揭秘溃疡性结肠炎关键基因，锁定三大生物标志物开启诊疗新篇

为解决溃疡性结肠炎（UC）诊疗难题，山东大学研究人员开展与 UC 中 DRF 相关的研究。结果发现 118 个 DRF 基因，筛选出 XBP1 等三个生物标志物。该研究为 UC 诊疗提供新思路，强烈推荐科研读者阅读。

　　

溃疡性结肠炎（Ulcerative Colitis，UC）是一种令人头疼的慢性炎症性肠病，它就像肠道里的 “小恶魔”，会不同程度地影响直肠和结肠。患者常常要忍受排便时的腹部绞痛、血便，以及排出脓液和黏液的痛苦 。近年来，UC 的发病率在一些新兴工业化国家持续上升，已经成为一个全球性的健康难题，给患者家庭和社会都带来了沉重的经济负担。

目前，UC 的发病机制还没有完全弄清楚，虽然知道肠道上皮屏障缺陷、肠道微生态变化和免疫失调与它的发展密切相关，但具体是怎么回事还不清楚。在治疗方面，临床上常用氨基水杨酸、硫嘌呤和生物制剂，但 UC 很容易复发，长期治疗还可能带来严重的副作用。就好像一场无休止的战斗，患者不仅要忍受疾病复发的痛苦，还要面对治疗带来的各种不良反应。所以，探索 UC 的分子亚型和新的生物标志物，进行精准治疗，成为了医学领域亟待解决的问题。

为了攻克这些难题，来自山东大学的研究人员在《Genes》期刊上发表了题为 “Disulfidptosis - related Ferroptosis Gene - Based Molecular Subtyping and Biomarker Identification in Ulcerative Colitis” 的论文。他们经过一系列研究，发现了与二硫死亡相关的铁死亡（Disulfidptosis - related Ferroptosis，DRF）基因在 UC 发展中的重要作用，还筛选出了三个潜在的生物标志物 XBP1、FH 和 MAP3K5，为 UC 的诊断和治疗提供了新的方向。这就好比在黑暗中为医生和患者点亮了一盏明灯，让他们在对抗 UC 的道路上看到了新的希望。

研究人员在这项研究中用到了不少厉害的技术方法。他们从公共数据库（如 Gene Expression Omnibus，GEO）下载 UC 基因表达谱数据，去除批次效应后，用 Pearson 分析找出 DRF 基因。然后通过非负矩阵分解（NMF）算法对 UC 患者进行聚类分析，划分分子亚型。利用多种算法，像 limma、WGCNA、LASSO、SVM - RFE 和 Random Forest（RF）等，筛选差异表达基因、关键模块基因和生物标志物。还通过动物实验和 RT - qPCR 实验进行验证，这些技术方法就像一套精密的工具，帮助研究人员一步步揭开 UC 的神秘面纱。

下面我们来看看研究人员都发现了什么。

数据处理

研究人员从 GEO 数据库下载了四个数据集，把其中三个数据集的 172 个样本合并起来研究。他们用 “sva” R 包中的 “ComBat” 函数去除了批次效应，主成分分析（PCA）结果显示批次效应被有效去除了。就好像给数据做了一次 “清洁”，让数据变得更加纯净，便于后续分析。通过相关性分析，他们找到了 118 个 DRF 基因，并绘制了桑基图展示这些基因之间的紧密联系，这为后续研究奠定了基础。

UC 患者的无监督聚类

研究人员根据 118 个 DRF 基因的表达水平，用 “NMF” 包对 UC 患者进行分类。经过一系列评估，他们把 140 个 UC 样本分成了 C1 和 C2 两个亚型，C1 是 DRFScore_high 组，C2 是 DRFScore_low 组。用 MCPcounter 算法分析发现，DRFScore_high 组在多种免疫细胞和基质细胞中的浸润程度更高，但 NK 细胞浸润较少。在炎症因子方面，两组也有明显差异，DRFScore_high 组的炎症水平相对较高。而且，GSVA 分析显示两组在信号通路方面也有不同，DRFScore_high 组的 P53 信号通路和 T 细胞受体信号通路被激活，而 DRFScore_low 组的氧化磷酸化和酪氨酸代谢通路更活跃。临床特征分析还发现，DRFScore_high 组主要是活动性 UC 患者，DRFScore_low 组则以非活动性 UC 患者为主。这就像是给 UC 患者做了一次 “基因画像”，发现不同亚型的患者在免疫、炎症和疾病活动性方面都有很大差别。

差异表达基因（DEGs）的鉴定和 WGCNA 分析

研究人员用 “limma” R 包分析正常组织和 UC 组织的基因表达差异，得到了 1747 个差异表达基因。接着，他们用 WGCNA 算法构建基因共表达网络。先筛选出 5000 个基因进行分析，选择合适的软阈值构建标准无标度网络，再通过聚类分析找到与 UC 表型高度相关的模块，也就是绿色黄色模块。最后，通过交集分析得到了 30 个 hub 基因。对这些 hub 基因进行 GO 富集分析发现，它们主要参与了免疫调节、激素分泌调节等重要生物学过程，这些过程都和 UC 的发生发展密切相关。这一步就像是在基因的 “大森林” 里找到了关键的 “大树”，这些 hub 基因对理解 UC 的发病机制至关重要。

UC 生物标志物的鉴定

研究人员用 LASSO、RF 和 SVM - RFE 三种机器学习算法对 30 个 hub 基因进行筛选，最终得到了三个重叠基因 XBP1、FH 和 MAP3K5 作为 UC 的生物标志物。小提琴图显示，UC 患者中 MAP3K5 和 XBP1 的表达水平比正常人高，而 FH 的表达水平比正常人低，在验证数据集中也得到了同样的结果。ROC 分析表明，这三个基因对 UC 都有很好的诊断价值，AUC 值都超过了 0.8。这三个生物标志物就像是 UC 的 “基因密码”，为诊断 UC 提供了重要线索。

基于生物标志物的 UC 诊断模型的列线图构建和免疫浸润分析

研究人员根据这三个生物标志物的表达水平，构建了基于逻辑回归的 UC 诊断模型，并绘制了列线图。校准曲线、DCA 曲线和 ROC 曲线都显示这个模型诊断 UC 的可靠性很高。用 CIBERSORT 算法分析发现，这三个生物标志物和免疫细胞浸润有密切关系，比如 FH 与巨噬细胞 M2 的丰度正相关，与巨噬细胞 M0 的丰度负相关等。这个诊断模型就像是一个 “智能诊断助手”，医生可以根据它更方便地评估患者患 UC 的风险，还能了解疾病和免疫细胞之间的关系。

转录因子（TFs）和潜在天然化合物的确定

通过 NetworkAnalyst 平台，研究人员预测了调控这三个生物标志物的转录因子，发现 XBP1 受 6 个 TFs 调控，MAP3K5 受 7 个 TFs 调控，FH 受 11 个 TFs 调控。他们还用 HIT 2.0 数据库预测了潜在的天然化合物，找到了 6 种可能用于治疗 UC 的天然化合物，其中槲皮素、褪黑素和白藜芦醇已经被证实对缓解 UC 有一定作用。这就像是为治疗 UC 找到了新的 “武器库”，这些转录因子和天然化合物可能成为未来治疗 UC 的新方向。

动物模型验证

为了进一步验证这三个生物标志物的诊断价值，研究人员在 C57BL/6 小鼠的 UC 模型上进行了实验。他们给小鼠喝含有 3% DSS 的溶液诱导 UC，结果发现 DSS 组小鼠的结肠出现充血、肿胀，还有血便，结肠长度也明显缩短。组织学分析显示小鼠结肠有广泛溃疡、黏膜上皮细胞坏死等症状，这说明 UC 模型成功建立了。检测小鼠结肠中 FH、MAP3K5 和 XBP1 的 mRNA 表达水平后发现，DSS 组中 MAP3K5 和 XBP1 的表达水平明显升高，FH 的表达水平明显降低，这和之前生物信息学分析的结果一致。动物实验就像是一个 “小型战场”，在这里进一步验证了生物标志物和 UC 之间的关系，为临床应用提供了更有力的证据。

在讨论部分，研究人员指出 UC 目前仍然是一个难以治愈的疾病，现有治疗方法存在很多问题，所以寻找新的治疗靶点和生物标志物非常重要。他们通过研究发现 DRF 基因与 UC 的免疫微环境和炎症反应密切相关，高表达的 DRFScore 意味着更高的免疫浸润和炎症水平，会加重 UC 病情。筛选出的三个生物标志物 XBP1、FH 和 MAP3K5 不仅有很好的诊断价值，还和免疫细胞调节有关。而且，预测的转录因子和天然化合物也为 UC 的治疗提供了新的思路。不过，研究也存在一些局限性，比如数据来自公共数据库，还需要更多临床数据验证，也需要用人体样本进一步探索机制。

总的来说，这项研究全面系统地揭示了 DRF 基因在 UC 中的潜在作用，发现了不同 DRF 亚型之间的临床和免疫异质性，筛选出了生物标志物并构建了诊断模型，还预测了潜在的治疗化合物。这为 UC 的发病机制研究奠定了基础，为 UC 的早期诊断和精准治疗提供了新的方向，就像为 UC 的研究和治疗打开了一扇新的大门，让我们离攻克 UC 这个难题又近了一步。