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

Resumo Técnico: Decifrando Assinaturas Gênicas Diferenciais Ligadas à Autofagia Lisossômica na Doença de Alzheimer

Definição do Problema
A doença de Alzheimer (DA) representa a principal causa de demência, afetando mais de 55 milhões de indivíduos globalmente, com projeções que atingem 152 milhões até 2050. O manejo clínico atual baseia-se fortemente na vigilância sintomática e cuidados de suporte, uma vez que as farmacoterapias existentes (inibidores da colinesterase, antagonistas dos receptores NMDA e anticorpos anti-amiloide) oferecem apenas benefícios cognitivos marginais, não conseguem deter a progressão da doença e são frequentemente limitadas por eventos adversos ou eficácia restrita a estágios iniciais. Existe uma lacuna crítica na falta de ferramentas de detecção precoce sensíveis e não invasivas, bem como de alvos moleculares bem definidos. Embora a disfunção na via autofagia-lisossomo seja reconhecida como um evento patogênico primordial na DA, investigações sistemáticas sobre alvos moleculares específicos e arquiteturas diagnósticas multiômicas integradas permanecem insuficientes.

Metodologia
Este estudo empregou uma abordagem bioinformática de múltiplas coortes, aproveitando conjuntos de dados de expressão gênica do Gene Expression Omnibus (GEO) (GSE63061, GSE97760 e GSE63060) compostos por amostras de sangue total de pacientes com DA e controles saudáveis. O pipeline analítico procedeu da seguinte forma:

1. Curadoria e Pré-processamento de Dados: Uma lista curada de 173 genes relacionados à autofagia lisossômica (LARGs) foi montada a partir do GeneCards, MSigDB e revisões de literatura. Após a interseção desta lista com os genes diferencialmente expressos (DEGs) identificados na coorte GSE63061 (usando lima com |logFC| > 0 e P < 0,05), 44 genes diferencialmente expressos relacionados à autofagia lisossômica (LARDEGs) foram isolados.
2. Enriquecimento Funcional: Análises de Gene Ontology (GO) e Kyoto Encyclopedia of Genes and Genomes (KEGG) foram realizadas para caracterizar processos biológicos, componentes celulares e funções moleculares. A Análise de Enriquecimento de Conjuntos de Genes (GSEA) e a Análise de Variação de Conjuntos de Genes (GSVA) foram utilizadas para explorar alterações ao nível de vias e divergências funcionais entre os grupos de DA e controle.
3. Construção do Modelo Diagnóstico: Uma estratégia de aprendizado de máquina por consenso foi aplicada para refinar os 44 LARDEGs em uma assinatura diagnóstica. Isso envolveu:
   • Regressão logística para triagem inicial.
   • Eliminação de Características por Máquina de Vetores de Suporte-Recursiva (SVM-RFE) para otimizar os subconjuntos de características.
   • Regressão de Penalidade de LASSO (Least Absolute Shrinkage and Selection Operator) para evitar o sobreajuste (overfitting) e selecionar o painel de genes final.
4. Validação e Estratificação: O modelo diagnóstico resultante foi validado internamente (GSE63061) e externamente (GSE97760, GSE63060) utilizando curvas ROC (Receiver Operating Characteristic), métricas AUC (Área Sob a Curva), curvas de calibração e Análise de Curva de Decisão (DCA). Os pacientes foram estratificados em grupos de alto e baixo risco com base em um escore de risco calculado.
5. Exploração Mecanística: O estudo integrou o CIBERSORT para perfilamento de infiltração de células imunes, construiu redes de Interação Proteína-Proteína (PPI) para identificar genes hub e montou redes regulatórias multidimensionais (mRNA-TF, mRNA-miRNA, mRNA-RBP e mRNA-drug) utilizando bancos de dados como STRING, ChIPBase, StarBase e o Comparative Toxicogenomics Database.

Principais Resultados

• Identificação de LARDEGs: A análise identificou 44 LARDEGs significativamente desregulados na DA. A análise de enriquecimento confirmou o envolvimento destes na macroautofagia, organização lisossômica, tráfego vesicular dependente de SNARE e respostas ao estresse oxidativo.
• Assinatura Diagnóstica: Algoritmos de aprendizado de máquina convergiram para uma assinatura de sete genes: ATXN3, TAX1BP1, ATP6V1E1, EEF1A1, HSPA8, STX16 e CALCOCO2.
  • O modelo diagnóstico alcançou AUCs superiores a 0,7 tanto na coorte de descoberta quanto nos conjuntos de validação externa independentes, demonstrando precisão discriminativa de moderada a alta.
  • A Análise de Curva de Decisão confirmou o benefício clínico líquido do modelo sobre as estratégias "tratar todos" ou "não tratar ninguém" através de várias faixas de probabilidade.
• Estratificação de Risco: A estratificação dos pacientes em grupos de alto e baixo risco, baseada no escore de risco derivado de LASSO, revelou perfis transcricionais distintos. Os grupos de alto risco mostraram enriquecimento significativo em vias inflamatórias, incluindo sinalização de IL-10, IL-17, IL-9 e IL-8.
• Microambiente Imunológico: A análise CIBERSORT destacou diferenças significativas na infiltração imune entre os grupos de risco, especificamente envolvendo células B ingenuas (naïve), células T reguladoras (Tregs), mastócitos ativados e neutrófilos. Correlações notáveis foram observadas entre os genes do modelo (ex: CALCOCO2 e TAX1BP1) e a abundância de Tregs.
• Genes Hub e Redes Regulatórias: A análise de rede PPI identificou quatro genes hub centrais: ATXN3, TAX1BP1, CALCOCO2 e HSPA8. A montagem da rede regulatória mapeou interações com 53 fatores de transcrição, 128 miRNAs e 43 proteínas de ligação ao RNA (RBPs). Além disso, um mapa de interação droga-gene identificou 38 agentes farmacológicos potenciais visando estes hubs, sugerindo oportunidades para o reposicionamento de fármacos.

Significância e Alegações
Os autores afirmam que este estudo fornece uma base robusta para pesquisas translacionais futuras ao:

1. Potencial de Biomarcador: Destacar o potencial da assinatura de sete genes LARDEG como um biomarcador diagnóstico para a DA, oferecendo uma alternativa baseada em sangue à análise invasiva de líquido cefalorraquidiano ou exames de imagem com sensibilidade insuficiente.
2. Insight Mecanístico: Elucidar a ligação intrincada entre a disfunção da autofagia lisossômica, o colapso da proteostase e a neuroinflamação, especificamente através da interação de genes relacionados à autofagia com subconjuntos de células imunes como Tregs e neutrófilos.
3. Alvos Terapêuticos: Apontar genes hub específicos (ATXN3, TAX1BP1, CALCOCO2, HSPA8) e suas redes regulatórias como candidatos a alvos terapêuticos. A identificação de drogas existentes que interagem com estes hubs sugere vias viáveis para o reposicionamento de fármacos para restaurar a função lisossômica e o fluxo autofágico.

O artigo mantém um tom modesto quanto às suas limitações, reconhecendo que os achados dependem de repositórios transcriptômicos públicos sem validação experimental em espécimes clínicos ou modelos in vivo. Os autores enfatizam que, embora o estudo proponha alvos candidatos e um framework diagnóstico, investigações prospectivas são necessárias para validar estes achados e abordar potenciais variáveis de confusão, como efeitos de lote (batch effects) e heterogeneidade de pacientes, antes da aplicação clínica.