Comprehensive analysis of the single-cell and transcriptomics uncovers the pathogenic network and potential biomarkers related to hypoxia, metabolic reprogramming and atherosclerosis in obstructive sleep apnoea.

چکیده اصلی

This study aimed to identify key biomarkers for obstructive sleep apnoea (OSA) by analysing RNA-seq (GSE75097: 6 control and 42 OSA) and single-cell RNA-seq (GSE214865: 11 control and 11 OSA) datasets. Differential expression analysis revealed 575 DEGs between OSA and control groups. Using weighted gene co-expression network analysis (WGCNA) combined with machine learning approaches (Random Forest, SVM-RFE and LASSO), we identified four hub genes (C17ORF91, HBEGF, PGBD2 and ZNF616) as candidate biomarkers, showing exploratory discriminatory performance (AUC > 0.7). Gene set enrichment analysis (GSEA) revealed that these genes are associated with pathways related to hypoxia response, atherosclerosis and metabolic reprogramming (NES as low as -2.049, adj. p < .05), as well as immune regulation (NES up to 1.932, adj. p < .05). Single-cell RNA sequencing analysis further demonstrated that cMonocytes play a central role in OSA progression, exhibiting the highest scores for hypoxia, metabolic dysfunction and atherosclerosis risk. An exploratory nomogram incorporating these hub genes showed favourable internal performance within the discovery cohort. These findings provide hypothesis-generating insights into the molecular features associated with OSA and identify these genes as candidate biomarkers that require independent external and functional validation. Further validation of these genes may provide a basis for evaluating their potential diagnostic and therapeutic relevance in OSA.

ترجمه فارسی چکیده

این مطالعه با تحلیل داده‌های RNA-seq (GSE75097) و تک‌سلول RNA-seq (GSE214865)، به دنبال شناسایی نشانگرهای کلیدی آپنه خواب انسدادی (OSA) بود. تحلیل بیان تفاضلی ۵۷۵ ژن بیان تفاضلی (DEG) را بین گروه‌های OSA و کنترل آشکار کرد. با استفاده از تحلیل شبکه همبستگی ژن وزن‌دار (WGCNA) همراه با یادگیری ماشین (جنگل تصادفی، SVM-RFE و LASSO)، چهار ژن هاب (C17ORF91، HBEGF، PGBD2 و ZNF616) به عنوان نشانگرهای بالقوه شناسایی شدند که عملکرد تشخیصی اکتشافی (AUC > ۰.۷) را نشان دادند. تحلیل غنی‌سازی مجموعه ژن (GSEA) نشان داد که این ژن‌ها با مسیرهای پاسخ به هیپوکسی، آترواسکلروز و بازطراحی متابولیک (NES تا -۲.۰۴۹، p اصلاح شده < .۰۵) و همچنین تنظیم ایمنی (NES تا ۱.۹۳۲، p اصلاح شده < .۰۵) مرتبط هستند. تحلیل تک‌سلول RNA-sequencing نشان داد که مونوسیت‌های کلاس C نقش مرکزی در پیشرفت OSA دارند و بالاترین امتیازات را برای هیپوکسی، اختلال متابولیک و ریسک آترواسکلروز دارند. یک نمودار اکتشافی شامل این ژن‌های هاب عملکرد داخلی مطلوبی در کوهورت کشف را نشان داد. این یافته‌ها بینش‌های فرضیه‌ساز در مورد ویژگی‌های مولکولی مرتبط با OSA ارائه می‌دهند و این ژن‌ها را به عنوان نشانگرهای بالقوه که نیاز به تأیید مستقل خارجی و عملکردی دارند، شناسایی می‌کنند. تأیید بیشتر این ژن‌ها می‌تواند پایه‌ای برای ارزیابی اهمیت بالقوه تشخیصی و درمانی آن‌ها در OSA باشد.

متن کامل اصلی