Deciphering lysosomal autophagy-linked differential gene signatures in Alzheimer’s disease: Multicohort bioinformatics analysis leveraging Gene Expression Omnibus datasets

Résumé technique : Déchiffrement des signatures géniques différentielles liées à l'autophagie lysosomale dans la maladie d'Alzheimer

Énoncé du problème
La maladie d'Alzheimer (MA) représente la principale cause de démence, affectant plus de 55 millions de personnes dans le monde avec des projections atteignant 152 millions d'ici 2050. La gestion clinique actuelle repose largement sur la surveillance symptomatique et les soins de soutien, car les pharmacothérapies existantes (inhibiteurs de la cholinestérase, antagonistes des récepteurs NMDA et anticorps anti-amyloïdes) n'offrent que des bénéfices cognitifs marginaux, ne parviennent pas à stopper la progression de la maladie et sont souvent limitées par des effets indésirables ou une efficacité restreinte aux stades précoces. Il existe une lacune critique due au manque d'outils de détection précoce sensibles et non invasifs ainsi qu'à l'absence de cibles moléculaires bien définies. Bien que le dysfonctionnement de la voie de l'autophagie-lysosome soit reconnu comme un événement pathogène primordial dans la MA, les investigations systématiques sur les cibles moléculaires spécifiques et les architectures diagnostiques multiomiques intégrées demeurent insuffisantes.

Méthodologie
Cette étude a employé une approche bioinformatique multi-cohorte exploitant des ensembles de données disponibles publiquement sur le Gene Expression Omnibus (GEO) (GSE63061, GSE97760 et GSE63060) comprenant des échantillons de sang total de patients atteints de MA et de témoins sains. Le pipeline analytique s'est déroulé comme suit :

1. Curation et prétraitement des données : Une liste curatée de 173 gènes liés à l'autophagie lysosomale (LARGs) a été assemblée à partir de GeneCards, MSigDB et de revues de la littérature. Après intersection de cette liste avec les gènes différentiellement exprimés (DEG) identifiés dans la cohorte GSE63061 (en utilisant lima avec |logFC| > 0 et P < 0,05), 44 gènes différentiellement exprimés liés à l'autophagie lysosomale (LARDEGs) ont été isolés.
2. Enrichissement fonctionnel : Des analyses d'Ontologie Génique (GO) et de l'Encyclopedia of Genes and Genomes (KEGG) ont été réalisées pour caractériser les processus biologiques, les composants cellulaires et les fonctions moléculaires. L'analyse d'enrichissement des ensembles de gènes (GSEA) et l'analyse de la variation des ensembles de gènes (GSVA) ont été utilisées pour explorer les altérations des voies et les divergences fonctionnelles entre les groupes MA et témoins.
3. Construction du modèle diagnostique : Une stratégie d'apprentissage automatique consensuelle a été appliquée pour affiner les 44 LARDEGs en une signature diagnostique. Cela a impliqué :
   • Une régression logistique pour le criblage initial.
   • Une élimination de caractéristiques par machine à vecteurs de support récursive (SVM-RFE) pour optimiser les sous-ensembles de caractéristiques.
   • Une régression LASSO (Least Absolute Shrinkage and Selection Operator) pour prévenir le surapprentissage et sélectionner le panel de gènes final.
4. Validation et stratification : Le modèle diagnostique résultant a été validé en interne (GSE63061) et externe (GSE97760, GSE63060) en utilisant des courbes ROC (Receiver Operating Characteristic), des métriques AUC (Area Under the Curve), des courbes de calibration et l'analyse de la courbe de décision (DCA). Les patients ont été stratifiés en groupes à haut et bas risque sur la base d'un score de risque calculé.
5. Exploration mécanistique : L'étude a intégré CIBERSORT pour le profilage de l'infiltration des cellules immunitaires, a construit des réseaux d'interaction protéine-protéine (PPI) pour identifier les gènes pivots (hub genes), et a assemblé des réseaux de régulation multidimensionnels (ARNm-TF, ARNm-miRNA, ARNm-RBP et ARNm-médicament) en utilisant des bases de données telles que STRING, ChIPBase, StarBase et la base de données comparative de toxicogenomique.

Résultats clés

• Identification des LARDEGs : L'analyse a identifié 44 LARDEGs significativement dérégulés dans la MA. L'analyse d'enrichissement a confirmé leur implication dans la macroautophagie, l'organisation lysosomale, le trafic vésiculaire dépendant de SNARE et les réponses au stress oxydatif.
• Signature diagnostique : Les algorithmes d'apprentissage automatique ont convergé vers une signature à sept gènes : ATXN3, TAX1BP1, ATP6V1E1, EEF1A1, HSPA8, STX16 et CALCOCO2.
  • Le modèle diagnostique a atteint des AUC supérieures à 0,7 tant dans la cohorte de découverte que dans les ensembles de validation externes indépendants, démontorant une précision de discrimination modérée à élevée.
  • L'analyse de la courbe de décision a confirmé le bénéfice clinique net du modèle par rapport aux stratégies « traiter tout le monde » ou « ne traiter personne » à travers divers seuils de probabilité.
• Stratification du risque : La stratification des patients en groupes à haut et bas risque basée sur le score de risque dérivé de LASSO a révélé des profils transcriptionnels distincts. Les groupes à haut risque présentaient un enrichissement significatif dans les voies inflammatoires, notamment la signalisation IL-10, IL-17, IL-9 et IL-8.
• Microenvironnement immunitaire : L'analyse CIBERSORT a mis en évidence des différences significatives dans l'infiltration immunitaire entre les groupes de risque, impliquant spécifiquement les lymphocytes B naïfs, les lymphocytes T régulateurs (Tregs), les mastocytes activés et les neutrophiles. Des corrélations notables ont été observées entre les gènes du modèle (par exemple, CALCOCO2 et TAX1BP1) et l'abondance des Tregs.
• Gènes pivots et réseaux de régulation : L'analyse du réseau PPI a identifié quatre gènes pivots centraux : ATXN3, TAX1BP1, CALCOCO2 et HSPA8. L'assemblage des réseaux de régulation a cartographié les interactions avec 53 facteurs de transcription, 128 miRNAs et 43 protéines de liaison à l'ARN. De plus, une carte d'interaction gène-médicament a identifié 38 agents pharmacologiques potentiels ciblant ces pivots, suggérant des opportunités de repositionnement de médicaments.

Signification et revendications
Les auteurs affirment que cette étude fournit une base solide pour la recherche translationnelle future en :

1. Potentiel de biomarqueur : Soulignant le potentiel de la signature à sept gènes LARDEG comme biomarqueur diagnostique pour la MA, offrant une alternative sanguine à l'analyse invasive du liquide céphalorachidien ou à l'imagerie à sensibilité insuffisante.
2. Aperçu mécanistique : Élucidant le lien complexe entre le dysfonctionnement de l'autophagie lysosomale, l'effondrement de la protéostase et la neuroinflammation, spécifiquement à travers l'interaction des gènes liés à l'autophagie avec les sous-ensemments de cellules immunitaires comme les Tregs et les neutrophiles.
3. Cibles thérapeutiques : Identifiant des gènes pivots spécifiques (ATXN3, TAX1BP1, CALCOCO2, HSPA8) et leurs réseaux de régulation comme candidats cibles thérapeutiques. L'identification de médicaments existants qui interagissent avec ces pivots suggère des voies viables pour le repositionnement de médicaments afin de restaurer la fonction lysosomale et le flux autophagique.

L'article maintient un ton modeste concernant ses limites, reconnaissant que les conclusions reposent sur des répertoires transcriptomiques publics sans validation expérimentale dans des échantillons cliniques ou des modèles in vivo. Les auteurs soulignent que, bien que l'étude propose des cibles candidates et un cadre diagnostique, des investigations prospectives sont nécessaires pour valider ces résultats et aborder les variables confusionnelles potentielles telles que les effets de lot et l'hétérogénéité des patients avant toute application clinique.