يتطلب اشتراك JoVE لعرض هذا المحتوى. تسجيل الدخول أو ابدأ نسخة تجريبية مجانية

مقالة منهجية

مناهج تعلم الآلة المتكاملة لاستكشاف دور الجينات المرتبطة بالجليكوزيل في التليف الرئوي مجهول السبب

177 مشاهدة

⸱

DOI:

10.3791/71408

⸱

يوليو 31, 2026

 ,  ,  , 
1Department of Rheumatology and Immunology, The First Affiliated Hospital of Jinan University, 2Department of Rheumatology and Immunology, The First Affiliated Hospital of Bengbu Medical University

في هذه المقالة

ملخص

استخدمت هذه الدراسة التحليل المتكامل للنسخ، وتعلم الآلة (LASSO، SVM-RFE، وXGBoost)، وتحليل تسرب المناعة، والالتحام الجزيئي، والتحقق من صحة RT-qPCR لتحديد الجينات المرتبطة بالجليكوزيل المرتبطة بالتليف الرئوي مجهول السبب. تم تحديد عشرة جينات تشخيصية مرشحة، وتم تطوير والتحقق من صحة نموذج تشخيصي ذو أداء قوي في مجموعات بيانات أنسجة الرئة.

الملخص

التليف الرئوي مجهول السبب (IPF) هو مرض رئوي مزمن متقدم وله سبب غير واضح، ولا تزال مساهمة الجينات المرتبطة بالجليكوزيل (GRGs) في مسببه غير مفهومة بشكل جيد. تركز هذه الدراسة على توضيح الآليات المحتملة لمجموعات الاستخبارات الشاملة في المعلوماتية الذهنية الدولية، وتحديد المؤشرات الحيوية الرئيسية، وتطوير نموذج تشخيصي باستخدام المعلوماتية الحيوية وتعلم الآلة. تم دمج بيانات النسخ النصي من قاعدة بيانات GEO مع مجموعات GRGs للتحقيق في دورها في IPF. تم تحديد الجينات المعبر عنها بشكل تفاضلي (DEGs) وخضوعها لتحليلات الإثراء الوظيفي وتفاعل البروتين والبروتين (PPI). تم تطبيق سير عمل تعلم آلي يجمع بين انحدار LASSO، ودعم إزالة الميزات المتكررة للآلة (SVM-RFE)، وXGBoost لتحديد الجينات الرئيسية وبناء نموذج تشخيصي باستخدام مجموعة بيانات التدريب GSE150910. تم تقييم أداء النموذج لاحقا في أربع مجموعات بيانات تحقق مستقلة. أجريت تحليلات إضافية، بما في ذلك تحليل إثراء مجموعات الجينات (GSEA)، وتحليل تسرب المناعة، وتحليل تفاعل الدواء والجينات، والربط الجزيئي، والتحقق من صحة RT-qPCR باستخدام عينات دم محيطية من مرضى IPF ومجموعة تحكم صحية، للتحقيق في الأهمية البيولوجية للجينات المحددة. تم تحديد ما مجموعه 126 جينات DEG مرتبطة بالجليكوزيل، وتم اختيار 10 جينات رئيسية. حقق النموذج التشخيصي قيم المساحة تحت المنحنى (AUC) بلغت 0.963 و0.814 في مجموعات بيانات أنسجة الرئة، و0.681 و0.706 في مجموعات بيانات الدم. كشف تحليل تسرب المناعة عن اختلافات في وفرة خلايا B بين المجموعات الفرعية للمرضى، وأكد التحقق من صحة RT-qPCR وجود تفاضل في التعبير الجيني المختار في العينات السريرية. توفر هذه النتائج رؤى حول الاحتمال المحتمل لتورط GRGs في الديناميكية الذهنية الداخلية وتدعم أهميتها كجينات تشخيصية مرشحة.

المقدمة

التليف الرئوي مجهول السبب (IPF) هو مرض رئوي تداخلي متقدم ومتلائج يتميز بوجود مرض غير متجانس، ويشمل الاستعداد الوراثي، والمحفزات البيئية، وخلل المناعة 1,2. يشكل المرض تحديات سريرية كبيرة، ويرجع ذلك أساسا إلى صعوبات التشخيص المبكر، وفعالية العلاج المحدودة، وسوء التوقعات بشكل عام. يتراوح انتشار التهاب الجلد الداخلي بين 20 إلى 80 مريضا لكل 100,000، وبدون علاج، يكون متوسط مدة البقاء بعد التشخيص عادة من 3 إلى 5 سنوات 3,4. تحديد المرضى المعرضين لخطر أعلى لتقدم المرض السريع أمر بالغ الأهمية لاستراتيجيات العلاج الفعالة، مما يمكن من تقديم علاجات مستهدفة لأولئك الأكثر عرضة لتدهور المرض.

الجليكوزيل، وهو تعديل مشترك وبعد الترجمة للبروتينات، يلعب دورا حاسما في تنظيم نشاط البروتينات وبيولوجيا الخلية 5,6. من المحتمل أن يساهم اختلال جليكوزيل البروتين في تقدم IPF 7,8. في العديد من أمراض الروماتيزم، تلاحظ تغيرات في جليكوزيل البروتين، والتي ترتبط ارتباطا وثيقا بالعمليات الالتهابية وتطور المرض9. على سبيل المثال، وجد ليو وآخرون أن CRLF1 وGLG1 هما لاعبان رئيسيان في العمليات المرضية لالتهاب المفاصلالعظمي 10. علاوة على ذلك، تم ربط الجليكوزيل بتنشيط الخلايا المناعية داخل الأنسجة الرئوية، مما يربطها أكثر بمسببات أمراض الرئة11. وبناء على ذلك، قد يساهم اضطراب تنظيم جليكوزيل البروتين أيضا في تقدم IPF. ومع ذلك، لا يزال دور الجينات المرتبطة بالجليكوزيل (GRGs) في IPF غير مستكشف بشكل كاف، وتستحق إمكانياتها في تشخيص IPF مزيدا من البحث.

هنا، أجرينا دراسة تدمج أساليب التعلم الآلي وبيانات تسلسل الحمض النووي الريبي لتحديد مجموعات التعلم الآلي الرئيسية المرتبطة ب IPF. غالبا ما اعتمدت الدراسات السابقة في IPF على تحليلات التعبير التفاضلي التقليدية أو خوارزمية تعلم آلي واحدة، مما قد يحد من متانة وقابلية تعميم المؤشرات الحيوية المرشحة12,13. ولمعالجة هذه القيود، استخدمنا سير عمل حسابي متعدد الخطوات يجمع بين تحليل التعبيرات التفاضلية مع خوارزميات تعلم آلي متعددة، بما في ذلك LASSO وSVM-RFE وXGBoost، لتحسين موثوقية اختيار الميزات. علاوة على ذلك، تم تقييم النموذج التشخيصي عبر عدة مجموعات بيانات مستقلة، وتم التحقق من صحة النتائج الرئيسية باستخدام عينات سريرية. تم تطوير نموذج تشخيصي والتحقق من صحته، وتم تحليل خصائص التسلل المناعي. بالإضافة إلى ذلك، تم استكشاف البيئة الدقيقة المناعية والتفاعلات الجزيئية المحتملة المرتبطة بالجينات المحددة. على الرغم من تركيز هذه الدراسة على IPF، إلا أن الاستراتيجية التحليلية المستخدمة هنا قد تكون قابلة للتطبيق على أمراض رئوية مزمنة أخرى ومجموعات بيانات النسخ النصي، مما يوفر إطارا قابلا للتكرار لتحديد والتحقق من الجينات الرئيسية. انظر الشكل 1 للعملية المحددة.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

تمت الموافقة على هذه الدراسة من قبل مجلس المراجعة المؤسسية للمستشفى الأول التابع لجامعة بنغبو الطبية (رقم الموافقة: 2023YJS162). تم الحصول على موافقة مكتوبة ومستنيرة من جميع المشاركين قبل جمع العينات.

جمع البيانات

تم الحصول على بيانات النسخ المستخدمة في هذه الدراسة من قاعدة بيانات التعبير الجيني (GEO) (https://www.ncbi.nlm.nih.gov/؛ RRID: SCR_005012). تم إنشاء مجموعة البيانات التدريبية الأساسية، GSE150910، باستخدام منصة Illumina NovaSeq 6000 (GPL24676) وشملت 103 عينات IPF و103 عينات من أنسجة الرئة الطبيعية. للتحقق من صحة النتائج، تم استخدام مجموعات بيانات مستقلة GSE24206 و GSE110147 و GSE93606 و GSE38958. يتم توفير معلومات مفصلة عن كل مجموعة بيانات في الجدول 1. بالإضافة إلى ذلك، تم اختيار ما مجموعه 636 مجموعة من المجموعات الشاملة من دراسة منشورة سابقا14.

تحليل التعبير التفاضلي وتوصيف الوظيفة لمستويات DEG المرتبطة بالجليكوزيل

تم إجراء تحليل التعبير التفاضلي بين عينات الأنسجة الرئوية الطبيعية وIPF من مجموعة بيانات GSE150910 باستخدام حزمة R DESeq2 (RRID: SCR_015687). الجينات ذات قيمة P المعدلة (padj) < 0.05 و |log2FoldChange| تم اعتبار > 0.5 جينات معبر عنها بشكل تفاضلي (DEGs). تم تحديد DEGs المرتبطة بالجليكوزيل (GR-DEGs) من خلال تقاطع DEGs مع مجموعة محددة مسبقا من 636 GRG. ولدراسة الأدوار البيولوجية لهذه الجينات بشكل أعمق، تم إجراء تحليل إثراء جينات (GO) وتحليل مسار موسوعة كيوتو للجينات والجينوم (KEGG) لتوضيح أدوارها الوظيفية وتورطها في المسارات. تم إنشاء شبكة تفاعل بروتين (PPI) باستخدام قاعدة بيانات STRING (RRID: SCR_005223)15 مع عتبة درجة ثقة التفاعل > 0.7، لتوضيح التفاعلات الجزيئية والآليات التنظيمية المحتملة ل GR-DEGs في IPF.

فحص الجينات الرئيسية وبناء نموذج تشخيصي

لفحص الجينات الرئيسية ل IPF من GR-DEGs، استخدمنا عدة خوارزميات تعلم آلة. في البداية، تم تجهيز انحدار LASSO (RRID: SCR_003418) بانحدار لوجستي ثنائي (العائلة = "ثنائية الحدين") وتم اختيار معامل العقوبة الأمثل λ عبر التحقق المتقاطع بعشرة أضعاف (nfold = 10). كانت نتائج الاختيار النهائية هي الميزات ذات المعاملات غير الصفرية التي تتوافق مع λ_(min) (0.01700442). بالنسبة ل SVM-RFE، تم استخدام وظيفة rfe من حزمة R caret. تم إجراء إزالة الميزات العودية عبر التحقق المتقاطع بعشرة مرات (الطريقة = "cv"، العدد = 10)، مع تصفية تدريجية للميزات من 1 إلى 126، مع دقة لتحديد المجموعة الفرعية المثلى للميزة. في XGBoost، تم تعيين دالة الهدف على الانحدار اللوجستي الثنائي (الهدف = "ثنائي: لوجستي"), مع تعيين مقياس التقييم على لوغاريتيم الفقد (eval_metric = "لوغارتلاس"), وعدد التكرارات (nrounds) على 100، ومعدل التعلم (ETA) على 0.1. تم اختيار أفضل 20 جينا بناء على درجات أهمية ميزاتها (Gain). من خلال تقاطع نتائج هذه الطرق، تم تحديد مجموعة محسنة من الجينات الرئيسية. استنادا إلى هذه المجموعة الجينية، تم بناء نموذج تشخيصي ل XGBoost باستخدام مجموعة بيانات التدريب (GSE150910)، وتم تقييم أدائه التنبؤي باستخدام تحليل خصائص تشغيل المستقبل (ROC) على مجموعات بيانات التحقق الخارجية (GSE110147، GSE24206، GSE93606، و GSE38958). بالإضافة إلى ذلك، تم تطوير صورة نوموغرامية لعرض مساهمة كل جين مختارة في احتمال المرض، وتم تقييم الفائدة السريرية للنموذج من خلال منحنيات المعايرة وتحليل منحنى القرار (DCA).

استكشاف المسارات البيولوجية للجينات الرئيسية

لاستكشاف السياق البيولوجي للجينات الرئيسية التي تم تحديدها بواسطة التعلم الآلي. تم إجراء تحليل إثراء مجموعة الجينات (GSEA)16 بناء على قوائم الجينات من قاعدة بيانات التواقيع الجزيئية (MSigDB) (RRID: SCR_016863)17، وتم فحص المسارات للكشف عن NES > 1. تم تصور المسارات المثرية العليا باستخدام دالة مخطط الإثراء.

استكشاف الفروقات في الوظائف البيولوجية ومشهد المناعة في الأنواع الفرعية ل IPF بناء على درجات الجينات الرئيسية

استنادا إلى ملفات التعبير للجينات الرئيسية المحددة، تم حساب درجات تحليل إثراء مجموعة الجينات ذات العينة الواحدة (ssGSEA) واستخدامها لتقسيم مرضى IPF إلى مجموعات ذات درجات عالية ومنخفضة بناء على الدرجة المتوسطة. تم إجراء تحليل تعبير تفاضلي بين المجموعتين، تلاه تحليل GSEA (RRID: SCR_003199)18 لإجراء تحليلات إثراء مسارات GO (GOBP) وKEGG على DEGs.

تحليل تسلل الخلايا المناعية والفروق الرئيسية في التعبير الجيني

بعد تصنيف المجموعات الفرعية بناء على درجات ssGSEA، تم تقييم فروق التسلل المناعي بين المجموعتين ذات الدرجات العالية والمنخفضة. أولا، حسبنا الوفرة النسبية ل 22 نوعا من الخلايا المناعية في العينات باستخدام خوارزمية CIBERSORT (RRID: SCR_016955)19 بالاقتران مع مصفوفة ميزات LM22. على وجه التحديد، تم استخدام دالة deconv_tme في حزمة R IOBR (المعلمات: الطريقة = "cibersort"، المصفوفات = FALSE، perm = 200) للحسابات، وتم إنشاء مخططات مربعية باستخدام حزمة ggpubr (RRID: SCR_021139) لتقييم الفروق في تسرب الخلايا المناعية بين المجموعتين ذات الدرجات العالية والمنخفضة. بالإضافة إلى ذلك، تم استخدام وظيفة GSVA في حزمة R GSVA (باستخدام طريقة ssGSEA) لحساب درجات الإثراء ل 28 نوعا من الخلايا المناعية. ثم تم تطبيع هذه الدرجات باستخدام مقياس الحد الأدنى (Min-Max) لمطابقتها إلى الفترة [0, 1]، مما سهل المقارنات بين أنواع الخلايا. وأخيرا، أجريت اختبارات ويلكوكسون لجمع الرتبة لمقارنة تعبير الجينات الرئيسية بين العينات الطبيعية ومرضى IPF في مجموعات البيانات GSE150910 و GSE110147، مما وفر تحليلا شاملا لتسلل الخلايا المناعية وفروق التعبير الجيني بين مجموعات IPF.

التحقق من صحة الجينات الرئيسية لدى مرضى IPF باستخدام تحليل RT-qPCR

للتحقق من أهمية الجينات التشخيصية، تم اختيار ستة جينات حصلت على أعلى درجات الأهمية من خوارزمية XGBoost للتحقق من مستوى التعبير لدى مرضى IPF والأشخاص الأصحاء باستخدام PCR الكمي العكسي (RT-qPCR). تم جمع ما مجموعه 20 عينة دم، منها 9 من مرضى التهاب الجلد الداخلي و11 من أشخاص أصحاء، من المستشفى الأول التابع لجامعة بنغبو الطبية. تم استخراج إجمالي الحمض النووي الريبي من عينات الدم، وتم قياس تركيز الحمض النووي الريبي باستخدام قارئ لوحة دقيقة متعددة الوظائف. تم تقييم جودة الحمض النووي الريبي قبل التحليل اللاحق. تمت إزالة الحمض النووي الجيني أثناء النسخ العكسي، وتم سرد تسلسلات البادئية المستخدمة في RT-qPCR في الجدول 2. تم التحقق من خصوصية البادئية من خلال تحليل منحنى الصهر. تم استخدام GAPDH كجين مرجعي داخلي. تم حساب مستويات التعبير الجيني النسبية باستخدام طريقة 2-ΔΔCt . توفر خطوة التحقق هذه دعما تجريبيا أوليا للتعبير التفريقي والأهمية التشخيصية المحتملة للجينات المحددة في IPF.

التحليل الإحصائي

تم تحليل البيانات في R، واستخدم اختبار ويلكوكسون لاكتشاف الفروق بين المجموعتين. تم إجراء تحليل تخصيب GSEA وGO وKEGG باستخدام clusterProfiler في حزمة R (RRID: SCR_016884). وكانت قيمة p < 0.05 تعتبر ذات دلالة كبيرة ما لم يذكر خلاف ذلك.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

التحليل الوظيفي وتحليل شبكات التفاعل لوحدات GR-DEGs

لدراسة تورط الجينات في IPF، تم إجراء تحليل تفاضلي للتعبير GSE150910، وحدد 4,216 DEGs (الشكل 2A). من خلال تقاطع هذه الجينات مع 636 GRG، تم تحديد 126 جينا للجلكوزيل المرتبطة بالأمراض (الشكل 2B). علاوة على ذلك، لتقييم الوظائف البيولوجية المحتملة لجينات التقاطع، أجرينا تحليلات إثراء GO وKEGG. كما هو موضح في (

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

التهاب الجلد المزمنة (IPF) هو مرض مزمن وتقدمي غير معروف السبب، يقلل بشكل كبير من جودة حياة المرضى ويؤدي إلى الوفيات المبكرة4. على الرغم من التقدم في الاستراتيجيات العلاجية، يبقى متوسط زمن البقاء منخفضا بعد التشخيص، ولا يزال سبب مرض التهاب الجلد الداخلي غير مفهوم بالكامل22. لذلك، فإن توضيح الآليات الجزيئية الكامنة وراء IPF أمر عاجل وحاسم في آن واحد. وقد أثبتت دراسات سابقة وجود علاقة بين عدم تنظيم الجليكوزيل وأمراض الرئة. ومع ذلك، لا يزال الد...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

المؤلفون لا يفرضون أي تضارب مصالح.

شكر وتقدير

نشكر جميع الزملاء الذين قدموا المساعدة والدعم طوال عملية البحث. تعاونهم وتشجيعهم كانا لا يقدر بثمن في عملنا. لم يحصل هذا البحث على تمويل خارجي.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
CaretR Foundation for Statistical Computingالإصدار 6.0.94SVM-RFE
ClusterProfilerR Foundation for Statistical Computingالإصدار 4.12.6تحليل GSEA و GO و KEGG
DESeq2R Foundation for Statistical Computingالإصدار 1.44.0تحليل التعبير التفاضلي
Fast First-Strand cDNA Synthesis MixGoonie Biotech Co., Ltd.500-101تخليق cDNA لـ RT-qPCR
FastTaq qPCR SYBR Green Master MixGooniebio500-102تضخيم PCR الكمي
Fluorescent Quantitative PCR SystemBio-Rad Laboratories, Inc.CFX96تضخيم PCR الكمي
GEO DatabaseNCBIhttps://www.ncbi.nlm.nih.gov/geo/مصدر بيانات النسخ
ggpubr R Foundation for Statistical Computingالإصدار 0.6.0إنشاء مخططات الصندوق
GSVAR Foundation for Statistical Computingالإصدار 1.52.3ssGSEA
MSigDBBroad Institutehttps://www.gsea-msigdb.org/تحليل GSEA
PCR SystemBio-Rad Laboratories, Inc.PTC Tempoتخليق cDNA لـ RT-qPCR
PrimersTsingke Biotechnology Co., Ltd.N/Aالتخليق المخصص لبادئات qPCR
R softwareR Foundation for Statistical Computingالإصدار 4.4.1التحليل الإحصائي والتصور
RNA Isolater Total RNA Extraction ReagentVazyme Biotech Co., Ltd.R401-01استخراج RNA الكلي من الدم الكامل
STRING DatabaseSTRING Consortiumhttps://string-db.org/بناء شبكة PPI
Synergy HTX Multi-Mode ReaderBioTek Instruments, Inc.Synergy HTXقياس تركيز RNA

المراجع

  1. Koudstaal T, Wijsenbeek MS. Idiopathic pulmonary fibrosis. Presse Med. 2023;52(3):104166.
  2. Moss BJ, Ryter SW, Rosas IO. Pathogenic Mechanisms Underlying Idiopathic Pulmonary Fibrosis. Annu Rev Pathol. 2022;17:515-46.
  3. Bonella F, Spagnolo P, Ryerson C. Current and Future Treatment Landscape for Idiopathic Pulmonary Fibrosis. Drugs. 2023;83(17):1581-93.
  4. Spagnolo P, et al. Idiopathic pulmonary fibrosis: Disease mechanisms and drug development. Pharmacol Ther. 2021;222:107798.
  5. Schjoldager KT, Narimatsu Y, Joshi HJ, Clausen H. Global view of human protein glycosylation pathways and functions. Nat Rev Mol Cell Biol. 2020;21(12):729-49.
  6. He M, Zhou X, Wang X. Glycosylation: mechanisms, biological functions and clinical implications. Signal Transduct Target Ther. 2024;9(1):194.
  7. Xie X, Kong S, Cao W. Targeting protein glycosylation to regulate inflammation in the respiratory tract: novel diagnostic and therapeutic candidates for chronic respiratory diseases. Front Immunol. 2023;14:1168023.
  8. Shi X, et al. Secreted RCN3 acts as an early epithelial-fibroblast mediator via TGFβR1-Smad signaling in post-ALI pulmonary fibrosis. Cell Commun Signal. 2026;24(1).
  9. Kissel T, Toes REM, Huizinga TWJ, Wuhrer M. Glycobiology of rheumatic diseases. Nat Rev Rheumatol. 2023;19(1):28-43.
  10. Lyu Y, et al. Identification of proteins and N-glycosylation sites of knee cartilage in Kashin-Beck disease compared with osteoarthritis. Int J Biol Macromol. 2022;210:128-38.
  11. Komaromy A, Reider B, Jarvas G, Guttman A. Glycoprotein biomarkers and analysis in chronic obstructive pulmonary disease and lung cancer with special focus on serum immunoglobulin G. Clin Chim Acta. 2020;506:204-13.
  12. Ruan H, Ren C. Integrating machine learning with bioinformatics for predicting idiopathic pulmonary fibrosis prognosis: developing an individualized clinical prediction tool. Exp Biol Med (Maywood). 2024;249:10215.
  13. Wang L, et al. Serum Proteomics Identifies Biomarkers Associated With the Pathogenesis of Idiopathic Pulmonary Fibrosis. Mol Cell Proteomics. 2023;22(4):100524.
  14. Shi Y, et al. Glycosylation-related molecular subtypes and risk score of hepatocellular carcinoma: Novel insights to clinical decision-making. Front Endocrinol (Lausanne). 2022;13:1090324.
  15. Szklarczyk D, et al. The STRING database in 2023: protein-protein association networks and functional enrichment analyses for any sequenced genome of interest. Nucleic Acids Res. 2023;51(D1):D638-d46.
  16. Yan S, et al. Identification of ITGAX and CCR1 as potential biomarkers of atherosclerosis via Gene Set Enrichment Analysis. J Int Med Res. 2022;50(3):3000605211039480.
  17. Wang T, He Q, Chan KHK. A Multi-omics approach to identify and validate shared genetic architecture in rheumatoid arthritis, multiple sclerosis, and type 1 diabetes: integrating GWAS, GEO, MSigDB, and scRNA-seq data. Funct Integr Genomics. 2025;25(1):91.
  18. Lu Y, Lu D, Li C, Chen L. Exploring Immune Cell Infiltration and Small Molecule Compounds for Ulcerative Colitis Treatment. Genes (Basel). 2024;15(12).
  19. Guan M, Jiao Y, Zhou L. Immune Infiltration Analysis with the CIBERSORT Method in Lung Cancer. Dis Markers. 2022;2022:3186427.
  20. Roy D, Ramasamy R, Schmidt AM. Journey to a Receptor for Advanced Glycation End Products Connection in Severe Acute Respiratory Syndrome Coronavirus 2 Infection: With Stops Along the Way in the Lung, Heart, Blood Vessels, and Adipose Tissue. Arterioscler Thromb Vasc Biol. 2021;41(2):614-27.
  21. Li Z, Yang P, Feng B. Effect of atorvastatin on AGEs-induced injury of cerebral cortex via inhibiting NADPH oxidase -NF-κB pathway in ApoE(-/-) mice. Mol Biol Rep. 2020;47(12):9479-88.
  22. Liu GY, Budinger GRS, Dematte JE. Advances in the management of idiopathic pulmonary fibrosis and progressive pulmonary fibrosis. Bmj. 2022;377:e066354.
  23. Liao Y, et al. Integrating cellular experiments, single-cell sequencing, and machine learning to identify endoplasmic reticulum stress biomarkers in idiopathic pulmonary fibrosis. Ann Med. 2024;56(1):2409352.
  24. Liu B, et al. A novel model for predicting prognosis in patients with idiopathic pulmonary fibrosis based on endoplasmic reticulum stress-related genes. Cell Biol Int. 2024;48(4):483-95.
  25. Zhu H, et al. Comprehensive analysis of an endoplasmic reticulum stress-related gene prediction model and immune infiltration in idiopathic pulmonary fibrosis. Front Immunol. 2023;14:1305025.
  26. Yeo HJ, et al. Development of a Novel Biomarker for the Progression of Idiopathic Pulmonary Fibrosis. Int J Mol Sci. 2024;25(1).
  27. Perkins TN, Oury TD. The perplexing role of RAGE in pulmonary fibrosis: causality or casualty? Ther Adv Respir Dis. 2021;15:17534666211016071.
  28. Dai J, et al. Construction of a lipid metabolism-related and immune-associated prognostic score for gastric cancer. BMC Medical Genomics. 2023;16(1):93.
  29. Li W, et al. An 11-gene glycosyltransferases-related model for the prognosis of patients with bladder urothelial carcinoma: development and validation based on TCGA and GEO datasets. Translational Andrology and Urology. 2024;13(12).
  30. Li SJ, et al. Identifying causal genes for migraine by integrating the proteome and transcriptome. J Headache Pain. 2023;24(1):111.
  31. Zhang W, et al. ANK2 as a novel predictive biomarker for immune checkpoint inhibitors and its correlation with antitumor immunity in lung adenocarcinoma. BMC Pulm Med. 2022;22(1):483.
  32. Burkhard T, et al. BS10 Characterising the degradome of the metalloprotease ADAMTS8: implications for pulmonary arterial hypertension. BMJ Publishing Group Ltd and British Cardiovascular Society; 2025.
  33. Lee HC, et al. The Therapeutic Potential of ADAMTS8 in Lung Adenocarcinoma without Targetable Therapy. J Pers Med. 2022;12(6).
  34. Bera T, Ghosh M, Ghosh SK. Elucidating the mycochemistry and anticancer efficacy of F5 fraction of ethanolic extract of Daldinia eschscholtzii. Scientific Reports. 2025;15(1):34953.
  35. Li F, et al. Construction and validation of a prognostic model for lung adenocarcinoma based on endoplasmic reticulum stress-related genes. Sci Rep. 2022;12(1):19857.
  36. Lin L, et al. Integrated profiling of endoplasmic reticulum stress-related DERL3 in the prognostic and immune features of lung adenocarcinoma. Front Immunol. 2022;13:906420.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

الوسوم

الكيمياء الحيويةالعدد 233العدد 233قيمة فارغةالعددالارتشاح المناعي
تواصل معنا
أوصِ به للمكتبة

الخصوصية

شروط الاستخدام

السياسات

حقوق الطبع والنشر © 2026 MyJoVE Corporation. جميع الحقوق محفوظة.