Investigation of Stress Granule-Associated Biomarkers (IGF1 and CDK2) and Their Regulatory Mechanisms in Alzheimer’s Disease: A Combined Transcriptomic, Bioinformatic and Experimental Study

Technisches Resümee: Untersuchung von Stressgranula-assoziierten Biomarkern (IGF1 und CDK2) bei Alzheimer-Krankheit

Problemstellung
Die Alzheimer-Krankheit (AD) ist die weltweit primäre Ursache für Demenz und ist durch Amyloid-β (Aβ)-Plaques sowie neurofibrilläre Tangles (NFTs) gekennzeichnet. Trotz der Zentralität der Aβ- und Tau-Pathologie bleibt die Früherkennung aufgrund eines Mangels an spezifischen Biomarkern erschwert, zudem bieten aktuelle Therapien lediglich eine symptomatische Linderung. Jüngste Erkenntnisse deuten darauf hin, dass Stressgranula (SGs) – dynamische, membranlose Kondensate, die während zellulären Stresses gebildet werden – eine Rolle in der AD-Pathogenese spielen, indem sie potenziell die Tau-Oligomerisierung und synaptische Dysfunktion fördern. Die regulatorischen Schaltkreise, die SGs mit AD verknüpfen, sowie die Identifizierung spezifischer SG-assoziierter Biomarker sind jedoch noch unzureichend definiert. Diese Studie zielt darauf ab, diese Lücke durch die Identifizierung von SG-bezogenen transkriptionellen Biomarkern bei AD unter Verwendung eines kombinierten bioinformatischen und experimentellen Ansatzes zu schließen.

Methodik
Die Studie verwendete eine mehrstufige Pipeline, die öffentliche transkriptomische Daten mit experimenteller Validierung integrierte:

1. Datenerfassung und Vorverarbeitung: Zwei transkriptomische Datensätze aus peripherem Blut (GSE97760 als Trainingskohorte und GSE140831 als Validierungskohorte) wurden aus der GEO-Datenbank abgerufen. Eine Liste von 844 Stressgranula-bezogenen Genen (SGRGs) wurde aus GeneCards zusammengestellt.
2. Screening von Kandidatengenen: Differenziell exprimierte Gene (DEGs) wurden im Trainingssatz identifiziert (|log₂FC| > 0,5, p < 0,05) und mit der SGRG-Liste überschnitten, was 287 Kandidatengene (CGs) ergab.
3. Netzwerk- und Funktionsanalyse: Protein-Protein-Interaktionsnetzwerke (PPI) wurden mittels STRING und Cytoscape konstruiert, um Schlüsselknoten zu identifizieren. Gen-Ontologie- (GO) und KEGG-Anreicherungsanalysen wurden durchgeführt, um die biologischen Funktionen zu charakterisieren.
4. Maschinelles Lernen Screening: Zwei Algorithmen, die LASSO-Regression und die Support Vector Machine-Recursive Feature Elimination (SVM-RFE), wurden auf den Trainingssatz angewendet, um Merkmalsgene auszuwählen. Die Schnittmenge dieser Algorithmen identifizierte sieben Kerngene.
5. Diagnostische Modellierung: Ein Fully Connected Neural Network (FCNN) wurde konstruiert, um die diagnostische Leistung der ausgewählten Biomarker zu bewerten. Eine Receiver-Operating-Characteristic-Kurvenanalyse (ROC) wurde zur Beurteilung von Sensitivität und Spezifität verwendet.
6. Mechanistische Exploration: Gene Set Enrichment Analysis (GSEA), Immuninfiltrationsprofilierung (CIBERSORT) und molekulare Netzwerkregulation (miRNA-lncRNA-mRNA) wurden durchgeführt. Das molekulare Docking wurde angewandt, um potenzielle Ligand-Protein-Interaktionen zu untersuchen.
7. Experimentelle Validierung: Die Reverse Transkription quantitative PCR (RT-qPCR) wurde an 10 klinischen Proben (5 AD, 5 Kontrollen) der Fünften Affiliated Hospital der Xinjiang Medical University durchgeführt, um die Expression der Biomarker zu verifizieren.

Wesentliche Ergebnisse

• Identifizierung von Biomarkern: Die Analyse mittels maschinellen Lernens verfeinerte die Kandidatengene auf sieben Merkmale, von denen IGF1 und CDK2 basierend auf konsistenten Expressionstrends und diagnostischer Leistung (AUC > 0,7) als Kerngene beibehalten wurden.
• Expressionsmuster: Über die Datensätze hinweg war IGF1 bei AD-Patienten im Vergleich zu Kontrollen konsistent herunterreguliert, während CDK2 hochreguliert war (p < 0,05).
• Diagnostische Leistung: Das FCNN-Modell unter Verwendung von IGF1 und CDK2 erreichte eine AUC von 0,989 im Trainingssatz und 0,773 im externen Validierungssatz, was eine starke diskriminative Fähigkeit demonstriert.
• Regulatorische Mechanismen:
  • miRNA-Interaktionen: Das regulatorische Netzwerk identifizierte spezifische miRNA-Assoziationen: IGF1 mit hsa-miR-19b-3p und CDK2 mit hsa-miR-302a-3p.
  • Pathway-Anreicherung: Beide Biomarker waren im KEGG T-Zell-Rezeptor (TCR)-Signalweg sowie in metabolischen Pfaden (Alpha-Linolensäure- und Linolsäure-Metabolismus) angereichert.
  • Immuninfiltration: AD-Proben zeigten verringerte M0-Makrophagen, Neutrophile und Tregs sowie erhöhte aktivierte CD4+-Gedächtnis-T-Zellen. IGF1 korrelierte positiv mit M0-Makrophagen und Tregs, während CDK2 negativ mit Tregs korrelierte.
• Molekulares Docking: Das computergestützte Docking sagte Bindungsaffinitäten von -7,3 kcal/mol für IGF1 mit N,N-bis(3-(D-gluconamido) propyl) deoxycholamide und -11,2 kcal/mol für CDK2 mit Alvocidib voraus.
• Experimentelle Validierung: Die RT-qPCR bestätigte die signifikante Herunterregulierung von IGF1 in klinischen AD-Proben. Die Hochregulierung von CDK2 konnte jedoch in dieser spezifischen klinischen Kohorte statistisch nicht repliziert werden, eine Diskrepanz, die die Autoren potenziellen Einschränkungen bei der Detektion im peripheren Blut oder der Heterogenität der Kohorte zuschreiben.

Bedeutung und Ansprüche
Die Studie beansprucht, vorläufige Belege für die Verknüpfung von SG-bezogenen regulatorischen Netzwerken mit der AD-Pathogenese zu liefern und damit über das traditionelle Aβ/Tau-Framework hinauszugehen. Durch die Identifizierung von IGF1 und CDK2 als potenzielle SG-assoziierte Biomarker legt die Arbeit nahe, dass eine „Wachstumsfaktor-Zellzyklus-Immunität-Achse“ die Neuroinflammation und das Fortschreiten der Krankheit vorantreiben könnte. Die Autoren postulieren, dass das kombinierte Biomarker-Muster (CDK2↑ + IGF1↓) als Basis für eine nicht-invasive Frühdiagnose dienen kann.

Die Arbeit rahmt ihre Ergebnisse bescheiden als „vorläufige Hinweise“ für diagnostische Marker und therapeutische Ziele ein. Sie stellt explizit klar, dass die Ergebnisse des molekularen Dockings explorativer Natur sind und ohne weitere präklinische Validierung nicht als pharmakologische Empfehlungen interpretiert werden sollten. Die Autoren räumen Einschränkungen ein, einschließlich der Beschränkung auf peripheres Blut, potenzieller Selektionsverzerrungen in öffentlichen Datensätzen und des Fehlens einer Replikation von CDK2 in der klinischen Validierungskohorte. Sie kommen zu dem Schluss, dass weitere Validierungen in größeren, multizentrischen Kohorten sowie auf Proteinebene erforderlich sind, um die klinische Nützlichkeit dieser Biomarker zu bestätigen.