影响因子：7.2
研究概述：
本研究整合扩张型心肌病患者的bulk转录组数据，分析其免疫浸润特征和分型，结合内质网应激相关基因，使用差异分析，富集分析和基因网络分析等方法探索与内质网应激相关的免疫反应，发现了15个与免疫分型相关的内质网应激hub基因，为开发新型治疗策略提供参考。
流程图：
关于非肿瘤生信，我们也解读过很多，主要有以下类型
1 单个疾病WGCNA+PPI分析筛选hub基因。
2 单个疾病结合免疫浸润，热点基因集，机器学习算法等。
3 两种相关疾病联合分析，包括非肿瘤结合非肿瘤，非肿瘤结合肿瘤或者非肿瘤结合泛癌分析
4 基于分型的非肿瘤生信分析
5 单细胞结合普通转录组生信分析
目前最新的机器学习思路是使用100多种机器学习组合进行建模或者筛选关键基因，这种方法在肿瘤中已经发表多篇1区文章，例如
[最新1区8+纯生信，结合10种机器学习算法构建模型，换个肿瘤可重复！]
如果这种思路在非肿瘤中使用，势必会给文章提高档次！
研究结果：
一、整合与评估扩张型心肌病的免疫细胞浸润
1.首先对两个扩张型心肌病的转录组数据进行整合去批次，共19个疾病组织和10个正常对照组织（图1B、C）。
2.CIBERSORT分析发现T细胞亚群在浸润性免疫细胞中占主导地位（图2A），同时免疫细胞浸润水平之间存在明显的相关性（图2B）。
3.28种免疫细胞类型的ssGSEA分析结果表明，扩张型心肌病患者间呈现出不同程度的免疫细胞群的富集。
二、构建扩张型心肌病的免疫分型，筛选差异表达的内质网应激相关基因（DEERSRGs）
1.根据患者免疫特征，使用一致性聚类方法将它们分为两种免疫分型：cluster 1和2（图3A）。
2.cluster 1和2亚群之间的差异基因分析得到131个上调和65个下调基因（图3B、C）。
3.上述差异基因与内质网应激相关基因取交集，得到103个DEERSRGs，用于后续分析（图3D）。
三、DEERSRGs的功能富集分析
1.GO富集分析的结果表明DEERSRGs 与细胞凋亡和纤维化过程密切相关（图4A-D），KEGG通路分析显示DEERSRGs 主要富集在代谢途径、内吞作用、细胞色素 P450 对异种生物的代谢和硫中继系统中（图4E），疾病本体论（DO）分析表明DEERSRGs 对球部体征、足背屈肌无力和反射消失等疾病也有很大影响（图 4F）。
2.GSEA结果进一步显示，DEERSRGs与糖酵解和葡萄糖生成、细胞粘附分子（CAMs）、NOD样受体信号通路、N-糖生物合成和利什曼原虫感染这五个信号通路有显著相关性（图5A-E）。
3.来自MSigDB数据库的基因集GSVA显示，不同免疫亚型患者在脊髓细胞分化、血管加压素受体活性等通路的活跃性存在差异（图5F）。
四、蛋白互作网络筛选hub基因，分析hub基因与免疫浸润和免疫分型的联系
1.PPI网络分析用于挖掘DEERSRGs 中的关键基因，筛选其中网络联通最密集的15个hub基因（图6A、B）。
2.hub基因表达在两种免疫分型患者中存在差异，其中AK1, DBN1, PLEC, PARP1和PFKL在cluster 2中表达上升，ARPC3, PRKCI, UFL1, KPNA2和RB1则在cluster 1亚型表达上调（图6C-L）。
3.内质网应激hub基因可能参与调控免疫进程，其中AK1, ARPC3, GSN, KPNA2, PARP1, PFKL, PRKC和RB1的基因表达风度与多种免疫细胞呈现显著正相关（图7A-I）。
五、免疫分型与免疫浸润细胞的关系
扩张型心肌病的两种免疫亚型之间的浸润水平存在明显差异。其中，记忆 B 细胞、活化 NK 细胞和滤泡辅助 T 细胞的浸润程度在cluster 1中更高（图 8A、C、F），而活化肥大细胞、浆细胞和 CD8+ T 细胞的浸润程度似乎在cluster 2中更高（图 8B、D、E）。
六、hub基因的基因上下游网络分析
作者进一步分析了hub基因与其他小分子的相互调控关系，包括与转录因子（TFs）的调控网络关系（图 9A）、与 miRNAs 的网络关系（图 9B），以及PARP1, PRKC1, ARPC3, HIF1A, RB1和CDC42与不同小分子和药物的相互作用网络关系（图 9C）。
研究总结：
本研究首次建立了与内质网应激相关的核心基因的调控网络，有助于阐明扩张型心肌病的生物学机制，发现八个可能参与免疫相关机制的hub基因（AK1, ARPC3, GSN, KPNA2, PARP1, PFKL, PRKC和RB1），为患者提供新的诊断策略和治疗靶点。富集分析表明，DEERSRGs与生物通路密切相关，包括神经元凋亡、蛋白质修饰、氧化应激反应、糖酵解和葡萄糖生成以及NOD样受体信号通路。
