Summary

 The cellular and molecular mechanisms mediating histamine-independent itch in primary sensory neurons are largely unknown. Itch induced by chloroquine (CQ) is a common side effect of this widely used antimalarial drug. Here, we show that Mrgprs, a family of G protein-coupled receptors expressed exclusively in peripheral sensory neurons, function as itch receptors. Mice lacking a cluster of Mrgpr genes display significant deficits in itch induced by CQ but not histamine. CQ directly excites sensory neurons in an Mrgpr-dependent manner. CQ specifically activates mouse MrgprA3 and human MrgprX1. Loss- and gain-of-function studies demonstrate that MrgprA3 is required for CQ responsiveness in mice. Furthermore, MrgprA3-expressing neurons respond to histamine and coexpress gastrin-releasing peptide, a peptide involved in itch sensation, and MrgprC11. Activation of these neurons with the MrgprC11-specific agonist BAM8-22 induces itch in wild-type but not mutant mice. Therefore, Mrgprs may provide molecular access to itch-selective neurons and constitute novel targets for itch therapeutics.

Itch, the unpleasant sensation that evokes a desire to scratch, accompanies numerous skin and nervous system disorders. In many cases, pathological itch is insensitive to antihistamine treatment. Recent studies have identified members of the Mas-related G protein-coupled receptor (Mrgpr) family that are activated by mast cell mediators and promote histamine-independent itch. MrgprA3 and MrgprC11 act as receptors for the pruritogens chloroquine and BAM8-22, respectively. However, the signaling pathways and transduction channels activated downstream of these pruritogens are largely unknown. We found that TRPA1 is the downstream target of both MrgprA3 and MrgprC11 in cultured sensory neurons and heterologous cells. TRPA1 is required for Mrgpr-mediated signaling, as sensory neurons from TRPA1-deficient mice exhibited markedly diminished responses to chloroquine and BAM8-22. Similarly, TRPA1-deficient mice displayed little to no scratching in response to these pruritogens. Our findings indicate that TRPA1 is an essential component of the signaling pathways that promote histamine-independent itch.

Dorsal root ganglion neurons respond to both painful and itchy stimuli, but whether itch-specific neurons exist was, up until now, unknown. Here the authors describe a group of MrgprA3-expressing neurons that innervate the superficial layers of the skin and selectively sense itch. Itch-specific neurons have been sought for decades. The existence of such neurons has been doubted recently as a result of the observation that itch-mediating neurons also respond to painful stimuli. We genetically labeled and manipulated MrgprA3+ neurons in the dorsal root ganglion (DRG) and found that they exclusively innervated the epidermis of the skin and responded to multiple pruritogens. Ablation of MrgprA3+ neurons led to substantial reductions in scratching evoked by multiple pruritogens and occurring spontaneously under chronic itch conditions, whereas pain sensitivity remained intact. Notably, mice in which TRPV1 was exclusively expressed in MrgprA3+ neurons exhibited itch, but not pain, behavior in response to capsaicin. Although MrgprA3+ neurons were sensitive to noxious heat, activation of TRPV1 in these neurons by noxious heat did not alter pain behavior. These data suggest that MrgprA3 defines a specific subpopulation of DRG neurons mediating itch. Our study opens new avenues for studying itch and developing anti-pruritic therapies.

Abstract Personalized interventions are deemed vital given the intricate characteristics, advancement, inherent genetic composition, and diversity of cardiovascular diseases (CVDs). The appropriate utilization of artificial intelligence (AI) and machine learning (ML) methodologies can yield novel understandings of CVDs, enabling improved personalized treatments through predictive analysis and deep phenotyping. In this study, we proposed and employed a novel approach combining traditional statistics and a nexus of cutting-edge AI/ML techniques to identify significant biomarkers for our predictive engine by analyzing the complete transcriptome of CVD patients. After robust gene expression data pre-processing, we utilized three statistical tests (Pearson correlation, Chi-square test, and ANOVA) to assess the differences in transcriptomic expression and clinical characteristics between healthy individuals and CVD patients. Next, the recursive feature elimination classifier assigned rankings to transcriptomic features based on their relation to the case–control variable. The top ten percent of commonly observed significant biomarkers were evaluated using four unique ML classifiers (Random Forest, Support Vector Machine, Xtreme Gradient Boosting Decision Trees, and k-Nearest Neighbors). After optimizing hyperparameters, the ensembled models, which were implemented using a soft voting classifier, accurately differentiated between patients and healthy individuals. We have uncovered 18 transcriptomic biomarkers that are highly significant in the CVD population that were used to predict disease with up to 96% accuracy. Additionally, we cross-validated our results with clinical records collected from patients in our cohort. The identified biomarkers served as potential indicators for early detection of CVDs. With its successful implementation, our newly developed predictive engine provides a valuable framework for identifying patients with CVDs based on their biomarker profiles.

Personalized interventions are deemed vital given the intricate characteristics, advancement, inherent genetic composition, and diversity of cardiovascular diseases (CVDs). The appropriate utilization of artificial intelligence (AI) and machine learning (ML) methodologies can yield novel understandings of CVDs, enabling improved personalized treatments through predictive analysis and deep phenotyping. In this study, we proposed and employed a novel approach combining traditional statistics and a nexus of cutting-edge AI/ML techniques to identify significant biomarkers for our predictive engine by analyzing the complete transcriptome of CVD patients. After robust gene expression data pre-processing, we utilized three statistical tests (Pearson correlation, Chi-square test, and ANOVA) to assess the differences in transcriptomic expression and clinical characteristics between healthy individuals and CVD patients. Next, the Recursive Feature Elimination (RFE) classifier assigned rankings to transcriptomic features based on their relation to the case-control variable. The top ten percent of commonly observed significant biomarkers were evaluated using four unique ML classifiers (Random Forest, Support Vector Machine, Xtreme Gradient Boosting Decision Trees, and k-Nearest Neighbors). After optimizing hyperparameters, the ensembled models, which were implemented using a soft voting classifier, accurately differentiated between patients and healthy individuals. We have uncovered 18 transcriptomic biomarkers that are highly significant in the CVD population that were used to predict disease with up to 96% accuracy. Additionally, we cross-validated our results with clinical records collected from patients in our cohort. The identified biomarkers served as potential indicators for early detection of CVDs. With its successful implementation, our newly developed predictive engine provides a valuable framework for identifying patients with CVDs based on their biomarker profiles.