎症反应。
HCC 肿瘤微环境中不同细胞类型的相互作用网络揭示了明显的模式。T 细胞与肿瘤细胞的相互作用次数最多，表明 T 细胞在肿瘤免疫反应中扮演关键角色（图3A）。此外，这些相互作用的强度和重量表明 T 细胞和肿瘤细胞之间相互作用最为强韧（图 3B）。肿瘤细胞通信网络显示肿瘤细胞与 NK 细胞、T 细胞和内皮细胞之间存在显著相互作用，凸显肿瘤细胞相互作用的复杂性（图 3C）。内皮细胞还与 NK、T、肿瘤和红细胞显著通信，尤其是与 NK 细胞和肿瘤细胞的联系尤为紧密（见图 3D）。在 MIF 信号通路网络中，内皮细胞、髓系细胞、T 细胞和 NK 细胞广泛相互作用，内皮细胞与肿瘤细胞、T 细胞和巨噬细胞相互作用显著，突出其在 MIF 信号通路中的关键作用（图 3E）。
肿瘤微环境中的细胞通信。（A）不同细胞类型间的相互作用次数。（B）这些相互作用的权重和强度。（C）单核细胞的通信网络。（D）内皮细胞的通信网络。（E）MIF 信号通路网络。
沿伪时间轴的轨迹分析揭示了不同细胞类型的分化路径，在轴上不同点识别出不同的细胞群体，如 B 细胞、T 细胞、NK 细胞、单核细胞等（图4A）。这些细胞类型沿伪时间轴的密度分布突出显示了某些细胞类型在进展过程中更为突出的特定峰值，表明细胞群体的转变和变化（图 4B）。降维分析（如 t-SNE 或 UMAP）进一步展示了细胞在不同组分中的分布，颜色代表不同的细胞状态。轨迹路径被叠加，展示了不同细胞状态的进展（图 4C）。最后，小提琴图显示了关键基因（HES4、ISG15、NOC2L 和 TNFRSF18）在不同细胞状态下的表达水平，每个状态用颜色表示，显示基因表达在进展过程中的变化（见图 4D）。
细胞类型与基因表达动态分析。（A） 细胞类型轨迹：不同颜色代表每种细胞类型沿伪时间轴的分布和进化路径。（B） 密度图：显示不同细胞类型沿伪时间轴的密度分布，突出细胞群体的转变。（C） 伪时间轨迹：降维图显示不同状态细胞的分布及其进展路径。（D） 基因表达：Violin 图显示特定基因在不同细胞状态中的表达变化。
显示不同样本（HCC 组织GSE25097，DR 样本 GSE160306），颜色梯度从蓝色（低表达）到红色（高表达）表示基因表达的变异。样本被分为“对照组”和“治疗组”，以及标记为“TCGA”的项目分类（图 5A）。侧面的树轮图根据表达模式的相似性将基因聚类，暗示潜在的功能关系或共调控（图 5A）。无尺度拓扑拟合指数绘制为软阈值能力的函数，y 轴表示拟合指数，x 轴代表幂值。当拟合指数接近或超过 0.8 时，通常选择最佳软阈值拟合力，表明网络为无尺度网络（图 5B）。此外，平均连通性与软阈限能力相匹配，有助于确保网络在保持无尺度拓扑特性的同时保持连接（图 5C）。
基因表达与网络分析。（A） 基因表达热图：显示“对照组”和“处理组”样本中各基因的表达水平，颜色从蓝色到红色表示表达从低到高。（B） 尺度独立性图：软阈值功率与无尺度拓扑拟合指数之间的关系，用于选择合适的网络参数。（C） 平均连通性图：展示软阈值功率与平均连通性之间的关系，确保网络连通性。
基于本征基因的模块树轮图聚类，这些特征基因代表每个模块的第一个主成分，揭示了 DR 样本中表达模式相似的模块群（GSE160306）（图 6A）。呈现一个基因的层级聚类树轮图，分支被切割成不同的模块，每个模块分配独特颜色以表示共表达基因的组（图 6B）。显示模块特征基因与外部性状（如对照与处理）之间的相关性，颜色强度和数值反映了这些相关性的强度和方向，同时显示显著 p（图 6C）。显示每个模块的平均基因显著性，突出显示与感兴趣性状关联最强的模块（图 6D）。图中展示了模块成员关系（基因归属度）与性状基因显著性之间的关系，高相关性表明模块中高度关联的基因对该性状也高度显著（图 6E）。同样，对于绿松石模块，显示了模块成员资格与性状基因显著性的相关性（图 6F）。
加权基因共表达网络分析（WGCNA）。（A） 模块特征基因聚类：聚类分析显示表达模式相似的模块。（B） 基因树图和模块颜色：基因被划分为不同颜色的共表达模块。（C） 模块性状关系：热图显示模块与外部性状（如对照组和治疗）之间的相关性。（D） 模块中的基因显著性：条形图显示每个模块中基因和性状的平均重要性。（E） 黑色模块：散点图显示黑色模块内模块成员关系与基因重要性的相关性。（F） 蓝绿模块：类似 E，但专属于蓝绿色模块。
展示了两个数据集中不同机器学习模型的曲线面积（AUC）值，分别是GSE281110（HCC 组织，训练）和 GSE25097（HCC 组织，验证），模型包括 RF（随机森林）与 Ridge、GBM 等组合。参考了该领域扎实的研究方法论 [22， 23， 24]。AUC 值反映了模型表现，值越高表示预测准确性越高，接近 1（见图 7A）。受试者工作特征（ROC）曲线展示了模型在训练数据集上的表现，AUC 为 0.992,95%置信区间为 0.984 至 0.998，展现出卓越的预测能力（见图 7B）。“GSE25097”数据集的 AUC 为 0.798,95%置信区间为 0.757–0.836，表明表现良好但与训练数据相比鲁棒性较低（见图 7C）。混淆矩阵显示真阳性、假阳性和假阴性，提供了模型分类准确性的洞察（见图 7D）。可视化显示基因表达差异，x 轴为 logfold 变化（logFC），y 轴为负 log p 值。红点表示显著上调的基因，绿色点表示下调基因，灰点表示无显著性基因。标记基因中显著变化的基因被突出显示，暗示其在研究环境中的重要性（见图 7E）。
机器学习模型与差异基因表达。（A） AUC 热图：显示训练和GSE25097 数据集上不同模型的 AUC 值，评估模型表现。（B） 训练用 ROC 曲线：AUC 为 0.992，显示训练集表现优异。（C） GSE25097 数据集 ROC 曲线：AUC 为 0.798，表现良好但低于训练集。（D） 混淆矩阵（Train）：显示模型在训练集上的分类准确性。（E） 火山图：展示基因表达差异，突出显著上调和下调基因。
基因间的成对相关性（如 DACH1、MARCO 和 DNASE1L3）以散点图和对角线直方图显示。相关系数表示，统计显著性以星号表示（图8A）。比较“对照组”和“处理组”免疫细胞类型分数显示显著差异，凸显免疫反应可能发生变化（见图 8B）。比较“对照组”和“处理组”特定基因的平均表达水平，观察到的差异表明可能在处理反应中发挥重要作用的基因（见图 8C）。不同基因和模型的 ROC 曲线评估其预测表现，AUC 值表明每个基因或模型在组间差异化的效果。较高的 AUC 值表明预测准确性更高（见图 8D）。图示了每个样本中不同细胞类型比例，“对照组”和“治疗组”之间的差异为免疫格局的变化提供了洞察（图 8E）。
涉及基因表达和细胞类型分布的综合分析。（A） 相关矩阵：显示基因间的相关性和显著性。（B） 细胞类型分布：比较“对照组”和“处理组”中不同免疫细胞类型的比例。（C） 基因表达差异：条形图显示两组特定基因的平均表达差异。（D） ROC 曲线：AUC 值越高，不同基因或模型的预测表现越好。（E） 细胞类型堆叠图：每个样本中不同细胞类型变化的相对比例。
3.9. 免疫细胞相关性及其与特定性状或疾病的关联分析
显示了不同免疫细胞类型与特定性状之间的相关系数，圆圈大小代表相关性强度。圆圈的颜色表示统计显著性，深色对应较低的 p 值（图 9A）。对另一种性状进行了类似分析，相关系数、圆圈大小和颜色传递的关系和显著性信息相同（图 9B）。不同免疫细胞类型之间的成对相关性表现为红色，蓝色表示负相关。颜色强度反映了相关性的强度（图 9C）。
分析免疫细胞相关性及其与特定性状或疾病的关联。（A） 特征 1：显示免疫细胞与特征 1 之间的相关性。（B） 特征 2：显示免疫细胞与特征 2 之间的相关性。（C） 细胞相关热图：显示免疫细胞之间的正负相关性。
3.10. DACH1 基因表达与各种免疫细胞类型的相关性
图中展示了 DACH1 表达与特异性免疫细胞之间的关系。与活化的 CD4 记忆 T 细胞呈负相关（R = −0.41，p = 0.028）（图 10A）。静息 CD4 记忆 T 细胞呈正相关（R = 0.45，p = 0.015）（图 10B）。DACH1 表达与 CD8 T 细胞呈负相关（R = −0.41，p = 0.028）（ 图 10C），与滤泡辅助 T 细胞呈更强负相关（R = −0.56，p = 0.0015）（图 10D）。热图进一步显示不同免疫细胞之间的相关性，连接基因（如 DACH1、MARCO）与免疫细胞的线，显示显著相互作用。线条的粗细和颜色代表这些相关性的强度和方向，红色表示正相关，蓝色表示负相关（图 10E）。
DACH1 基因表达与各种免疫细胞类型的相关性。（A–D）相关图：DACH1 与不同免疫细胞之间的正负相关，以及与 CD8 T 细胞的负相关。（E）基因细胞网络：显示基因与免疫细胞之间显著的相互作用，线条显示相关强度和方向。
通过降维和聚类处理GSE209872（DR 样本）的单细胞数据，随后人工注释，最终识别出九种不同细胞类型：杆状细胞、穆勒细胞、BC（双极细胞）、AC（乳腺细胞）、内皮细胞、周细胞、小胶质细胞、锥细胞和 ACHC（图 11A）。显示了疾病组和对照组细胞的分布，并为每组分别展示了可视化（图 11B）。用于细胞注释的标记基因表达以气泡图、小提琴图和散点图表示（图 11C–E）。细胞比例分析显示组间存在显著变化。具体来说，杆细胞和 AC 细胞在疾病组中显著减少，而穆勒细胞、内皮细胞、小胶质细胞和锥细胞在疾病组中比例增加（见图 11F，G）。
DR 的单细胞维数缩减聚类分析。（A）细胞注释 UMAP 显示;（B）细胞注释 UMAP 疾病和对照组显示;（C）标记基因的气泡图。（D）细胞标记基因的小提琴图。（E）细胞中标记基因的散点图，其中一个图代表一个基因。（F）细胞比例条形条形图。（G）细胞比例条形图。
为研究疾病组和对照组主要细胞类型中铁蛋白吞噬基因的表达，采用 ssGSEA 方法计算每个细胞的食铁蛋白 Ferritinophagy_score。结果通过 UMAP 可视化（图12A）。锥细胞和 ACHC 细胞的铁蛋白吞噬评分低于其他细胞类型（图 12B）。疾病组与对照组铁蛋白噬评分的差异分析（见图 12C）显示，Müller、Rod 和锥细胞表现出显著差异，疾病组的铁蛋白吞噬评分高于对照组（p < 0.05）。基于中位铁蛋白吞噬得分（0.499），细胞被分为高铁蛋白吞噬组和低铁蛋白吞噬组。结果显示了这些组的 UMAP 可视化（见图 12D）。分析了不同类型中高铁蛋白吞噬细胞和低铁蛋白吞噬细胞的比例，内皮细胞、小胶质细胞、穆勒细胞和周细胞主要属于高铁蛋白吞噬组，而 ACHC、锥细胞和杆状细胞则在低铁蛋白吞噬组中更为丰富（见图 12D–F）。此外，疾病组与对照组在高铁蛋白吞噬和低铁蛋白吞噬组中铁蛋白吞噬评分的比较（图 12G）显示，DR 组的穆勒细胞在高铁蛋白吞噬评分中比例显著高于低评分组。相比之下，杆状细胞和锥状细胞表现出相反趋势（杆状细胞和锥状细胞结果见图 12A）。
铁蛋白吞噬基因对细胞单细胞的影响。（A） UMAP 显示细胞中的铁蛋白吞噬评分;（B） 不同细胞中的铁蛋白吞噬评分显示。（C） 不同细胞疾病控制中铁蛋白吞噬评分差异分析的盒图，其中一图代表一个细胞;（D， E）UMAP 显示细胞中高铁蛋白吞噬和低铁蛋白吞噬的分组情况。（F） 高低铁蛋白吞噬组不同细胞比例的直方图;（G） 疾病对照组中穆勒细胞中高低铁蛋白吞噬组的比例进行了直方图叠加。
细胞间通信依赖配体与其受体之间的复杂相互作用，以及随后特定细胞信号通路的激活。研究这些配体-受体相互作用对于理解细胞行为和复杂生物学过程至关重要。CellChat 软件用于研究该研究，以预测高铁蛋白吞噬组和低铁蛋白噬细胞间的细胞通信，显著阈值为p < 0.05。如图 13A 所示，高铁蛋白吞噬组与 BC、AC、内皮细胞、周皮细胞、小胶质细胞、锥细胞和 ACHC 细胞之间的细胞通信频率高于低铁蛋白摄食组。相反，高铁蛋白吞噬组与杆状细胞、Müller、BC、AC 和 Müller–Rod 细胞之间的通讯频率低于低组。此外，高铁蛋白吞噬组的细胞间通信总体频率高于低细胞组，如图 13B 所示。
膜蛋白介导的铁蛋白噬导通信。（A）与高铁蛋白噬细胞配体-受体对数热图相比，颜色越接近红色，高铁蛋白噬细胞的频率和强度越高，颜色越接近蓝色，低铁蛋白噬细胞的频率和强度越高。（B）疾病组和对照组细胞通信频率条形图;（C，D）高评分组和低评分组细胞生成传播信息（传出和传入）通路的热图。脓肿代表细胞，纵值代表通信通路名称。（E）高评分组和低评分组中上调和下调受体对的热图;（F）膜蛋白配体受体基因的表达;（G）不同细胞间的弦图中显示了 PSAP 信号通路;（H）弦图中显示了不同细胞间的 Vegf 信号通路。不同颜色表示不同细胞间的通信，宽度表示通信强度。
为进一步阐明复杂的细胞间相互作用网络及其影响，系统分析了通信网络，以识别每种细胞类型的主导信号角色——既是发射者也是接收者。本分析突出了每种细胞类型在不同群体中对输入信号传输的信号贡献。传出和传入信号通路的结果见图13C，D。值得注意的是，高铁蛋白吞噬组的 Psap 和 MK 信号传导增强，而低铁蛋白吞噬组的 VEGF 信号更为明显，表明这些通路可能在疾病进展中发挥重要作用。
细胞间配体-受体对的显著差异集中在 Psap−Gpr37、Vegfa−Vegfr1、Vegfa−Vegfr2、PTN − NCl 和 MDK − NCl 等。配体-受体对的差异分析显示，Psap、Gpr37 和 Vegfa 为膜结合蛋白。Psap 基因表达在大多数细胞类型中均有表现，其中 Gpr37 主要在 Müller 细胞中表达，Vegfa 在 Rod、Müller 和 BC 细胞中表达较为显著。进一步可视化了 Psap 和 VEGF 信号通路。图13G 展示了主要存在于 Müller 细胞及其他细胞类型的 Psap 信号通路，参与增殖、分化、凋亡和细胞间通讯等细胞过程。VEGF 信号通路如图 13F 所示，是与 DR 血管进展相关的血管内皮生长因子通路。在高铁蛋白吞噬组中，该通路的传播主要出现在 Müller 和 BC 细胞中，而在低铁蛋白吞噬组中，Müller、内皮细胞和 BC 细胞中更为明显。进一步分析表明，Müller 细胞可能在介导膜结合蛋白对疾病进展的影响中起关键作用。
为了研究穆勒细胞的异质性，前一步识别的细胞进行了降维和聚类分析。基于最优分辨率，选择了 0.2 的分辨率，从而识别出三个不同的穆勒细胞亚群：Müller1、Müller2 和 Müller3（见图14A）。为了识别区分这些穆勒细胞亚型的基因，应用了 FindAllMarkers 函数，参数仅设为 min.pct = 0.2。Pos = TRUE，logfc.threshold = 0.5。结果显示 Müller1 细胞高表达基因如 Fcgrt、Cd44、Ednrb、Eci2 等;Müller2 细胞表现为 Cnga1、Hk2、Pde6a 等高表达;Müller3 细胞表达的基因如 Camk2b、Neurod4、Cabp5 等（图 14B，C）。表 S5 提供了 完整的差异表达基因列表。
铁蛋白吞噬相关细胞子集分析。（A）UMAP 显示的穆勒亚群异质性;（B）穆勒亚群的标记基因气泡图;（C）穆勒亚群的标记基因图;（D）高低排名组比例直方图中的穆勒亚群;（E）疾病控制组中穆勒亚群比例的直方图;（F）亚群特征基因 GO 富集分析用自噬相关通路条形图;（G）KEGG 富集分析的杆图;（H）穆勒 1 亚群前 10 个特征基因与铁蛋白摄取评分相关热图。
比例分析结果（图14D，E）显示，高铁蛋白吞噬组中 Müller1 亚组的比例显著高于低铁蛋白吞噬组，而低铁蛋白吞噬组中 Müller2 细胞的比例有所增加。值得注意的是，疾病组中 Müller1、Müller2 和 Müller3 细胞的比例高于对照组。
基因本体生物学过程（GOBP）富集分析（图14F）显示，Müller1 亚群在与凋亡调控相关的通路中显著富集，包括对外源性凋亡信号传导、神经元凋亡和凋亡信号通路的正向调控。
KEGG 富集分析（图14G）进一步揭示，Müller1 细胞在硫代谢、半乳糖代谢、淀粉和蔗糖代谢、铁消亡、切迹信号、内质网蛋白加工及粘附斑块溶酶体等通路中富集。Müller2 亚组富集于与有丝分裂信号传导相关的通路，帕金森病、肌萎缩侧索硬化症，而 phototransduction.Müller3 细胞则富集于与糖尿病心肌病、发热、朊病毒病和氧化磷酸化相关的通路。
最后，选出了 Müller1 亚组中表达差异最大的前 10 个特征基因，并计算了它们与铁蛋白吞噬评分的相关性。结果显示这些特征基因与铁蛋白吞噬评分呈显著正相关（p < 0.05）。
3.15. 潜在靶膜蛋白介导铁自热关键亚型基因药物
为探讨基于 Müller1 亚组特征的基因表达差异，对体型队列应用 ssGSEA 进行评分和计算样本。样本随后根据中位数得分分为高分组和低分组。使用 DESeq2 软件进行了高分组和低分组的差异表达分析。共识别出 318 个差异表达基因，其中 310 个基因在高分组上调，8 个基因下调（见图15A）。使用 ggplot2（版本 3.5.0）生成的火山图展示了这些基因的差异表达。使用 ComplexHeatmap（2.18.0 版）创建的热图用于可视化上调和下调基因的表达模式（见图 15B）。
潜在靶膜蛋白介导铁自养关键亚型基因药物。（A） Bulk 队列中高评分亚组与低评分亚组间差异表达基因的火山图谱;（B） 差异基因的热图;（C） 差异基因蛋白相互作用网络（PPI）;（D） 蛋白质相互作用网络前 10 枢纽基因连接显示;（E） 枢纽基因网络图;（F） 枢纽基因的靶向药物预测。
利用 STRING 数据库构建了 318 个差异表达基因蛋白的相互作用网络，揭示了 173 个节点和 517 条边缘的网络（见图15C）。中心基因定义为在网络中扮演关键角色的基因，基于每个节点的度数指数被识别。选择度数最高的前 10 个基因作为中心基因，结果显示 IL-6 度数最高，其次是 IL-1B，表明这些中心基因在网络中的作用比其他基因更重要（见图 15D）。进一步研究显示，这 10 个中心基因主要参与炎症和免疫。
为探讨潜在治疗靶点，构建了 10 个枢纽基因的蛋白-蛋白相互作用网络（图15E）。此外，作者利用 DGIDB 数据库预测这些枢纽基因的潜在靶点药物。使用 ggplot2 绘制了基因与药物之间的关系图，显示 45 个靶药与 10 个枢纽基因相关，其中 6 种药物与 IL-6 相关。值得注意的是，SILTUXIMAB、CLAZAKIZUMAB、SIRUKUMAB、ELSILIMOMAB、PF‐04236921 和 OLOKIZUMAB 等药物被发现靶向 CSF1R 基因及其他枢纽基因（见图 15F）。
3.16. 中央枢纽基因 NCOA4、GPX4、SLC7A11 和 FRHGs 的验证
为研究参与铁蛋白吞噬和氧化应激反应的关键基因表达，作者对 RMC-1 细胞在正常葡萄糖条件（CON）、甘露醇处理条件（MA）和高血糖条件下培养了 24 小时（24 小时 HG）和 48 小时（48 小时 HG）。使用 qRT-PCR 评估了基因 NCOA4、GPX4、SLC7A11、Psap、Gpr37 和 VegfA 基因的表达水平。结果显示，高葡萄糖处理下铁蛋白吞噬和氧化应激标志物的表达发生显著变化。在 48hHG 组中，NCOA4 显著上调（较 CON 增加 2.8 倍，p = 0.02），而 GPX4 和 SLC7A11 表达水平均显著下调（分别下降 1.5 倍，p = 0.03，下降 2.1 倍，p = 0.01）。这些发现凸显了高血糖环境下抗氧化反应的失调。此外，48hHG 组的 Psap、Gpr37 和 VegfA 表达水平显著提升，较 CON 组显著提升（Psap：增加 3.2 倍，p = 0.005;Gpr37：增加 2.7 倍，p = 0.01;VegfA：增加 2.5 倍，p = 0.02）。这些变化表明这些基因在糖尿病中观察到的炎症和血管变化中可能起作用。此外，qRT-PCR 分析确认，在高血糖暴露 48 小时后，RMC-1 细胞中包括 IL-6、IL-1β、ITGAM 和 ITGβ2 在内的关键炎症标志物表达显著上调（IL-6：增加 2.1 倍，p = 0.04;IL-1β：增加 2.4 倍，p = 0.03;ITGAM：增加 2.3 倍，p = 0.03;ITGβ2：增加 2.2 倍，p = 0.03）。 这些结果与作者的生物信息学分析结果一致（见图 16），进一步支持高血糖在诱导促炎状态中的作用（见图 16）。
验证了与铁蛋白吞噬作用相关的基因 NCOA4、GPX4、SLC7A11 PSAP 和 GPR37 在穆勒细胞和 HCC 细胞中的表现。（A）通过 qRT-PCR 在未处理（对照组）、甘露醇高渗组、24 小时高血糖处理组和 48 小时高血糖处理组（n = 5）中，对 NCOA4、GPX4、SLC7A11 PSAP 和 GPR37 mRNA 水平进行了外部验证。（B） 通过 qRT-PCR 在未处理（对照组）、甘露醇高渗组、24 小时高血糖处理组和 48 小时高血糖处理组中，外部验证了肝炎 2（HCC）细胞中的 NCOA4、GPX4、SLC7A11 PSAP 和 GPR37 mRNA 水平（n=5）。*p < 0.05;**p < 0.01;p < 0.001。
总结
通过单细胞测序和功能分析，作者鉴定出三个参与 DR 和 HCC 的膜蛋白基因（PSAP、GPR37 和 VEGFA），并将其与铁蛋白吞噬通路联系起来。这些基因有望作为 DR 的生物标志物。作者还鉴定了介导铁蛋白吞噬的关键基因（IL-6、IL-1β、ITGAM、CD44 和 ITGβ2），为潜在治疗靶点提供了支持。基于这些发现，作者预测针对铁蛋白吞噬的药物有望为 DR 提供新的治疗方法。作者的研究凸显了 DR 与 HCC 之间的共同机制，为针对两种疾病的靶向治疗铺平了道路
|
