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

Resumen Técnico: Investigación de Biomarcadores Asociados a Gránulos de Estrés (IGF1 y CDK2) en la Enfermedad de Alzheimer

Planteamiento del Problema
La enfermedad de Alzheimer (EA) es la causa principal de demencia a nivel mundial, caracterizada por placas de amiloide-β (Aβ) y ovillos neurofibrilares (NFT). A pesar de la centralidad de la patología de Aβ y tau, la detección temprana se ve obstaculizada por la falta de biomarcadores específicos, y las terapias actuales solo ofrecen alivio sintomático. Evidencia reciente sugiere que los gránulos de estrés (SGs) —condensados sin membrana dinámicos que se forman durante el estrés celular— desempeñan un papel en la patogénesis de la EA, facilitando potencialmente la oligomerización de la proteína tau y la disfunción sináptica. Sin embargo, la circuitería regulatoria que vincula los SGs con la EA y la identificación de biomarcadores específicos asociados a los SGs aún no han sido suficientemente definidos. Este estudio tiene como objetivo cerrar esta brecha mediante la identificación de biomarcadores transcripcionales relacionados con los SGs en la EA utilizando un enfoque combinado de bioinformática y experimentación.

Metodología
El estudio empleó un flujo de trabajo multietapa que integra datos transcriptómicos públicos con validación experimental:

1. Adquisición y Preprocesamiento de Datos: Se recuperaron dos conjuntos de datos transcriptómicos de sangre periférica (GSE97760 como cohorte de entrenamiento y GSE140831 como cohorte de validación) de la base de datos GEO. Se compiló una lista de 844 genes relacionados con los gránulos de estrés (SGRGs) a partir de GeneCards.
2. Tamizaje de Genes Candidatos: Se identificaron genes diferencialmente expresados (DEGs) en el conjunto de entrenamiento (|log₂FC| > 0.5, p < 0.05) y se cruzaron con la lista de SGRG para obtener 287 genes candidatos (CGs).
3. Análisis de Red y Funcional: Se construyeron redes de interacción proteína-proteína (PPI) utilizando STRING y Cytoscape para identificar nodos clave. Se realizaron análisis de enriquecimiento de Ontología Génica (GO) y KEGG para caracterizar las funciones biológicas.
4. Tamizaje mediante Aprendizaje Automático: Se aplicaron dos algoritmos, la regresión LASSO y la Eliminación de Características por Vectores de Soporte Recursivos (SVM-RFE), al conjunto de entrenamiento para seleccionar genes característicos. La intersección de estos algoritmos identificó siete genes centrales.
5. Modelado Diagnóstico: Se construyó una Red Neuronal Totalmente Conectada (FCNN) para evaluar el rendimiento diagnóstico de los biomarcadores seleccionados. Se utilizó el análisis de curvas ROC (Característica de Operación del Receptor) para evaluar la sensibilidad y especificidad.
6. Exploración Mecanística: Se realizaron análisis de enriquecimiento de conjuntos de genes (GSEA), perfiles de infiltración inmunitaria (CIBERSORT) y regulación de redes moleculares (miRNA-lncRNA-mRNA). Se realizó acoplamiento molecular para explorar las interacciones potenciales ligando-proteína.
7. Validación Experimental: Se realizó PCR cuantitativa con transcripción inversa (RT-qPCR) en 10 muestras clínicas (5 con EA, 5 controles) del Quinto Hospital Afiliado de la Universidad Médica de Xinjiang para verificar la expresión de los biomarcadores.

Resultos Clave

• Identificación de Biomarcadores: El análisis de aprendizaje automático refinó los genes candidatos a siete características, de los cuales se retuvieron IGF1 y CDK2 como biomarcadores centrales basados en la consistencia de las tendencias de expresión y el rendimiento diagnóstico (AUC > 0.7).
• Patrones de Expresión: En todos los conjuntos de datos, IGF1 se encontraba consistentemente disminuido, mientras que CDK2 estaba aumentado en pacientes con EA en comparación con los controles (p < 0.05).
• Rendimiento Diagnóstico: El modelo FCNN utilizando IGF1 y CDK2 alcanzó un AUC de 0.989 en el conjunto de entrenamiento y de 0.773 en el conjunto de validación externa, demostrando una fuerte capacidad discriminativa.
• Mecanismos Regulatorios:
  • Interacciones de miRNA: Las redes regulatorias identificaron asociaciones específicas de miRNA: IGF1 con hsa-miR-19b-3p y CDK2 con hsa-miR-302a-3p.
  • Enriquecimiento de Vías: Ambos biomarcadores estuvieron enriquecidos en la vía de señalización del receptor de células T (TCR) de KEGG, junto con vías metabólicas (metabolismo del ácido alfa-linolénico y del ácido linoleico).
  • Infiltración Inmunitaria: Las muestras de EA mostraron una disminución de macrófagos M0, neutrófilos y células Treg, y un aumento de células T de memoria CD4+ activadas. IGF1 se correlacionó positivamente con macrófagos M0 y células Treg, mientras que CDK2 se correlacionó negativamente con las células Treg.
• Acoplamiento Molecular: El acoplamiento computacional predijo afinidades de unión de -7.3 kcal/mol para IGF1 con N,N-bis(3-(D-gluconamido) propil) desoxicolamida y de -11.2 kcal/mol para CDK2 con Alvocidib.
• Validación Experimental: La RT-qPCR confirmó la disminución significativa de IGF1 en muestras clínicas de EA. Sin embargo, el aumento de CDK2 no se replicó estadísticamente en esta cohorte clínica específica, una discrepancia que los autores atribuyen a posibles limitaciones de detección en sangre periférica o heterogeneidad de la cohorte.

Significancia y Reivindicaciones
El estudio afirma proporcionar evidencia preliminar que vincula las redes regulatorias relacionadas con los SGs con la patogénesis de la EA, yendo más allá del marco tradicional de Aβ/tau. Al identificar IGF1 y CDK2 como potenciales biomarcadores asociados a los SGs, el trabajo sugiere un "eje de factor de crecimiento-ciclo celular-inmunidad" que puede impulsar la neuroinflamación y la progresión de la enfermedad. Los autores postulan que el patrón combinado de biomarcadores (CDK2↑ + IGF1↓) podría servir como base para un diagnóstico temprano no invasivo.

El artículo enmarca sus hallazgos de manera modesta como "pistas preliminares" para marcadores diagnósticos y objetivos terapéuticos. Establece explícitamente que los resultados del acoplamiento molecular son exploratorios y no deben interpretarse como recomendaciones farmacológicas sin una validación preclínica adicional. Los autores reconocen las limitaciones, incluyendo la restricción a la sangre periférica, el posible sesgo de selección en los conjuntos de datos públicos y la falta de replicación de CDK2 en la cohorte de validación clínica. Concluyen que se requiere una validación adicional en cohortes multicéntricas más grandes y a nivel proteico para confirmar la utilidad clínica de estos biomarcadores.