基于生物信息學分析探索鐵死亡參與膿毒癥的機制及治療中藥預測

摘要：目的 基于生物信息學分析和機器學習算法探究鐵死亡參與膿毒癥的機制及預測治療膿毒癥的潛在中藥，以期為膿毒癥的臨床治療提供新的治療方向及用藥思考。方法 從gene expression omnibus（GEO）數(shù)據(jù)庫下載膿毒癥的基因表達數(shù)據(jù)，利用R語言篩選差異表達基因（differentially expressed gene，DEG）。在FerrDb平臺收集與鐵死亡相關的靶點。采用weighted correlation network analysis（WCGNA）篩選關鍵模塊基因。得到DEG、WGCNA和鐵死亡基因數(shù)據(jù)集的交集基因，然后通過3種機器學習算法篩選出膿毒癥相關鐵死亡核心基因，利用GSE232753數(shù)據(jù)驗證膿毒癥相關鐵死亡核心基因。通過CIBERSORT算法評估22種免疫細胞豐度進而評估膿毒癥與免疫細胞浸潤的相關性。最后，通過核心基因預測潛在治療中藥，根據(jù)藥物性味歸經(jīng)拓展中醫(yī)理論。結(jié)果 利用隨機森林（random forest， RF）、支持向量機-遞歸特征消除（support vector machine-recursive feature elimination， SVM-RFE）和最小絕對收縮和選擇算法（the least absolute shrinkage and selection operator， LASSO）算法共篩選得到膿毒癥相關鐵死亡核心基因，進一步利用GSE232753數(shù)據(jù)集進行驗證，最終確定TXN、NR1D2、PARP15為膿毒癥相關鐵死亡的核心基因，且其基因表達量均顯示出統(tǒng)計學顯著性差異（Plt;0.05），ROC分析顯示，3個潛在核心基因曲線下面積（area under curve， AUC）均大于0.9。免疫細胞浸潤分析表明多種免疫細胞可能參與膿毒癥的發(fā)展，以上3個核心基因在不同程度上與免疫細胞有一定的相關性。利用本草圖鑒數(shù)據(jù)庫對上述3個核心基因，通過《中華本草》和《中藥大辭典》篩選整理得到膿毒癥相關鐵死亡核心基因靶向中藥沙棘、蜂房等22味中藥，靶向中藥大多藥性偏平，藥味甘，歸經(jīng)入胃、肺。結(jié)論 鐵死亡參與膿毒癥的機制可能與TXN、NR1D2、PARP15基因的表達水平有關，同時預測了針對膿毒癥相關鐵死亡核心基因的靶向治療中藥，為膿毒癥的治療提供新的治療方向及用藥參考。

關鍵詞：膿毒癥；生物信息學；鐵死亡；機器學習；中藥預測

中圖分類號：R9 文獻標志碼：A

Exploring the mechanism of ferroptosis involved in sepsis and predicting traditional Chinese medicine based on bioinformatics analysis

Lu Wenting1， Li Bin2， Wu Lei2， Du Ye2， Liu Rihui2， Deng Mengyu2 and Liu Qian3

（1 School of Pharmacy， Western University of Chinese Medicine， Nanning 530000; 2 College of Pharmacy， Chengdu University， Chengdu 610106; 3 Guangxi Zhuang Yao Medicine Key Laboratory， Zhuang Yao Medicine Collaborative Innovation Center， Nanning 530000）

Abstract Objective Based on bioinformatic analysis and machine learning algorithms， to explore the mechanism of ferroptosis involved in sepsis and predict potential traditional Chinese medicine for the treatment of sepsis， and provide a new treatment direction and medication thinking for the clinical treatment of sepsis. Methods Gene expression data of sepsis were downloaded from GEO database， and differentially expressed genes （DEGs） were screened by R language. Targets related to ferroptosis were collected on the FerrDb platform. WCGNA was used to screen key module genes. The intersection genes of DEG， WGCNA and ferroptosis gene data sets were obtained， and then the core genes of sepsis-related ferroptosis were screened by three machine learning algorithms. The core genes of sepsis-related ferroptosis were verified by GSE232753 data. The abundance of 22 immune cells was evaluated by the CIBERSORT algorithm to evaluate the correlation between sepsis and immune cell infiltration. Finally， the core gene was used to predict the potential treatment of traditional Chinese medicine， and the theory of traditional Chinese medicine was expanded according to the nature and taste of the drug. Results The core genes of sepsis-related ferroptosis were screened by RF， SVM and LASSO algorithms， and further verified by GSE232753 data set. Finally， TXN， NR1D2 and PARP15 were determined as the core genes of sepsis-related ferroptosis， and their gene expression levels showed statistically significant differences （Plt;0.05）. ROC analysis showed that the area under the curve （AUC） of the three potential core genes was greater than 0.9. Immune cell infiltration analysis showed that a variety of immune cells may be involved in the development of sepsis， and the above three core genes had a certain correlation with immune cells to varying degrees. The above three core genes were screened and sorted by the herbal database， such as “Chinese Materia Medica” and “Dictionary of Traditional Chinese Medicine”. The core genes of sepsis-related ferroptosis were targeted at 22 traditional Chinese medicines， such as sea buckthorn， beehive， and so on. Most of the targeted traditional Chinese medicines had a relatively mild nature， a sweet taste， and entered the stomach and lungs through the meridians. Conclusion The mechanism by which ferroptosis was involved in sepsis may be related to the expression levels of the TXN， NR1D2， and PARP15 genes. At the same time， it was predicted that traditional Chinese medicine for targeted therapy of sepsis-related ferroptosis core genes could provide new treatment directions and medication references for the treatment of sepsis.

Key words Sepsis; Bioinformatics; Ferroptosis; Machine learning; Traditional Chinese medicine prediction

膿毒癥（sepsis）是由感染引起的全身炎性反應綜合征，是第十大死亡原因，不僅可引起休克、導致多器官功能障礙或衰竭，且對人類生命構(gòu)成嚴重威脅[1-3]。由于其高發(fā)病率、高死亡率和高致殘率，膿毒癥一直是急危重癥領域的研究熱點[4-5]。研究表明，膿毒癥新發(fā)病例每年都在不斷增加，全球每年有180多萬例嚴重膿毒癥，其在嬰幼兒、老年人和免疫缺陷等人群中發(fā)病率較高[6]，此外，發(fā)現(xiàn)有些膿毒癥存活的患者還存在一定的認知功能障礙[7]。目前，膿毒癥的治療方法[8]主要包括抗菌藥物治療、機械通氣、液體復蘇等，但這些治療方法不能達到根治，且過度使用抗菌藥會導致細菌耐藥的產(chǎn)生[9]。因此，探索膿毒癥新治療策略和尋找有效治療藥物具有重要意義。

鐵死亡是一種新發(fā)現(xiàn)的細胞死亡方式，其主要由脂質(zhì)過氧化物誘導的細胞死亡，且其在形態(tài)學、基因和生物學等方面不同于細胞凋亡、焦亡和自噬等其他形式的細胞死亡[10-12]。研究表明，鐵死亡在多種疾病的病理生理過程中發(fā)揮重要作用，包括缺血性中風、缺血性再灌注損傷、癌癥、骨關節(jié)炎、阿爾茨海默病等疾病[13-16]。可見，鐵死亡已逐漸成為治療多種疾病的研究熱點。此外，有研究表明，CD8+T細胞增強了機體中鐵死亡特異性脂質(zhì)過氧化[17]。B細胞增殖受鐵離子調(diào)控[18]。巨噬細胞主要通過toll樣受體2（TLR2）識別細胞表面的氧化磷脂清除鐵死亡細胞[19]。然而，鐵死亡與免疫細胞浸潤在膿毒癥發(fā)病機制中的相互作用尚不清楚。

近年來隨著高通量測序技術迅速發(fā)展和機器學習理論體系的成熟，高通量測序技術和機器學習算法被廣泛運用于疾病診斷和確定、預后評估等[20-21]。本研究基于生物信息學分析方法和機器學習算法探究鐵死亡參與膿毒癥的機制。通過CIBERSORT算法評估每個樣本中22種免疫細胞的比例，進一步明確膿毒癥與免疫浸潤細胞之間的關系，最后，通過膿毒癥相關鐵死亡核心基因篩選出具有調(diào)節(jié)鐵死亡、治療膿毒癥的相關中藥，為尋找膿毒癥新的治療靶點提供理論依據(jù)。

1 材料與方法

1.1 數(shù)據(jù)來源

以“sepsis”為關鍵詞在基因表達綜合數(shù)據(jù)庫（GEO，https：//www.ncbi.nlm.nih.gov/geo/）檢索了膿毒癥患者的mRNA表達譜，下載GSE95233數(shù)據(jù)集，該數(shù)據(jù)集包括124個樣本（102名膿毒癥患者和22名健康人）。選擇GSE232753數(shù)據(jù)集（包括8名健康人和20名膿毒癥患者）作為驗證集。從FerrDb數(shù)據(jù)庫（http：//www.zhounan.org/ferrdb/index.html）中下載鐵死亡基因集，共得到484個鐵死亡相關基因。

1.2 差異表達基因（DEG）的鑒定

使用R軟件中“l(fā)imma”包對GSE9522數(shù)據(jù)中的膿毒癥患者和正常樣本進行差異分析，設置閾值為P lt; 0.05，|log2FC|gt;1，并使用R語言“ggplot2”包繪制火山圖可視化。

1.3 加權基因共表達網(wǎng)絡分析

加權基因共表達網(wǎng)絡分析（WGCNA）是通過對基因進行聚類，形成模塊，用于分析模塊與特定特征（患者的臨床信息）之間的關系[22]。近年來，WGCNA分析在鑒定各種疾病生物標志物方面被廣泛應用，并顯示出巨大的潛力。這種分析方法可以幫助我們更深入地了解疾病的發(fā)病機制，發(fā)現(xiàn)新的治療靶點，并為疾病的預防和治療提供重要的指導。使用R包“WGCNA”對GSE95233數(shù)據(jù)集膿毒癥患者和正常樣本的測序數(shù)據(jù)構(gòu)建共表達網(wǎng)絡。對樣品進行聚類處理，并檢測和剔除可能存在的明顯異常值。選擇適當?shù)能涢撝狄苑相徑泳仃嚨臒o標度拓撲標準，進而將鄰接矩陣轉(zhuǎn)化為拓撲重疊矩陣，并運用自動化網(wǎng)絡系統(tǒng)構(gòu)建共表達網(wǎng)絡。將模塊與臨床特征相關聯(lián)，并分析模塊成員（module membership， MM）和基因顯著性（gene significance， GS）之間的相關性。在樞紐基因模塊中滿足|MM|gt;0.8且|GS|gt;0.2的基因，將其定義為樞紐基因（hub基因）。利用Venn圖提取hub基因、鐵死亡基因和DEGs基因的交集，即膿毒癥相關鐵死亡基因， 然后將其進行功能富集分析、機器學習。

1.4 功能富集分析

基因本體（gene ontology， GO）是將基因進行注釋并分析基因的生物學過程，主要包括細胞組分（cellular component， CC）、分子功能（molecular function，MF）和生物過程（biological process， BP）等3個類別。京都基因與基因組百科全書（Kyoto encyclopedia of genes and genomes， KEGG）是一種廣泛應用的基因通路注釋數(shù)據(jù)庫。KEGG能夠分析基因的高級功能及其相關的信號通路信息，提供對基因在生物系統(tǒng)中的作用和相互關系的深入理解。使用R語言中的“ClusterProfiler”包和Metascape平臺對膿毒癥相關鐵死亡基因進行GO功能和KEGG通路富集分析，設置Plt;0.05。

1.5 鐵死亡核心基因篩選

本研究以是否患有膿毒癥為二分類變量，使用3種機器學習算法[23-25]對膿毒癥相關鐵死亡基因進行分析，包括隨機森林（random forest， RF）、支持向量機-遞歸特征消除（support vector machine-recursive feature elimination， SVM-RFE）和最小絕對收縮和選擇算法（the least absolute shrinkage and selection operator， LASSO）邏輯回歸法。本研究使用R包中“random forest”構(gòu)建RF模型。使用R包“glmnet”進行LASSO邏輯回歸研究。使用R包中“caret”進行SVM-RFE分析。最后，選擇3種機器學習算法所得的重疊基因作為膿毒癥相關鐵死亡核心基因。

1.6 鐵死亡核心基因驗證

在GSE232753驗證集中，采用雙側(cè)t檢驗判斷膿毒癥相關鐵死亡核心基因在膿毒癥患者與健康人之間的顯著性水平，然后采用受試者工作特征（ROC）曲線和箱相圖來評估其診斷效能，分析膿毒癥相關鐵死亡核心基因是否與其研究結(jié)果一致。

1.7 免疫細胞浸潤分析

CIBERSORT是基于一種反卷積算法，主要采用支持向量回歸技術對基因表達數(shù)據(jù)進行處理，從而精確地計算混合樣本中各細胞類型的占比[26]。本文基于CIBERSORT算法對GSE95233數(shù)據(jù)集中數(shù)據(jù)進行分析，以識別不同樣本中22種免疫細胞的豐度，使用Spearman相關系數(shù)分析膿毒癥相關鐵死亡核心基因與免疫細胞之間的相關性，當Plt;0.05時有統(tǒng)計學意義。并用R語言可視化免疫細胞浸潤分析結(jié)果。

1.8 中藥治療預測

將膿毒癥相關鐵死亡核心基因通過本草圖鑒數(shù)據(jù)庫（HERB，http：//herb.ac.cn/）檢索其相應中藥，Plt;0.05視為差異有統(tǒng)計學意義，通過查閱《中華本草》和《中藥大辭典》篩選出具有調(diào)節(jié)鐵死亡、治療膿毒癥的相關中藥，并根據(jù)其性味歸經(jīng)繪制雷達圖進行可視化總結(jié)。

2 結(jié)果

2.1 數(shù)據(jù)下載處理及差異表達基因鑒定

從GEO數(shù)據(jù)庫下載基于GPL570測序平臺的GSE95233數(shù)據(jù)集，將數(shù)據(jù)歸一化處理，結(jié)果見圖1A。通過分析GSE95233數(shù)據(jù)集中102名膿毒癥患者和22名正常人的差異表達基因，共鑒別出2695個差異表達基因，其中有1516個上調(diào)基因，1179個下調(diào)基因。紅色區(qū)域表示顯著上調(diào)的基因，綠色表示顯著下調(diào)的基因，使用火山圖展示，見圖1B，熱圖見圖1C。

2.2 加權基因共表達網(wǎng)絡分析

運用R語言對根據(jù)顯著性排序的前15000個基因進行WGCNA分析，首先對所有樣本進行聚類分析，未發(fā)現(xiàn)異常樣本，見圖2A。根據(jù)基因間的無標度拓撲擬合指數(shù)（R2）以及無標度指數(shù)0.9來確定軟閾值Power（β）為17，以確保各基因之間的調(diào)控關系接近無尺度分布，見圖2B～C。通過構(gòu)建共表達網(wǎng)絡繪制模塊聚類樹狀圖，見圖2D，共得到14個基因模塊，并對模塊與表型進行相關性分析，結(jié)果發(fā)現(xiàn)深紅色模塊（MEdarkred）與膿毒癥表型之間呈負相關（cor= -0.76， P=2e-24），藍綠色模塊（MEcyan）與膿毒癥表型之間呈正相關（cor=0.81， P=5e-30），見圖2E～G。提示這模塊聚類的基因可能與膿毒癥具有高度顯著的相關性，因此，選擇其作為膿毒癥關鍵基因模塊。以|MM|gt;0.8和|GS|gt;0.2為篩選條件進行篩選，深紅色模塊中含有489個關鍵模塊基因，藍綠色模塊含有794個關鍵模塊基因。

2.3 膿毒癥相關鐵死亡基因富集分析

應用“venn”包共獲得30個膿毒癥相關鐵死亡基因，見圖3A。將其進行GO及KEGG富集分析。KEGG富集分析結(jié)果顯示，主要與鐵死亡（ferroptosis）、過氧物酶體（peroxisome）、脂肪酸合成（fatty acid biosynthesis）、脂肪酸氧化（Fatty acid degradation）、脂肪酸代謝（fatty acid metabolism）等信號通路相關，見圖3B。GO功能分析顯示，其主要參與一元羧酸代謝過程（monocarboxylic acid metabolic process）、輔酶代謝過程（coenzyme metabolic process）、長鏈脂酰輔酶A代謝過程（long-chain fatty-acyl-CoA metabolic process）等生物相關過程（BP）；微體部分（microbody part）、過氧化物酶體部分（peroxisomal part）、過氧化物酶體部分（peroxisomal membrane）等細胞組分（CC）；中鏈脂肪酸-CoA連接酶活性（medium-chain fatty acid-CoA ligase activity）、癸酸-CoA連接酶活性（decanoate-CoA ligase activity）等相關分子功能（MF），見圖3C。通過Metascape平臺對交集基因進行富集，主要富集在鐵死亡（ferroptosis）、一元羧酸代謝過程（ monocarboxylic acid metabolic process）、巨噬的調(diào)控（regulation of macroautophagy）等，見圖3D。

2.4 膿毒癥相關鐵死亡核心基因

本研究使用3種機器學習算法對30個膿毒癥相關鐵死亡基因進行分析。其中，使用LASSO回歸算法，共得到6個基因，見圖4A～B。選取RF算法共識別的20個基因進行研究，見圖4C。通過SVM-RFE算法，篩選出前20個重要基因，見圖4E～F。然后將這3種算法得到的基因利用Venn圖取交集，共得到6個交集基因（TXN、NR1D2、ZFAS1、LYRM1、PARP15和IDH1），見圖4D，其中TXN在3種機器學習算法分析中均表現(xiàn)出最高評分。

2.5 膿毒癥相關鐵死亡核心基因驗證結(jié)果

使用GSE232753數(shù)據(jù)集作為驗證組，對上述6個膿毒癥相關鐵死亡核心基因進行驗證，通過繪制特征基因在對照組與實驗組的箱線圖，并進行雙側(cè)t檢驗，結(jié)果顯示，有3個基因表現(xiàn)出極顯著差異，TXN、NR1D2、PARP15（Plt;0.001），在膿毒癥患者中TXN表達上調(diào)，NR1D2、PARP15表達下調(diào)，見圖5A。同時進行ROC曲線分析，結(jié)果顯示TXN、NR1D2、PARP15、ZFAS1、LYRM1和IDH1的AUC分別為0.925、0.906、0.912、0.669、0.706和0.662，見圖5B，表明TXN、NR1D2、PARP15等3個基因的具有作為膿毒癥診斷生物標志物的潛力，且有望成為膿毒癥治療的潛在新靶點。

2.6 免疫細胞浸潤分析

使用CIBERSORT算法，對膿毒癥患者和正常樣本之間22種免疫細胞浸潤的特點進行了分析，結(jié)果顯示，初始B細胞、M2型巨噬細胞、靜息樹突狀細胞和CD8+T細胞等免疫細胞在健康樣本中細胞豐度相對較低，而M0型巨噬細胞、單核細胞、中性粒細胞和γδT細胞等免疫細胞在膿毒癥患者中細胞豐度明顯較高，見圖6A～B中。根據(jù)相關性分析的發(fā)現(xiàn)，NR1D2和PARP15與CD8+T細胞表現(xiàn)出最強正相關，與單核細胞表現(xiàn)出較強負相關；而TXN、ZFAS1、LYRM1和IDH1，與CD8+T細胞表現(xiàn)出最強負相關，與單核細胞表現(xiàn)出最強正相關，見圖6C，圖中紅色代表正相關，藍色代表負相關。

2.7 中藥預測結(jié)果

借助本草圖鑒數(shù)據(jù)庫映射核心基因相關中藥，以P＜0.05作為有顯著意義，共篩選出可能治療膿毒癥的中藥22種，通過《中華本草》和《中藥大辭典》對22種藥物進行性味歸經(jīng)總結(jié)，見表1，并繪制雷達圖進行可視化展示，由圖7A～B，可知，靶向中藥大多藥性偏平，藥味甘，歸經(jīng)入胃、肺。提示這些篩選出的中藥可能作為膿毒癥治療潛在藥物來源。

3 討論

膿毒癥是由感染引起的全身炎性反應綜合征，其高發(fā)病率、高死亡率和高致殘率，給患者的工作和生活帶來很大的痛苦，其已被世界衛(wèi)生組織（WHO）列為全球衛(wèi)生優(yōu)先事件。目前，對于膿毒癥的治療，只能通過抗菌藥物治療、機械通氣、液體復蘇等手段控制其癥狀，但膿毒癥患者感染后存在個體差異和缺乏特異性的臨床特征等狀況，很難能夠及時做出明確的臨床診斷。鐵死亡是一種新發(fā)現(xiàn)的細胞死亡方式，其具有免疫原性和促炎性[27]。研究發(fā)現(xiàn)，細胞發(fā)生鐵死亡后會釋放損傷相關分子模式（DAMPs），從而增加炎癥反應，加重細胞死亡的過程[28]。本研究通過生物信息學分析方法和機器學習算法探討鐵死亡參與膿毒癥的可能機制。

本研究結(jié)果顯示，TXN、NR1D2、PARP15、ZFAS1、LYRM1和IDH1是膿毒癥相關鐵死亡基因，根據(jù)數(shù)據(jù)集GSE232753進行驗證，發(fā)現(xiàn)TXN、NR1D2和PARP15（Plt;0.001），同時這3個基因的中ROC的AUC分別為0.925、0.906、0.912，均大于0.9，故可認為這3個基因為膿毒癥相關鐵死亡核心基因，同時可作為膿毒癥的診斷生物標志物。TXN是一種經(jīng)典的氧化還原蛋白，可以通過多種方式調(diào)節(jié)細胞氧化還原狀態(tài)[29-31]。研究表明，TXN蛋白降低會引起脂質(zhì)活性氧（ROS）堆積，最終引起細胞鐵死亡[32]。Chen等[33]研究證實，TXN在膿毒性腦病的小鼠模型中呈高表達，且能夠抑制炎癥反應可減少細胞凋亡。此外，TXN與含有半胱氨酸（Cys）殘基的蛋白質(zhì)相互作用，能夠改變其構(gòu)象和功能，在一氧化氮的作用下，TXN亞硝基化CASP3的Cys活性位點，從而抑制其活性，進而調(diào)節(jié)鐵死亡，參與膿毒癥的發(fā)病機制[34]。NR1D2是1種與生物鐘紊亂相關的核激素受體。有研究表明，NR1D2在哮喘疾病中具有節(jié)律性[35]。Lachmann等[36]也發(fā)現(xiàn)NR1D2在膿毒癥患者中也具有節(jié)律性，且其表達量下調(diào)。NR1D2也被證實可以參與脂質(zhì)代謝、炎癥反應、抑制細胞自噬通路、生物調(diào)節(jié)等過程，同時參與鐵死亡調(diào)控[37]。PARP15屬于PARP蛋白家族，其激活通常是由于脂質(zhì)代謝的紊亂。羅銳等[38]研究發(fā)現(xiàn)PARP蛋白家族具有抑癌的治療價值，其可調(diào)節(jié)鐵死亡達到治療效果。研究發(fā)現(xiàn)，膿毒癥患者心臟組織與PARP激活水平有關[39]。此外，也參與許多生物過程，如脫氧核糖核酸修復、細胞分裂、肺腺癌、細胞分化、應激、免疫反應和細胞死亡等過程[40]。基因富集分析顯示，脂肪酸相關代謝途徑被顯著富集。此外，當脂質(zhì)過氧化物過多時，會破壞細胞的正常形態(tài)和功能，使細胞膜出現(xiàn)破裂或者有缺陷，從而誘發(fā)鐵死亡[41]。膿毒癥中這些異常表達的核心基因可能參與機體細胞中脂肪酸相關代謝途徑進而參與鐵死亡的調(diào)控，從而影響外周血中的免疫細胞浸潤和膿毒癥的預后情況。

越來越多研究也表明，鐵死亡與細胞免疫浸潤的變化有關[42-43]，如免疫細胞紊亂時會發(fā)生鐵死亡；鐵死亡又能夠被免疫細胞識別并加劇炎癥反應。在膿毒癥患者中，由于氧化應激和炎癥反應的增強，導致TXN表達上調(diào)。而過度的氧化應激和炎癥反應又會導致免疫抑制，從而抑制CD8+T細胞的活性或功能，降低了其對感染細胞的殺傷能力。NR1D2和PARP15與CD8+T細胞呈正相關，說明這兩個基因的表達水平可能影響了CD8+T細胞的活性，且CD8+T細胞在清除感染細胞和維持免疫穩(wěn)態(tài)中起關鍵作用。Gianchecchi等[44]研究發(fā)現(xiàn)CD8+T細胞能夠增強鐵死亡，從而達到免疫治療的效果。鑒于此，本研究采用CIBERSORT算法對膿毒癥患者和健康組的免疫細胞浸潤類型進行評估，發(fā)現(xiàn)多種免疫細胞浸潤的變化與膿毒癥發(fā)生的重要生物學過程密切相關。本研究發(fā)現(xiàn)，M0巨噬細胞的比例顯著增加，這可為巨噬細胞極化做準備；M1巨噬細胞主要參與促炎反應，然而，在這項研究中沒有觀察到它們顯著增加；主要參與抗炎反應的M2巨噬細胞在膿毒癥中顯著減少，表明其功能可能在膿毒癥發(fā)病機制中受到破壞；CD8+T細胞的比例顯著下降，表明其免疫功能受損，這更易加重膿毒癥病情的進展；有研究表明[45]，自然殺傷細胞的數(shù)量和功能的異常可以引發(fā)多種免疫性疾病。本研究中，發(fā)現(xiàn)自然殺傷細胞的比例顯著減少，這可能是膿毒癥患者感染后造成機體異常免疫反應所引起的。綜上所述，免疫細胞浸潤以一種復雜的方式參與鐵死亡調(diào)控，促進了膿毒癥的發(fā)展，還需更多的研究來進一步闡明這種機制。

將上述篩選出的膿毒癥相關鐵死亡核心基因映射到本草圖鑒數(shù)據(jù)庫，以篩選出具有調(diào)節(jié)鐵死亡、治療膿毒癥可能有效的中藥。篩選的中藥中，沙棘有活血散瘀功效，現(xiàn)代研究表明沙棘具有免疫調(diào)節(jié)、抗炎抑菌等藥理作用。此外，研究還發(fā)現(xiàn)沙棘中的黃酮類成分可以促進樹突狀細胞、促成熟分子和共刺激分子顯著上升，對免疫基因的表達具有重要調(diào)節(jié)作用[46]?！端貑枴ぶ琳嬉笳摗酚性疲骸盁嵴吆?，可以運用清熱解毒法治療，改善病情[47]。另外，預測出的藥物中還有蜂房、山莓、虎杖葉、白茅根、天門冬等中藥均有清熱解毒功效。這和中醫(yī)治療膿毒癥選擇清熱解毒功效藥物的理念相符合。此外，中醫(yī)理論[47]也認為，膿毒癥是由于瘀邪阻滯血脈所造成的，故具有活血化瘀功效的中藥對膿毒癥也起到一定的治療作用，本研究預測的中藥中沙棘、金甲豆、火麻仁等藥材也具有活血化瘀的功效。這說明通過利用生物信息學和機器學習篩選出的診斷基因的具有一定的可靠性和準確性。這為膿毒癥的治療提供了新的用藥參考。

4 結(jié)論

本研究結(jié)果表明，鐵死亡參與膿毒癥的機制可能與TXN表達上調(diào)及NR1D2、PARP15表達下調(diào)有關。ROC分析表明，這3個基因具有作為膿毒癥的診斷生物標志物的較大潛力。本研究還發(fā)現(xiàn)，上述3個基因與多種類型的免疫細胞有較高相關性且參與了鐵死亡的調(diào)控，免疫細胞浸潤與鐵死亡可能在膿毒癥發(fā)生和進展中發(fā)揮作用。此外，預測得到的22種中藥可能成為治療膿毒癥的潛在藥物，為臨床膿毒癥治療提供新的選擇藥物。但本研究是基于生物信息學研究，具有一定的局限性，需要進一步結(jié)合體內(nèi)外實驗來驗證。

參 考 文 獻

Singer M， Deutschman C S， Seymour C W， et al. The third international consensus definitions for sepsis and septic shock （Sepsis-3）[J]. JAMA， 2016， 315（8）： 801-810.

Zhang Y， Ning B. Signaling pathways and intervention therapies in sepsis[J]. Signal Transdut Tar， 2021， 6（1）： 407.

Shen H， Ren S， Wang W， et al. Profiles of immune status and related pathways in sepsis： Evidence based on GEO and bioinformatics[J]. Biocell， 2020， 44（4）： 583.

嚴靜， 謝勝， 葛來安， 等. 中藥調(diào)控TLR4信號通路干預膿毒癥的研究進展[J]. 中國實驗方劑學雜志， 2024， 30（19）：" 282-291.

張孌孌， 訾亞楠， 張業(yè)鵬， 等. 參附注射液通過調(diào)節(jié)HIF-1α減輕膿毒癥肺損傷[J]. 中國中藥雜志， 2023， 48（23）： 6492-6499.

Rudd K E， Johnson S C， Agesa K M， et al. Global， regional， and national sepsis incidence and mortality， 1990-2017： analysis for the Global Burden of Disease Study[J]. The Lancet， 2020， 395（10219）： 200-211.

Reinhart K， Daniels R， Kissoon N， et al. Recognizing sepsis as a global health priority-a WHO resolution[J]. New Engl Jmed， 2017， 377（5）： 414-417.

Zhao H， Wei L， Li H， et al. Appropriateness of antibiotic prescriptions in ambulatory care in China： A nationwide descriptive database study[J]. Lancet Infect Dis， 2021， 21（6）： 847-857.

柴霜， 趙文卓， 楊芳， 等. 細菌耐藥性及抗菌新藥研發(fā)策略[J]. 國外醫(yī)藥（抗生素分冊）， 2021， 42（4）： 204-208.

Dixon S J， Lemberg K M， Lamprecht M R， et al. Ferroptosis： An iron-dependent form of nonapoptotic cell death[J]. Cell， 2012， 149（5）： 1060-1072.

Xie Y， Hou W， Song X， et al. Ferroptosis： Process and function[J]. Cell Death Differ， 2016， 23（3）： 369-379.

Stockwell B R， José Pedro F A， Bayir H， et al. Ferroptosis： A regulated cell death nexus linking metabolism， redox biology， and disease[J]. Cell， 2017， 171（2）： 273-285.

Dugar S， Choudhary C， Duggal A. Sepsis and septic shock： Guideline-based management[J]. Cleve Clin J Med， 2020， 87（1）： 53-64.

Portt L， Norman G， Clapp C， et al. Anti-apoptosis and cell survival： A review[J]. Bba-Mol Cell Bio L， 2011， 1813（1）： 238-259.

Wu Y， Yu C， Luo M， et al. Ferroptosis in cancer treatment： Another way to Rome[J]. Front Oncol， 2020， 10： 571127.

龍茜， 林潔. 應用生物信息學從鐵死亡角度篩選治療盆腔炎性疾病后遺癥天然藥物成分[J]. 中藥材， 2022， 45（4）： 882-889.

Wang W， Green M， Choi J E， et al. CD8+ T cells regulate tumour ferroptosis during cancer immunotherapy[J]. Nature， 2019， 569（7755）： 270-274.

Jiang Y， Li C， Wu Q， et al. Iron-dependent histone 3 lysine 9 demethylation controls B cell proliferation and humoral immune responses[J]. Nat Commun， 2019， 10（1）： 2935.

Luo X， Gong H B， Gao H Y， et al. Oxygenated phosphatidylethanolamine navigates phagocytosis of ferroptotic cells by interacting with TLR2[J]. Cell Death Differ， 2021， 28（6）： 1971-1989.

Mainali S， Darsie M E， Smetana K S. Machine learning in action： stroke diagnosis and outcome prediction[J]. Front Neurol， 2021， 12： 734345.

潘迎志， 李青蔚. 計算機技術在中藥活性成分發(fā)現(xiàn)過程中的應用[J]. 成都大學學報（自然科學版）， 2023， 42（3）： 234-238.

Tian Z， He W， Tang J， et al. Identification of important modules and biomarkers in breast cancer based on WGCNA[J]. OncoTargets Ther， 2020： 6805-6817.

Yin L， Wang J， Yang H， et al. Study on influence factors of pressure injury risk in the elderly inpatients with kidney disease based on LASSO regression[J]. Open J. Prev. Med， 2020， 10（6）： 95-107.

Tai A M Y， Albuquerque A， Carmona N E， et al. Machine learning and big data： Implications for disease modeling and therapeutic discovery in psychiatry[J]. Artif Intell Med， 2019， 99： 101704.

Huang S， Cai N， Pacheco P P， et al. Applications of support vector machine （SVM） learning in cancer genomics[J]. Cancer Genom Proteom， 2018， 15（1）： 41-51.

Le T， Aronow RA， Kirshtein A， et al. A review of digital cytometry methods： Estimating the relative abundance of cell types in a bulk of cells[J]. Brief Bioinform， 2021， 22（4）： bbaa219.

Martin-Sanchez D， Ruiz-Andres O， Poveda J， et al. Ferroptosis， but not necroptosis， is important in nephrotoxic folic acid–induced AKI[J]. J Am Soc Nephrol， 2017， 28（1）： 218-229.

Linkermann A， Stockwell B R， Krautwald S， et al. Regulated cell death and inflammation： An auto-amplification loop causes organ failure[J]. Nat Rev Immunol， 2014， 14（11）： 759-767.

Matsuzawa A. Thioredoxin and redox signaling： Roles of the thioredoxin system in control of cell fate[J]. Arch Biochem Biophys， 2017， 617： 101-105.

Lu J， Holmgren A. The thioredoxin antioxidant system[J]. Free Radical Bio Med， 2014， 66： 75-87.

Lou M， Liu Q， Ren G， et al. Physical interaction between human ribonucleotide reductase large subunit and thioredoxin increases colorectal cancer malignancy[J]. J Biol Chem， 2017， 292（22）： 9136-9149.

Li G， Yang J， Zhao G， et al. Dysregulation of ferroptosis may involve in the development of non-small-cell lung cancer in Xuanwei area[J]. J Cell Mol Med， 2021， 25（6）： 2872-2884.

Chen H， Peng Y， Wang L， et al. Sevoflurane attenuates cognitive dysfunction and NLRP3-dependent caspase-1/11-GSDMD pathway-mediated pyroptosis in the hippocampus via upregulation of SIRT1 in a sepsis model[J]. Arch Physiol Biochem， 2022， 128（5）： 1413-1420.

Araki K， Kusano H， Sasaki N， et al. Redox sensitivities of global cellular cysteine residues under reductive and oxidative stress[J]. J. Phys. Chem. Lett， 2016， 15（8）： 2548-2559.

Powell W T， Rich L M， Vanderwall E R， et al. Temperature synchronisation of circadian rhythms in primary human airway epithelial cells from children[J]. Bmj Open Respir Res， 2022， 9（1）： 001319.

Lachmann G， Ananthasubramaniam B， Wünsch V A， et al. Circadian rhythms in septic shock patients[J]. Ann Intensive Care， 2021， 11（1）： 1-10.

唐夢靈. NR1D2介導的脂噬在類鼻疽菌胞內(nèi)持續(xù)性感染中的作用機制研究[D]. 重慶：西南大學， 2020.

羅銳， 王利俠， 江汝偉. 上皮性卵巢癌化療耐藥組織中PARP1與鐵死亡的相關性及臨床意義[J]. 分子診斷與治療雜志， 2024， 16（1）： 153-157.

Zhang L， Yao J， Wang X， et al. Poly （ADP-ribose） synthetase inhibitor has a heart protective effect in a rat model of experimental sepsis[J]. Int J Clin Exp Patho， 2015， 8（9）： 9824.

Wasyluk W， Zwolak A. PARP inhibitors： An innovative approach to the treatment of inflammation and metabolic disorders in Sepsis[J]. J Inflamm Res， 2021， 14： 1827-1844.

Yang J， Jia Z， Zhang J， et al. Metabolic intervention nanoparticles for triple-negative breast cancer therapy via overcoming FSP1-mediated ferroptosis resistance[J]. Adv Healthc Mater， 2022， 11（13）： 2102799.

Chen X， Kang R， Kroemer G， et al. Ferroptosis in infection， inflammation， and immunity[J]. J Expl Med， 2021， 218（6）： 20210518.

Tang B， Xu W， Wang Y， et al. Identification of critical ferroptosis regulators in lung adenocarcinoma that RRM2 facilitates tumor immune infiltration by inhibiting ferroptotic death[J]. Clin Immunol， 2021， 232： 108872.

Gianchecchi E， Delfino D V， Fierabracci A. Natural killer cells： potential biomarkers and therapeutic target in autoimmune diseases[J]. Front Immunol， 2021， 12： 616853.

Anthonymuthu T S， Kenny E M， Shrivastava I， et al. Empowerment of 15-lipoxygenase catalytic competence in selective oxidation of membrane ETE-PE to ferroptotic death signals， HpETE-PE[J]. J Am Chem Soc， 2018， 140（51）： 17835-17839.

王欣欣， 陳小艷， 張文蓮， 等. 蒙藥沙棘概況及藥理作用研究進展[J]. 中國民族醫(yī)藥雜志， 2022， 28（11）： 51-54.

謝小玉. 益氣活血解毒法治療毒熱型膿毒癥患者的臨床觀察[D]. 哈爾濱： 黑龍江中醫(yī)藥大學， 2023.