中性粒细胞百分比-白蛋白比值（NPAR）与糖尿病肾病炎症机制：基于流行病学与转录组学的关键基因发现

《Scientific Reports》：Epidemiological and transcriptome data identify potential key genes involved in inflammatory response for diabetic nephropathy

本研究针对糖尿病肾病（DN）炎症机制不清、缺乏有效生物标志物的问题，通过整合NHANES流行病学数据与GEO转录组数据，揭示了NPAR作为DN新型炎症标志物的临床价值，并发现DUSP1、CXCR1、SKIL等关键基因通过p38MAPK通路驱动DN进展。分子对接提示白藜芦醇、姜黄素、染料木素具治疗潜力，为DN的早期诊断和靶向治疗提供了新思路。

　　

在全球糖尿病患病率持续攀升的背景下，糖尿病肾病（Diabetic Nephropathy, DN）已成为终末期肾病（End-Stage Renal Disease, ESRD）的首要原因，预计到2035年，需要肾脏替代治疗（Renal Replacement Therapy, RRT）的患者将从2819万增至4350万，给全球医疗卫生系统带来沉重负担。尽管已知炎症反应在DN的发生发展中扮演核心角色，但将炎症生物标志物转化为临床实践仍面临成本和技术限制。因此，寻找经济、便捷且可靠的炎症指标，并深入阐明其背后的分子机制，对于DN的早期预警和干预至关重要。

为此，发表在《Scientific Reports》上的一项研究，巧妙地将大规模流行病学调查与高通量生物信息学分析相结合，旨在系统评估新型炎症指标——中性粒细胞百分比-白蛋白比值（Neutrophil Percentage-to-Albumin Ratio, NPAR）与DN的关联，并挖掘其潜在的分子靶点。研究人员利用美国国家健康与营养检查调查（National Health and Nutrition Examination Survey, NHANES）2009-2018周期的数据，纳入了4632名成年糖尿病患者，通过多变量逻辑回归模型分析NPAR与DN（定义为尿白蛋白/肌酐比值（ACR）≥30 mg/g和/或估算肾小球滤过率（eGFR）<60 mL/min/1.73 m2）的关系。同时，从基因表达综合数据库（Gene Expression Omnibus, GEO）获取了GSE30528和GSE96804两个DN相关转录组数据集，整合后利用生物信息学方法进行差异表达基因（Differentially Expressed Genes, DEGs）筛选、加权基因共表达网络分析（Weighted Gene Co-expression Network Analysis, WGCNA）、功能富集分析、机器学习算法筛选关键基因、免疫细胞浸润分析以及分子对接等，多层次、多角度地揭示了NPAR与DN关联的潜在机制。

为开展此项研究，作者主要运用了几项关键技术：基于NHANES数据库的大样本横断面流行病学分析；利用GEO公共数据库的转录组数据整合与批次效应校正；差异表达基因（DEGs）筛选与功能富集分析（GO、KEGG）；加权基因共表达网络分析（WGCNA）构建基因模块；多种机器学习算法（LASSO、随机森林、支持向量机、XGBoost）联合筛选关键基因；CIBERSORT算法进行免疫细胞浸润分析；以及基于分子对接技术的药物-靶点相互作用预测。

3.1.1 基线特征

研究最终纳入4632名参与者，加权后代表29,124,294人，其中DN患病率为39.70%。参与者按NPAR三分位数（T1-T3）分组后，基线特征比较显示，较高NPAR水平与年龄增长、非西班牙裔白人、体力活动不足、肥胖（BMI≥30 kg/m2）、DN患病以及较高的HbA1c、血尿素氮（BUN）、中性粒细胞计数和碱性磷酸酶（ALP）水平显著相关。

3.1.2 NPAR与DN的关联

多变量逻辑回归分析显示，NPAR与DN风险呈显著正相关。与T1组相比，完全调整混杂因素后，T2组和T3组患DN的风险分别增加62%（OR=1.62, 95% CI: 1.22-2.15）和106%（OR=2.06, 95% CI: 1.53-2.77），存在明显的剂量反应关系。

3.1.3 分层与交互作用分析

亚组分析和交互作用检验表明，年龄、性别、种族、吸烟状况、高血压、体力活动水平和BMI等因素均未显著改变NPAR与DN之间的正相关关系（交互作用P值均>0.05），提示NPAR与DN的关联在不同人群中具有稳健性。

3.1.4 平滑曲线拟合与阈值效应分析

平滑曲线拟合揭示NPAR与DN之间存在非线性“J”形关系。两阶段线性回归模型确定拐点为1163.64。当NPAR低于此值时，风险增加不显著；一旦超过该阈值，DN风险显著上升。按性别分层后，男性拐点为1248.94，女性为1119.05。

3.2.1 DN中DEGs的筛选与富集分析

对整合后的转录组数据（50例DN，33例对照）进行分析，共鉴定出693个DEGs（320个上调，373个下调）。GO富集分析表明DEGs富集于趋化作用、白细胞迁移、细胞外基质组织等生物过程。KEGG通路分析显示DEGs显著富集于补体和凝血级联、AGE-RAGE信号通路、PI3K-Akt信号通路等糖尿病并发症相关通路。

3.2.2 共表达基因模块与重叠基因的识别

WGCNA分析确定了8个基因共表达模块，其中绿色和紫色模块与DN呈显著正相关。将DEGs与模块基因取交集，获得75个DN相关基因。

3.2.3 Hub基因的收集、表达分析与PPI分析

将从GeneCards数据库获取的7930个炎症反应相关基因（Inflammatory Response-Related Genes, IRRGs）与75个DN相关基因取交集，最终得到49个Hub基因。蛋白互作网络（Protein-Protein Interaction, PPI）分析揭示了这些基因间的相互作用。表达分析显示，SKIL在DN中表达上调，而CXCR1和DUSP1表达下调。

3.2.4 机器学习算法

联合应用LASSO、随机森林（RF）、支持向量机（SVM）和XGBoost四种机器学习算法筛选关键生物标志物。四种方法共同指向CXCR1、DUSP1和SKIL这三个基因为DN炎症反应中的关键基因。

3.2.5 免疫浸润分析与单基因GSEA分析

CIBERSORT算法分析显示，与对照组相比，DN组M1和M2型巨噬细胞、活化NK细胞、γδ T细胞和静息树突状细胞浸润增加，而中性粒细胞和静息NK细胞减少。相关性分析发现CXCR1表达与M2巨噬细胞呈负相关，DUSP1表达与单核细胞浸润呈正相关。单基因基因集富集分析（Gene Set Enrichment Analysis, GSEA）表明，这三个关键基因均显著富集于MAPK信号通路，提示p38MAPK通路可能是其共同的下游机制。

3.2.6 分子对接

通过比较毒物基因组学数据库（Comparative Toxicogenomics Database, CTD）和分子对接技术预测潜在治疗药物。结果显示，白藜芦醇与DUSP1具有强结合力（结合能为-7.8 kcal/mol），姜黄素与CXCR1结合良好（结合能为-7.4 kcal/mol），染料木素与SKIL存在较好结合相互作用（结合能为-6.0 kcal/mol）。

本研究通过整合流行病学与多组学数据，有力证实了系统性炎症（以NPAR为代表）在DN发生发展中的重要作用。NPAR超过1163.64是DN的独立危险因素，且该关联在不同人群中稳定存在。在分子层面，研究首次系统性地鉴定出DUSP1、CXCR1和SKIL是连接炎症与DN的关键基因，并揭示其可能通过调控p38MAPK信号通路和影响巨噬细胞等免疫细胞浸润来驱动肾脏损伤。分子对接预测的白藜芦醇、姜黄素和染料木素等天然化合物为开发DN的抗炎治疗策略提供了新的候选药物和理论依据。然而，研究的横断面设计无法确定因果关系，DN的诊断并非基于肾活检，且关键基因的功能和药物预测仍需后续实验验证。未来需要前瞻性队列研究和更深入的机制探索来推动这些发现向临床转化。总之，该研究不仅为DN的早期识别提供了简便的炎症指标NPAR，更重要的是揭示了潜在的分子靶点和治疗方向，为理解和管理DN提供了新的视角。