学文不看刊

这篇分析总体来说工作量不算大，scRNA联合bulkRNA分析，多种机器学习组合预测模型，最后用了AlphaFold2预测蛋白及AutoDock分子对接

非常适合小白学习和模仿，其次在筛选出核心基因后可以再加几个外部数据集观察表达表征，单细胞层次也可再次进行验证，堆上工作量

今天给大家分享的一篇文章：Unveiling the molecular complexity of proliferative diabetic retinopathy through scRNA-seq, AlphaFold 2, and machine learning

背景： 增生性糖尿病视网膜病变（PDR）是失明的主要原因，其发病机制复杂。本研究整合单细胞 RNA 测序（scRNA-seq）、非负矩阵分解（NMF）、机器学习和 AlphaFold 2 方法，探索 PDR 的分子水平。

方法： 我们分析了 PDR 患者和健康对照者的 scRNA-seq 数据，以确定不同的细胞亚型和基因表达模式。NMF 用于定义 PDR 中的特定转录程序。利用 Meta-Program 1 中确定的氧化应激相关基因 (ORG)，使用 12 种机器学习算法构建预测模型。此外，我们使用 AlphaFold 2 预测蛋白质结构，并辅以分子对接以验证潜在治疗靶点的结构基础。我们还分析了蛋白质-蛋白质相互作用 (PPI) 网络和关键 ORG 之间的相互作用。

结果： 我们的 scRNA-seq 分析显示 PDR 患者有五种主要细胞类型和 14 种亚细胞类型，与对照组相比，基因表达存在显著差异。我们确定了三个关键元程序，强调了小胶质细胞在 PDR 发病机制中的作用。确定了三个关键 ORG（ALKBH1、PSIP1 和 ATP13A2），其中表现最佳的预测模型表现出较高的准确度（训练队列中的 AUC 为 0.989，验证队列中的 AUC 为 0.833）。此外，AlphaFold 2 预测与分子对接相结合显示白藜芦醇对 ALKBH1 具有很强的亲和力，表明其具有作为靶向治疗剂的潜力。PPI 网络分析揭示了中心 ORG 与其他基因之间复杂的相互作用网络，表明其在 PDR 发病机制中发挥着集体作用。

结论： 本研究深入了解了 PDR 的细胞和分子方面，并使用先进的技术方法确定了潜在的生物标志物和治疗目标。

关键词： ALKBH1；AlphaFold 2；NMF；PPI；糖尿病视网膜病变；机器学习；氧化应激；单细胞分析。

图 1增生性糖尿病视网膜病变 (PDR) 样本与正常样本的单细胞 RNA 测序分析比较。

图 2 PDR 中细胞间通讯和基因表达的详细分析。

图 3小胶质细胞中的 PDR 基因模块目录。

图 4机器学习衍生的预测模型的开发。

图 5白藜芦醇与 ALKBH1 的分子对接。

图 6蛋白质-蛋白质相互作用 (PPI) 网络的构建及三个枢纽 ORG 的功能富集分析。

图 7三种关键 ORG 与阴性对照基因 PXDNL 在各种疾病条件下的相互作用。