COVIDanno: 在人体外模型中对COVID-19进行注释的数据库
介绍
新冠病毒(SARS-CoV-2)是导致冠新冠疫情COVID-19的病原体，在全球范围内引发了严重的健康危机。尽管持续努力治疗患者，但尚无普遍适用的预防或治愈方法。一个可行的方法是从SARS-CoV-2感染的细胞中识别关键基因。体外培养的SARS-CoV-2感染模型具有易于控制的实验条件，可获得可重复的结果，并可监测感染进展情况。
目前，迫切需要对体外培养的SARS-CoV-2模型所积累的RNA-seq数据进行系统的分析和注释。为弥补这一空白，我们构建了COVIDanno，即人类COVID-19注释数据库,网址。该资源的目标是为体外培养中COVID-19感染下的差异表达基因（DEGs）提供深入的功能注释参考。为此，我们在13种组织类型中对136个独立数据集进行了差异表达分析，共鉴定出4935个DEGs。对于这些DEGs，我们进行了多种生物信息学/计算生物学研究。此外，我们还开发了一种新工具，帮助用户预测特定样本的SARS-CoV-2感染状态。COVIDanno将成为一个有价值的资源，有助于识别与SARS-CoV-2相关的基因，并了解它们在不同时间点和多种组织类型中的潜在功能作用。
数据说明
我们从GEO数据库中手动收集了所有可用的SARS-CoV-2体外感染RNA-seq数据集。我们通过将每个SARS-CoV-2感染样本与其相应的模拟处理样本进行匹配，将样本整理成配对的数据集。匹配的标准包括相同的GEO访问号、亚组织类型、感染后的时间 (hpi) 和感染细胞的病毒颗粒数目(moi)（图1B-C）。接下来，我们使用以下两个标准筛选了配对的数据集：(i) 数据集应包含具有相同条件（GEO访问号、亚组织类型、hpi值和moi值）的SARS-CoV-2感染样本及其相应的模拟处理样本；(ii) 每个组（SARS-CoV-2感染组或模拟处理组）应包含至少两个独立的生物学重复样本，以最小化变异性。最后，我们共收集了136个配对的数据集，涵盖了来自13种人类组织的745个样本，包括大脑、支气管、眼睛、心脏、肾脏、大肠、肝脏、肺、鼻腔、神经、胰腺、小肠和胃（图1A、D）。
单个数据集的分析
对于这136个独立数据集中的每一个，我们分别在SARS-CoV-2感染样本与模拟处理样本之间进行了差异表达基因分析（COVID-19感染DEGs）和差异可变剪接分析（COVID-19感染DEGs），接着我们对这些DEGs和DEGs进行了功能富集分析，以提供COVID-19感染后的细胞工作背景。（图2F）
单个基因的分析
我们共鉴定出了4935个DEGs，这些基因至少在3个GEO资源中出现。其中，超过4200个基因在至少2种组织类型中显示出显著差异。针对这4,935个显著的DEGs，我们将单个基因与相关基因分组（例如，免疫相关性、性别相关性、衰老相关性和组织特异性）进行了整合。我们提供了在136个数据集中的表达景观和外显子剪接事件。对于14个亚组织的表达轨迹分析，提供了个体DEGs随时间推移的变化情况。组织特异性表达分析显示了在SARS-CoV-2感染期间组织特异性的变化。TF-基因和RBP-ES调控网络识别出COVID-19感染DEGs的潜在调控因子。在相关药物分析中，我们发现903个COVID-19 DEGs被3,577个FDA批准的药物靶向。此外，通过相关疾病分析，我们在19,189种疾病中发现了3,801个COVID-19 DEGs。我们对这4,935个基因在COVID-19感染样本中的表达进行了PubMed搜索的整理。其中，1,704个基因已被报告与COVID-19进展有关。（图2G）
分析工具
此外，在我们的研究中，我们开发了一个新颖的在线工具，通过无监督分析方法来预测给定样本的感染状态。免疫激活过程的示意图如图3A所示。在我们的研究中，通过整合132个配对数据集（742个样本），我们从免疫激活过程中提取了891个免疫应答基因。图3B展示了数据集中免疫应答基因的分布。 稀释曲线是对给定数量的个体数据集的免疫应答基因丰富度的一种表示。稀释曲线达到了平稳期（图3C），表明我们对免疫应答基因有很好的代表性。即使数据集数量增加，免疫应答基因的数量变化不明显。随后，我们根据891个免疫应答基因在SARS-CoV-2感染过程中的基因表达变化，将132个配对数据集分成了8个连续的感染状态（图3D-E）。 我们将该方法应用于来自先前研究的多个数据集进行了验证。
分析工具使用
该工具用户使用起来非常方便，只需要上传输入文件，就能获得预测结果。输入文件是不同实验条件（例如，SARS-CoV-2感染样本 vs 模拟感染样本）之间差异基因表达分析的结果。具体软件的使用步骤如图4所示。整个数据库使用教程可以在help页面获取工具。
访问地址
访问地址:http://biomedbdc.wchscu.cn/COVIDanno/
参考文献
Feng Y, Yang M, Fan Z, Zhao W, Kim P, Zhou X. COVIDanno, COVID-19 annotation in human. Front Microbiol. 2023;14:1129103. Published 2023 Jul 11. doi:10.3389/fmicb.2023.1129103IF: 5.2 Q2