导语

壹

ONE

AD 中 RCD 相关基因相关亚型
8 个 AD 数据集包括 755 名 AD 患者。具体来说，数据集GSE106241包括 60 个样本，而 GSE118553 有 301 个样本，GSE122063 有 56 个样本，GSE132903 有 97 个样本，GSE28146 有 22 个样本，GSE48350 有 80 个样本，GSE5281 有 87 个样本，GSE84422 有 43 个样本。接下来，通过集成和规范化这些数据集，作者能够提高数据分析的稳健性和可靠性。然后，使用共识集群将 AD 患者分为两种 AD 亚型。采用 CDF（累积分布函数）来确定影响最大稳定性的 k 值。Delta 面积图表明，在 k = 2 后，曲线下的面积急剧减少（图 1A-C）。根据 RCD 相关基因的 mRNA 表达，PCA 图描绘了两种 AD 亚型之间的差异（图 1D）。在两个集群中鉴定出 DEGs 后，确定了两个集群中的 245 个共享 DEGs（图 1E，补充表 2）。GO 和 KEGG 分析显示，这些 DEGs 主要富含跨突触信号传导、神经元对神经元突触、多巴胺能突触、轴突导向和神经变性通路的调节，表明这些 DEGs 可能在 AD 发展中发挥关键作用（图 1F-G）。

贰

TWO

AD 亚型的临床特征
接下来，作者比较了两种 AD 亚型的临床特征。值得注意的是，簇中的 γ 分泌酶活性、β 分泌酶活性、淀粉样蛋白-β 42 水平和 α 分泌酶活性显著升高。A 患者与集群相比。GSE106241 中的 B 患者（图 2A-D）。结果还显示，braak、斑块、NFT、临床痴呆评级，而不是 PH 在集群中经历更高。A 患者与集群相比。B 患者在 GSE84422 中（图 2E-I），而 MMSE 在集群中显着降低。A 患者与集群相比。GSE48350 中的 B 患者（图 2J）。这些结果表明，集群中的患者。一个亚型比集群中的亚型显著加速了 AD 进展。B 亚型。更有趣的是，该集群中女性患者的年龄和数量明显更高。A 患者与集群相比。元队列中的 B 患者（图 2K 和 L）。

叁

THREE

AD 亚型免疫景观特征
通过使用 ESTIMATE 算法，研究人员观察到 cluster.与集群相比，一组表现出更高的免疫评分、基质评分和估计评分。B 组。此外，使用 7 种算法分析了基于免疫细胞群的免疫景观。在簇之间免疫细胞群的相对分布中观察到显着差异。A 和集群。B 组和集群。与集群相比，一组表现出更高的免疫细胞群。B 组（图 3A，补充图 2）。此外，免疫调节剂在集群中较高。群集中的组。B 组（图 3B，补充图 3）。簇的主要途径 （Wnt 信号通路、JAK-STAT 信号通路）活性。A 显著高于 cluster。B（图 3C，补充图 4）。总之，患者聚集。一组表现出更大程度的免疫浸润、更高的免疫调节剂和更高的通路活性，这可能是导致 AD 进展的原因。

肆

FOUR

鉴定与 AD 进展相关的关键模块基因
为了识别与 AD 进展相关的关键模块基因，应用了 WGCNA 算法。首先，计算元队列中每个基因之间的 Pearson 相关系数。结果表明，当 β 为 3 时，达到 R2=0.85 的水平（图 4A）。接下来，通过计算模块间的差异构建基因模块的树图，最终得到 14 个模块（图 4B）。结果表明，turquoise 模块与 cluster 呈负相关。一组 （r=-0.67，P<0.001，图 4C）。此外，GO 和 KEGG 分析显示，在生物过程中，关键模块基因主要富集在神经变性途径中，例如突触前内吞作用、囊泡介导的突触转运、突触后致密、突触后特化和 GABA 能突触（图 4D 和 E）。总之，这些结果表明这些关键模块基因可能在 AD 发展中发挥关键作用。最后，选择了两种 AD 亚型之间的 DEGs 中的 23 个重叠基因以及与 AD 进展相关的关键模块基因进行进一步研究（补充表 3）。

分型+WGCNA+机器学习+GWAS，联合思路发8+，性价比也太高了！！

伍

FIVE

RCD.score 的构建
为了进一步探索 23 个基因特征，作者进行了人工智能 （10 种机器学习算法，113 种组合） 来筛选出潜在的预测因子。然后计算 12 个最佳枢纽基因的表达，并通过这些基因的回归系数进行加权，以计算每个患者的风险评分（图 5A，补充表 4）。根据方法部分，一个有趣的发现揭示了 RF（随机森林）成为突出的模型，在所有人工智能算法中获得了最高的平均 AUC （0.802）（图 5B）。具体来说，作者使用 ROC 曲线分析对整个队列进行了评估，以确定 RCD.score 的有效性。在训练数据集 （GSE1） 中发现 AUC 为 000.118553。验证队列 （GSE106241：0.789 、 GSE122063：0.814 、 GSE132903：0.757 、 GSE28146：0.769 、 GSE48350：0.728 、 GSE5281：0.758 和 GSE84422 ：0.799 ）分别显示出相似的结果。由于上述发现，RCD.score 表现出非凡的稳定性和在众多独立队列中进行推断的能力。

接下来，作者使用前面提到的技术进行了广泛的分析，以提取已发布的签名。该分析的目的是评估和比较 RCD.score 与与 AD 相关的其他特征的有效性。最后获得线粒体、泛细胞凋亡、铜固醇、铁死亡、免疫、氧化、ICD （免疫原性细胞死亡）、m12G、TCR （T细胞抗原受体）、染色质、代谢、m7a 等 6 篇文章。对于每个签名，作者计算了 AUC，并最终注意到 RCD.分数达到最大 AUC（图 5C）。由于 RCD.score 是通过采用多种机器学习算法的融合获得的，因此模型对 RCD.score 的预测（由 AUC 衡量）的性能明显优于其他签名。

陆

SIX

RCD.score 的功能注释及其临床特征
接下来，采用 GSEA 来探索高/低 RCD.score 组之间的潜在机制。结果显示，神经退行性变通路，如神经元到神经元突触、神经递质分泌、帕金森病和阿尔茨海默病（图 6A 和 B）。然后，作者探讨了 RCD.score 与其临床特征之间的相关性。值得注意的是，与低 RCD 相比，高 RCD.score 组的 γ 分泌酶活性、β 分泌酶活性、淀粉样蛋白-β 42 水平和 α 分泌酶活性显著升高。GSE106241 中的分数组（图 6C-F）。结果还显示，在高 RCD 中，braak、斑块、NFT 和临床痴呆评级更高。评分组与 GSE84422 中低 RCD.score 组相比（图 6G-J），而与 GSE48350 中低 RCD.score 组相比，高 RCD.score 组的 MMSE 明显较低（图 7k）。这些结果表明，高 RCD.score 组的患者比低 RCD.score 组的患者显著加速了 AD 进展。更有趣的是，与元队列中的低 RCD.score 组相比，高 RCD.score 组的年龄明显更高（图 6L）。此外，集群中的 RCD.score 和高 RCD.score 患者的数量明显更高。A 患者与集群相比。元队列中的 B 患者（图 6M 和 N）。

柒

SEVEN

高/低 RCD.score 组的免疫景观特征
通过采用 ESTIMATE 算法，研究人员观察到，与低 RCD.score 组相比，高 RCD.score 组表现出更高的免疫评分、基质评分和 estimate 评分。此外，与低 RCD.score 组相比，高 RCD.score 组显示出更高的免疫细胞群（图 7A，补充图 5）。此外，高 RCD.score 组的免疫调节剂高于低 RCD.score 组（图 7C）。高 RCD.score 组的主要途径 （wnt 信号通路，JAK-STAT 信号通路） 活性显著高于低 RCD.score 组 （图 7B，补充图 6）。总之，高 RCD.score 组的患者表现出更大程度的免疫浸润、更高的免疫调节剂和更高的通路活性，这可能是导致 AD 进展的原因。

捌

EIGHT

GWAS 分析
根据 FinnGen 数据库，作者确定了 130 个与 AD 相关的风险基因（图 8A）。GO 和 KEGG 分析显示，这些风险基因主要富集于神经系统发育调节、神经元死亡、突触组织和突触囊泡周期等神经变性通路。值得注意的是，作者发现免疫相关通路，如 Th1 和 Th2 细胞分化以及 Th17 细胞分化显著富集，表明这些免疫可能在 AD 发展中发挥关键作用（图 8B 和 C）。然后，在之前建模的 12 个基因中，有 4 个被认为是 AD 的风险基因（图 9A）。接下来，SMR 表明 4 个基因表达与 AD 发作之间存在显着的因果关系（图 9B-E）。

总结

作者根据 RCD 相关基因确定了两种不同的亚型，每种亚型都表现出不同的标志性通路活性和免疫学景观。具体来说，就是集群。A 患者免疫浸润水平较高，免疫调节剂水平较高，AD 进展不良。利用这些亚型的共享 DEGs 和 WGCNA，作者构建了一个 RCD。分数，在多个数据集中表现出出色的 AD 预测能力。此外，RCD.score 被确定与不良 AD 进展表现出最强的相关性。从机制上讲，作者在高 RCD.score 组中观察到信号通路的激活以及有效的免疫浸润和免疫调节剂，从而导致不良的 AD 进展。