研究文章

2型糖尿病与动脉粥样硬化性心血管疾病的共同分子机制及候选药物靶点

59 次观看

⸱

DOI：

10.3791/70237

⸱

2026年8月4日

 ,  ,  ,  , 
1Department of Cardiology, Ningxia Gem Flower Hospital, 2Department of General Surgery, People's Hospital of Ningxia Hui Autonomous Region, Ningxia Medical University, 3Department of Anesthesiology, People's Hospital of Ningxia Hui Autonomous Region, Ningxia Medical University, 4Department of Orthopedics, People's Hospital of Ningxia Hui Autonomous Region, Ningxia Medical University

本文内容

摘要

本研究通过整合生物信息学分析与实验验证，确定了2型糖尿病和动脉粥样硬化性心血管疾病共同的基因、生物学通路、免疫关联及潜在治疗靶点。

摘要

本研究探讨了2型糖尿病（T2DM）与动脉粥样硬化性心血管疾病（ASCVD）共病的潜在机制，并识别了可能的治疗靶点。从GSE78721和GSE12288数据集中提取了T2DM与ASCVD之间的共同差异表达基因（C-DEGs）。随后进行了基因本体（GO）和京都基因与基因组百科全书（KEGG）通路富集分析、蛋白质-蛋白质相互作用（PPI）网络构建、核心基因识别以及药物-基因相互作用数据库（DGIdb）分析。采用CIBERSORT方法分析了核心C-DEGs与免疫浸润细胞之间的关联。通过qRT-PCR和Western blot分析对核心C-DEGs的表达水平进行了定量检测。共鉴定出32个C-DEGs，其中包括20个上调基因和12个下调基因。C-DEGs主要富集于多个关键通路，包括病毒性心肌炎、致心律失常性右室心肌病、肥厚型心肌病和扩张型心肌病。PPI分析显示29个节点和39条边，从而在两个数据集中共同识别出八个核心C-DEGs（HSP90B1、PLAU、SLPI、TOP3A、NCF4、PRF1、TUBA1C和CS）。此外，部分核心C-DEGs（TOP3A、SLPI、NCF4、PRF1和PLAU）与免疫浸润细胞水平表现出显著相关性。针对这些核心C-DEGs的药物可能是治疗T2DM和ASCVD的潜在候选药物。同时，在T2DM合并ASCVD患者中，核心C-DEGs在mRNA和蛋白质水平的表达均得到了验证。综合生物信息学分析有助于筛选T2DM和ASCVD的候选治疗靶点、作用机制及相关药物，为这些疾病的分子治疗提供了新的见解。

引言

糖尿病（DM）是一种病因复杂的慢性疾病，受多种遗传和环境因素的影响，目前全球约有4.63亿人患病，预计到2045年将上升至7亿人1,2。2型糖尿病（T2DM）是一种多因素疾病，其特征为胰岛素抵抗以及因β细胞功能衰竭导致的相对性胰岛素缺乏，进而引发高血糖和脂质代谢紊乱，占糖尿病病例的90%3,4,5。胰岛素抵抗是多种心血管代谢异常的关键前兆，这些异常共同促进动脉粥样硬化性心血管疾病（ASCVD）的发生，并可能影响其预后6,7。冠状动脉疾病（CAD）主要由动脉粥样硬化物质的进行性积聚引起，导致管腔狭窄和血流受阻8。动脉粥样硬化的发生由多种因素驱动，包括高胆固醇血症和糖尿病9,10。T2DM和CAD所带来的重大人类健康负担和经济成本，以及其长期管理中的挑战，凸显了制定有效预防策略的紧迫性。

合并2型糖尿病（T2DM）的冠心病（CAD）患者发生心脏事件的风险显著升高11。心血管疾病（CVD）是T2DM常见的并发症，也是T2DM患者死亡的首要原因，约有32.2%的T2DM患者受累于CVD12。LoDoCo2亚组研究证实，在慢性CAD人群中，合并T2DM与主要不良心血管事件风险增加相关13。T2DM患者发生动脉粥样硬化性心血管疾病（ASCVD）的风险升高14,15，而患有慢性CAD且合并糖尿病的个体后续发生心血管事件的风险显著更高16，凸显了对创新治疗方案存在的重要未满足临床需求。

越来越多的研究团队正在通过整合分析来自多个数据库的转录组数据，筛选2型糖尿病（T2DM）和动脉粥样硬化性心血管疾病（ASCVD）中新型差异表达基因（DEGs）。研究重点在于阐明这些疾病之间的关联，并识别有效的生物学功能。近期的生物信息学研究已探讨了T2DM与其他疾病的关系；例如，Song等人鉴定了T2DM与骨关节炎之间的共有差异表达基因17，Castillo-Velázquez等人预测了阿尔茨海默病与糖尿病（DM）之间的关联18，并通过生物信息学分析识别了T2DM与多囊卵巢综合征中的重要基因和通路19。然而，T2DM与ASCVD之间关联的分子机制仍不清楚，凸显出识别新的潜在治疗靶点以干预这两种疾病进展的重要性。

本研究旨在通过对GSE78721（T2DM）和GSE12288（ASCVD）数据集的转录组数据进行整合性生物信息学分析，系统性地识别T2DM与ASCVD之间共有的分子通路及潜在治疗靶点。选择这两个数据集是因为它们分别为每种疾病提供了匹配的患者和对照样本，并采用了可比较的微阵列平台，从而能够进行可靠的比较分析。本研究方法包括识别共同差异表达基因（C-DEGs）、进行功能富集和蛋白质相互作用分析、评估与免疫浸润的相关性以及预测相互作用的药物。此外，还进行了初步的实验验证。本研究为理解T2DM与ASCVD共病机制提供了新的见解和候选靶点。

方案

本研究方案已通过宁夏医科大学伦理审查委员会（内部审查委员会编号：伦理[2023]-YCSKT-002）的审查与批准，并遵循《赫尔辛基宣言》中所述的原则。在患者参与研究之前，均已获得其签署的书面知情同意书。

2型糖尿病和动脉粥样硬化性心血管疾病表达数据的来源

T2DM 和 ASCVD 的基因表达数据分别来自 GEO 数据库中的 GSE78721 和 GSE12288 数据集。这两个数据集均使用了 [PrimeView] Affymetrix 人类基因表达芯片和 [HG-U133A] Affymetrix 人类基因组 U133A 芯片平台的微阵列数据。GSE78721 数据集包含来自 68 名 T2DM 患者和 62 个正常样本的表达数据（详见补充表 1），而 GSE12288 数据集包含来自 110 个 ASCVD 样本和 112 个正常对照样本的表达数据（详见补充表 2）。基因探针根据平台注释信息被转换为其对应的基因符号。

2型糖尿病和动脉粥样硬化性心血管疾病中差异表达基因的鉴定

从 GEO 数据库下载数据后，使用以下方法对 T2DM 和 ASCVD 的原始表达矩阵进行校正和标准化 "limma" 用于鉴定差异表达基因的软件包。P 值阈值为 < 0.05 被用作差异表达基因（DEG）筛选的阈值。差异表达分析结果分别利用 R 语言的 'heatmap' 和 'ggplot2' 软件包生成热图和火山图。筛选出 T2DM 与 ASCVD 之间的共有差异表达基因（C-DEGs）。 通过 维恩图

C-DEGs 的基因本体（GO）功能与京都基因与基因组百科全书（KEGG）通路富集分析

通过GO和KEGG通路富集分析确定了生物学功能和通路。使用R软件包org.Hs.eg.db将C-DEG名称转换为基因ID，并利用R软件包clusterProfiler、enrichplot、ggplot2和GOplot进行GO富集分析，以探索C-DEG的共同生物学功能。随后进行KEGG分析，以鉴定参与2型糖尿病（T2DM）与动脉粥样硬化性心血管疾病（ASCVD）共病分子机制的共有显著通路。GO和KEGG富集分析结果以条形图展示，图中包含基因数量、功能描述和P值，统计学显著性定义为P < 0.05。

C-DEGs 的蛋白质-蛋白质相互作用（PPI）网络分析

C-DEGs 和枢纽基因在本研究中被定义为共有基因。为评估这些共有基因之间的功能关联，使用 STRING 数据库（https://string-db.org）构建了蛋白质-蛋白质相互作用（PPI）网络。分析首先通过选择 "多种蛋白质" 在……之下 "搜索" 功能并输入C-DEG名称，同时指定物种为 "智人" C-DEGs的基本参数已配置用于展示PPI调控网络。使用Cytoscape软件（版本3.9.1）（https://apps.cytoscape.org/）对PPI网络进行可视化，以图形化方式呈现C-DEGs之间的相互作用。通过Cytoscape中的CytoHubba插件，基于Degree排序算法，在PPI网络中识别枢纽C-DEGs。

免疫细胞浸润分析

为了分析2型糖尿病（T2DM）组与正常对照组之间免疫细胞浸润的差异，采用CIBERSORT方法评估多种免疫浸润细胞类型的丰度。随后应用Wilcoxon检验算法比较T2DM组与对照组样本中这些浸润性免疫细胞的比例，以评估观察到的差异。数据通过小提琴图进行可视化展示。为了验证C-DEGs与免疫浸润细胞之间的相关性，使用R软件包limma、scales、tidyverse和ggplot2计算Spearman相关系数。该步骤量化了C-DEG表达水平与免疫细胞浸润程度之间的关系，结果以热图形式展示。统计学显著性以P值小于0.05为标准。

枢纽C-DEGs与潜在靶向药物的相互作用分析

药物-基因相互作用数据库（DGIdb）提供了已批准和潜在治疗药物的药物-基因相互作用及遗传特征的全面目录。在本研究中，将核心C-DEG列表输入该数据库，以获取核心C-DEG与其潜在靶向药物之间的相互作用信息，并利用Cytoscape软件进行可视化展示。

利用临床样本对核心基因进行实验验证

为实验验证核心基因，从临床受试者中采集外周血样本。研究队列包括实验组和对照组。实验组由15名被诊断为同时患有2型糖尿病（T2DM）和动脉粥样硬化性心血管疾病（ASCVD）的患者组成，代表共病状态。对照组包括10名年龄和性别相匹配、无糖尿病、心血管疾病（CVDs）或其他主要系统性疾病病史的健康志愿者。实验组所有患者均依据T2DM和ASCVD的既定临床指南确诊。

定量实时聚合酶链式反应（qRT-PCR）

使用TRIzol试剂提取总RNA，并利用逆转录系统试剂盒合成第一链cDNA。随后将cDNA稀释后用于SYBR Green PCR主混合液进行qRT-PCR，以GAPDH作为内参对照。相对表达倍数变化通过计算得出 通过 2−ΔΔCt 方法。分析所用引物序列如下：TUBA1C-上游：5′-GACCTCGTGTTGGACCGAAT-3′，下游：5′-CGAGGTGAACCCAGAACCAG-3′；NCF4-上游：5′-CTAAGTTTCAAAGCTGGAGATGTG-3′，下游：5′-GAATTCCTGAAAGGGCTCCTG-3′；PRF1-上游：5′-CCCAGTGGACACACAAAGGTT-3′，下游：5′-TCGTTGCGGATGCTACGAG-3′；SLPI-上游：5′-CCCTTCCTGGTGCTGCTT-3′，下游：5′-CCTCCTTGTTGGGTTTGG-3′；HSP90B1-上游：5′-CCGAAGAAGAACCTGAAGAG-3′，下游：5′-CATCTGTTCCCACATCCATT-3′；PLAU-上游：5′-GGGGAGATGAAGTTTGAGGTG-3′，下游：5′-GCAATGTCGTTGTGGTGAGC-3′；GAPDH-上游：5′-CAGGGCTGCTTTTAACTCTGG-3′，下游：5′-GGGTGGAATCATATTGGAACA-3′。

Western印迹检测

提取总蛋白后，用上样缓冲液稀释，并通过10% SDS-PAGE进行分离，随后转移至PVDF膜。用封闭液封闭膜后，使用以下特异性一抗进行孵育：抗TUBA1C（1:1000，ab222849）、抗HSP90B1（1:1000，ab238126）、抗NCF4（1:1000，14648-1-AP）、抗PRF1（1:1000，ab256453）、抗SLPI（1:1000，ab46763）、抗PLAU（1:1000，17968-1-AP）以及抗GAPDH（1:5000，10494-1-AP）。随后加入与辣根过氧化物酶（HRP）偶联的二抗（1:2000，ab6721），并使用增强型化学发光（ECL）底物显影蛋白条带。

统计学分析

采用 GraphPad Prism 软件进行统计分析，数据以均值 ± 标准差表示。组间差异通过学生t检验进行评估，当P值小于0.05时认为具有统计学显著性。

结果

差异表达基因的鉴定

本研究利用了两个数据集 GSE78721 和 GSE12288 进行生物信息学分析。在 GSE78721 中，共鉴定出 2,266 个 T2DM 患者与正常样本之间的差异表达基因（DEGs），其中包括 1,209 个上调基因和 1,057 个下调基因（图1A）。在GSE12288中，共验证了ASCVD患者与对照组之间924个差异表达基因（DEGs），其中包括403个上调基因和521个下调基因（图1C）。在两个数据集中鉴定出的前50个差异表达基因（DEGs）以热图形式展示于 图1B，D通过整合这两个数据集，共鉴定出32个C-DEGs，其中包括20个上调基因和12个下调基因（图2A，B).

C-DEGs 的 GO 和 KEGG 富集分析

为了阐明与32个C-DEG相关的生物学功能及关键通路，进行了GO和KEGG分析。C-DEG中与生物过程（BP）、细胞组分（CC）和分子功能（MF）相关的前十项术语如图3A所示。生物过程主要涉及纤溶酶原激活的调控、纤溶作用的调控、心肌细胞分化的正向调控、蛋白质结合的负向调控以及心肌母细胞分化。细胞组分包括丝氨酸型内肽酶复合物、参与细胞-基质黏附的蛋白质复合物、凝缩染色体、特异性颗粒膜以及PML小体。分子功能涵盖细胞骨架的结构组分、超氧阴离子生成型NADPH氧化酶激活活性、分子内转移酶活性（磷酸转移酶）、丝氨酸型外肽酶活性以及IgG结合活性（图3A）。在KEGG分析方面，C-DEG主要富集于病毒性心肌炎、致心律失常性右室心肌病、补体与凝血级联反应、前列腺癌、肥厚型心肌病、扩张型心肌病、细胞凋亡、吞噬体以及内质网中的蛋白质加工等关键通路（图3B）。

蛋白质相互作用网络构建与核心基因筛选

在32个C-DEGs中，有三个基因在STRING数据库中未显示与其余C-DEGs存在已知相互作用，因此被排除在PPI网络构建之外。利用STRING平台对剩余的29个C-DEGs进行PPI分析，构建出包含29个节点和39条边的网络，并使用Cytoscape进行可视化（图4A随后，根据其连接度确定了八个核心C-DEG（HSP90B1、PLAU、SLPI、TOP3A、NCF4、PRF1、TUBA1C和CS）图4B).

免疫细胞浸润的差异及其与核心竞争性差异表达基因的相关性

本分析仅针对2型糖尿病数据集（GSE78721），旨在初步探讨T2DM背景下免疫微环境的变化及其与核心基因的关系。采用小提琴图可视化T2DM数据集与22种免疫细胞类型浸润水平之间的关系（图5A；详见补充表3）。免疫细胞浸润分析显示，与对照组相比，T2DM组中活化树突状细胞的比例更高（P = 0.049），而静息态树突状细胞的比例在T2DM组中显著降低（P = 0.023）。此外，利用热图可视化了8个核心C-DEG的表达水平与22种不同免疫细胞类型浸润水平之间的关系（图5B）。值得注意的是，TOP3A的表达与调节性T细胞（Tregs）的浸润水平呈强正相关（P < 0.001），SLPI的表达与γδ T细胞的浸润水平也呈强正相关（P < 0.001）。相反，NCF4的表达与活化NK细胞的浸润水平呈强负相关（P < 0.001），PRF1的表达与M2型巨噬细胞的浸润水平呈强负相关（P < 0.001），PLAU的表达与初始B细胞的浸润水平也呈强负相关（P < 0.001）。

枢纽C-DEG的候选药物靶点网络

在鉴定出的八个核心C-DEG中，CS和TOP3A未被DGIdb数据库列为已知药物靶点，因此被排除在后续候选药物-靶点网络分析之外。为筛选在2型糖尿病（T2DM）和动脉粥样硬化性心血管疾病（ASCVD）中具有潜在治疗作用的药物，将剩余的六个核心C-DEG提交至DGIdb数据库（详见补充表4）。随后，利用Cytoscape构建候选药物-靶点网络，以展示核心C-DEG与候选靶向药物之间的关联关系（图6）。该网络包含六个核心C-DEG、136种分子药物及137条相互作用边。具体而言，针对TUBA1C、NCF4、PRF1、SLPI、HSP90B1和PLAU分别鉴定出82、5、3、4、1和42种候选靶向药物，其中大多数被归类为抗肿瘤药物、抗炎药物和抗血栓药物。

枢纽C-DEGs表达的验证

由于CS和TOP3A在DGIdb数据库中未被列为候选药物靶点，且其生物学功能与T2DM和ASCVD研究背景下的治疗策略关联性较弱，因此本研究聚焦于其余六个枢纽C-DEG（HSP90B1、PLAU、SLPI、NCF4、PRF1和TUBA1C）进行实验验证。为进一步探讨这些枢纽C-DEG的作用，通过qRT-PCR和蛋白质印迹实验检测了不同组别中核心基因的表达水平（图7和图8）。与相应的健康对照组相比，T2DM合并ASCVD患者中TUBA1C、NCF4、SLPI、HSP90B1和PLAU的表达水平显著上调，而PRF1的表达则下调。这些结果提示，这些核心基因可能在T2DM合并ASCVD患者的疾病进展中发挥重要作用。

数据可用性：本研究中用于生物信息学分析的基因表达数据集 GSE78721 和 GSE12288 可从公共 NCBI GEO 数据库获取。 本研究实验验证部分生成的原始数据见补充文件 1。

基因表达分析：RNA测序中差异表达的火山图和热图。
图1： GSE78721和GSE12288数据集中差异表达基因（DEGs）的鉴定。（A,C）分别为GSE78721和GSE12288中差异表达基因的火山图。以|logFC|≥0.5且P < 0.05作为筛选阈值；上调基因标记为红色，下调基因标记为绿色。（B,D）分别为GSE78721和GSE12288中前50个差异表达基因的热图。请点击此处查看该图的放大版本。

显示T2DM与ASCVD中上调/下调基因表达重叠的维恩图。
图2：来自两个数据集的C-DEGs维恩图。（A）GSE78721和GSE12288数据集中T2DM与ASCVD上调C-DEGs的维恩图。（B）GSE78721和GSE12288数据集中T2DM与ASCVD下调C-DEGs的维恩图。 请点击此处查看此图的放大版本。

基因本体术语条形图；颜色编码的 p 值，R 中的生物过程分析。
图 3：C-DEGs 的功能与通路富集分析。GO（A）和 KEGG（B）富集分析的条形图。纵坐标表示不同 GO 条目或 KEGG 通路的描述，横坐标表示富集的 C-DEGs 数量。请点击此处查看该图的放大版本。

显示基因关系的蛋白质相互作用网络图；可视化数据分析，网络映射。
图 4：C-DEG 的蛋白质-蛋白质相互作用（PPI）网络及枢纽基因筛选。（A）C-DEG 的 PPI 网络。红色和蓝色分别表示上调和下调的 C-DEG。（B）在 C-DEG 中鉴定了 8 个枢纽基因。节点代表一个 C-DEG，边代表 C-DEG 之间的相互作用。请点击此处查看该图的放大版本。

2型糖尿病与正常条件下免疫细胞类型比较的小提琴图与热图（含p值）
图5：免疫细胞浸润分析。（A）T2DM组与对照组之间22种免疫细胞类型的浸润差异。横轴：免疫细胞亚型；纵轴：免疫细胞的相对浸润水平。（B）8个核心C-DEG的表达与22种免疫细胞类型浸润水平的相关性热图。红色方块：正相关；蓝色方块：负相关。颜色越深，相关性越强。请点击此处查看该图的放大版本。

基因相互作用网络图；节点代表蛋白质（例如，TUBA1C、PLAU），连线代表相互作用。
图6：六个枢纽C-DEG的候选药物靶点网络。红色节点表示枢纽C-DEG，绿色节点表示候选靶向药物，节点之间的连线表示相互作用对。请点击此处查看该图的放大版本。

实验组与对照组相对mRNA水平的柱状图比较；基因表达分析。
图7：通过qRT-PCR验证T2DM合并ASCVD患者核心基因的表达。采用qRT-PCR检测HSP90B1（A）、PLAU（B）、SLPI（C）、NCF4（D）、PRF1（E）和TUBA1C（F）的mRNA表达水平。请点击此处查看该图的放大版本。

HSP90B1、PLAU、SLPI、NCF4、PRF1、TUBA1C 的蛋白质印迹分析；实验组与对照组。
图8：通过蛋白质印迹法验证2型糖尿病合并动脉粥样硬化性心血管疾病患者核心基因的表达。采用蛋白质印迹实验检测了HSP90B1（A）、PLAU（B）、SLPI（C）、NCF4（D）、PRF1（E）和TUBA1C（F）的蛋白表达水平。请点击此处查看该图的放大版本。

补充表 1. 本研究中用于 2 型糖尿病转录组分析的 GSE78721 数据集基因表达矩阵。请点击此处下载该文件。

补充表 2. 本研究中用于 ASCVD 转录组分析的 GSE12288 数据集基因表达矩阵。请点击此处下载该文件。

补充表 3：GSE78721 数据集中的免疫细胞浸润分析。请点击此处下载该文件。

补充表 4：枢纽共同差异表达基因的候选药物-靶点相互作用。请点击此处下载该文件。

补充文件 1：本研究实验验证部分生成的原始数据。请点击此处下载该文件。

讨论

2型糖尿病（T2DM）和动脉粥样硬化性心血管疾病（ASCVD）是复杂的疾病，越来越多的证据表明两者之间存在显著关联。胰岛素抵抗是多种心血管代谢异常的关键前兆，包括T2DM，这些异常共同促进ASCVD的发生，并可能影响其预后6,7。此外，糖尿病（DM）是动脉粥样硬化进展的驱动因素20。T2DM患者发生冠状动脉疾病（CAD）的风险增加21，但关于共病潜在机制的问题仍有待阐明。本研究旨在探讨这两种疾病之间的关联及其机制，并通过生物信息学分析和实验验证识别潜在的生物标志物。

本研究共鉴定出32个T2DM与ASCVD之间的共有差异表达基因（C-DEGs），其中包括20个上调基因和12个下调基因。GO和KEGG富集分析显示，这些C-DEGs主要富集于与冠状动脉疾病（CAD）和T2DM密切相关的关键代谢通路22,23。在两种疾病中筛选出8个核心C-DEGs（HSP90B1、PLAU、SLPI、TOP3A、NCF4、PRF1、TUBA1C和CS）。值得注意的是，核心C-DEGs（TOP3A、SLPI、NCF4、PRF1和PLAU）与免疫细胞浸润水平显著相关。HSP90B1已被证实参与癌症进展24，也可能与T2DM存在关联25。PLAU已被证明在预防T2DM相关的过早血管老化中发挥作用26 ，并在动脉粥样硬化斑块进展中起关键作用，为早期预警生物标志物的发现及CAD进展机制的阐明提供了线索27。SLPI的表达水平随代谢功能障碍的进展而升高28，并已被鉴定为与糖耐量受损及T2DM相关的C-DEG29。NCF4与CAD有明确关联30，并参与调控NADPH氧化酶活性和炎性小体的激活31。由于PRF1在免疫监视和调控中的关键作用32，其具有诊断潜力，可用于区分心肌梗死与稳定型CAD33。此外，PRF1在肥胖相关胰岛素抵抗中发挥重要的免疫调节作用34。TUBA1C也与多种癌症相关，并与肿瘤微环境中的免疫浸润有关35，且已被鉴定为冠心病的易感基因36。然而，ASCVD与T2DM之间的关系仍需进一步深入研究。

KEGG 分析揭示了这些候选基因参与了诸如 "补体与凝血级联反应" 和 "内质网中的蛋白质加工" 在这些通路中对关键基因的实验验证，特别是对PLAU（一种参与纤溶和凝血的丝氨酸蛋白酶）和HSP90B1（内质网分子伴侣），证实了它们在我们的2型糖尿病模型中存在表达失调。这些发现将本研究置于特定的分子框架之中，提示内质网应激反应与溶栓通路的失衡可能构成了糖尿病病理机制的重要组成部分，超出了广泛认知的炎症过程。

大量研究已记录了糖尿病患者存在免疫反应功能障碍37。异常的免疫细胞活化在2型糖尿病（T2DM）的进展中起着关键作用38,39。免疫浸润分析显示，T2DM患者树突状细胞群体发生显著改变，表现为活化树突状细胞比例增加，而静息树突状细胞比例减少（图5A）。这表明T2DM中存在增强的抗原呈递和免疫活化状态，可能促进靶组织的慢性炎症性损伤。此外，特定枢纽基因与特定免疫细胞之间存在显著相关性（例如，NCF4与活化自然杀伤细胞，PRF1与M2型巨噬细胞）（图5B），提示代谢组织中的基因表达与局部免疫微环境组成之间存在潜在的机制联系，从而为免疫调节干预提供了新的靶点。

此外，进行了药物-靶点网络分析，以预测2型糖尿病（T2DM）和动脉粥样硬化性心血管疾病（ASCVD）的潜在治疗靶点、潜在作用机制及相关药物。该候选药物-靶点网络包含6个核心C-DEGs、136种分子药物以及137条相互作用边。分析结果显示，针对TUBA1C、NCF4、PRF1、SLPI、HSP90B1和PLAU的候选靶向药物分别为82、5、3、4、1和42种。这些药物主要归类为抗肿瘤药物、抗炎药物和抗血栓药物。值得注意的是，包括利妥昔单抗（Rituximab）、泼尼松（Prednisone）、抗氧化剂（Antioxidants）、维拉帕米（Verapamil）、抗生素（Antibiotics）、秋水仙碱（Colchicine）和肝素（Heparin）在内的部分药物已在T2DM15,40,41,42,43,44,45,46和冠状动脉疾病（CAD）15,47,48,49,50,51,52,53,54,55中显示出治疗作用，提示其在T2DM合并CAD患者中可能具有潜在治疗效果。此外，阿仑膦酸钠（Alendronate sodium）、骨化三醇（Calcitriol）、塞来昔布（Celecoxib）、马索普罗科（Masoprocol）、米非司酮（Mifepristone）和姜黄素（Curcumin）等多种药物已被证实对T2DM具有特定治疗作用56,57,58,59,60,61,62,63，这些药物也可能对ASCVD有益。同时，还对这些核心C-DEGs在T2DM和ASCVD中的表达情况进行了验证。

本研究存在若干局限性。首先，验证实验中的临床样本量不足，应进一步扩大。其次，尚需开展更深入的实验研究，以揭示2型糖尿病（T2DM）与动脉粥样硬化性心血管疾病（ASCVD）之间关联的有价值见解。未来的工作将包括利用更大的临床队列验证结果，并开展更全面的实验研究，以阐明这两种疾病之间关联的分子机制和病理通路。在实验验证部分，来自T2DM和ASCVD患者的样本被合并为一个单一的"实验组"，并与健康对照组进行比较。尽管该设计有助于验证共病状态下所鉴定的核心C-DEG整体表达变化，但无法区分这些表达改变是特异性存在于T2DM、ASCVD，还是两者共有。后续研究应分别比较T2DM患者、ASCVD患者以及T2DM合并ASCVD患者的独立分组，以更准确地界定这些基因在单一疾病与共病状态中的特异性作用。此外，免疫细胞浸润分析仅在T2DM数据集（GSE78721）上进行，而未在ASCVD数据集（GSE12288）上平行开展。因此，所报道的枢纽C-DEG与免疫细胞浸润水平之间的相关性（例如TOP3A与调节性T细胞、SLPI与γδ T细胞）仅反映了它们在T2DM病理背景下的潜在免疫调节作用。另一项局限性在于，尚未对预测的药物-靶点相互作用进行功能验证。未来的研究应结合分子对接模拟以评估结合亲和力，并通过使用动物模型的in vivo实验来评估这些候选药物的治疗效果。

综上所述，本项整合生物信息学分析结合初步实验验证，鉴定了2型糖尿病与动脉粥样硬化性心血管疾病（ASCVD）之间多个共有的核心基因和通路，并提出了靶向这些基因的潜在药物候选物。这些发现为深入探究2型糖尿病与ASCVD之间复杂相互作用的机制及治疗策略，提供了新的假设和候选靶点。

披露

作者声明无竞争利益。

致谢

作者衷心感谢宁夏自然科学基金项目（编号：2023AAC03498）和银川市科技创新项目（编号：2024SF005）提供的经费支持。作者同时感谢所有参与本研究的受试者和研究人员，正是他们的贡献使本研究得以顺利完成。

材料

本文使用的材料清单
姓名公司目录编号评论
抗GAPDHProteintech60004-1-Ig
抗HSP90B1Abcam ab238126
抗NCF4 Proteintech14648-1-AP
抗PLAUProteintech17968-1-AP
抗PRF1Abcamab256453
抗SLPI Abcamab46763
抗TUBA1CAbcam ab222849
CIBERSORT 斯坦福大学https://cibersortx.stanford.edu
clusterProfiler (R软件包)Bioconductorhttp://www.bioconductor.org/packages/release/bioc/html/clusterProfiler.html
CytoHubba (Cytoscape插件)Cytoscape联盟https://apps.cytoscape.org
Cytoscape (版本 3.9.1)Cytoscape联盟http://cytoscape.org/
DGIdb
 (药物-基因相互作用数据库)		华盛顿大学http://www.dgidb.org/
增强型化学发光（ECL）底物 赛默飞世尔科技34080
enrichplot (R软件包)Bioconductorhttp://bioconductor.org/packages/release/bioc/html/enrichplot.html
凝胶成像系统 伯乐ChemiDox XRS
GEO数据库
(数据集: GSE78721, GSE12288)		NCBIhttps://www.ncbi.nlm.nih.gov/geo/
ggplot2 (R软件包)CRANhttps://ggplot2.tidyverse.org
GOplot (R软件包)CRANhttps://cran.r-project.org/web/packages/GOplot/index.html
GraphPad Prism(版本 9.1.2)GraphPad软件公司https://www.graphpad.com/scientific-software/prism/
limma (R软件包)Bioconductorhttp://bioconductor.org/packages/release/bioc/html/limma.html
上样缓冲液伯乐1610737
org.Hs.eg.db (R软件包)Bioconductorhttps://bioconductor.org/packages/release/data/annotation/html/org.Hs.eg.db.htm
PVDF膜伯乐1620177
R软件 (版本 4.0.2) R基金会https://www.r-project.org/
实时PCR系统伯乐CFX-96
逆转录系统试剂盒宝生物工程D6110A
scales (R软件包)CRANhttps://CRAN.R-project.org/package = scales
SDS-PAGE凝胶伯乐4561085
二抗Abcam ab6721
STRING数据库STRING联盟https://string-db.org/
SYBR Green PCR主混合液诺唯赞生物科技货号 #Q311-02
tidyverse (R软件包)CRANhttps://cran.r-project.org/web/packages/tidyverse/index.html
Trans-Blot转膜系统伯乐1704150
TRIzol试剂赛默飞世尔科技 #1559602

参考文献

  1. Artasensi A, Pedretti A. Type 2 diabetes mellitus: a review of multi-target drugs. Molecules. 2020;25(8):1986.
  2. Saeedi P, Petersohn I, Salpea P, Malanda B, Karuranga S, Unwin N, et al. Global and regional diabetes prevalence estimates for 2019 and projections for 2030 and 2045: results from the International Diabetes Federation Diabetes Atlas, 9th edition. Diabetes Res Clin Pract. 2019;157:107843.
  3. Chatterjee S, Khunti K, Davies MJ. Type 2 diabetes. Lancet. 2017;389(10085):2239-2251.
  4. Wu J, Yang K, Fan H, Wei M, Xiong Q. Targeting the gut microbiota and its metabolites for type 2 diabetes mellitus. Front Endocrinol (Lausanne). 2023;14:1114424.
  5. Holman N, Young B, Gadsby R. Current prevalence of Type 1 and Type 2 diabetes in adults and children in the UK. Diabet Med. 2015;32(9):1119-1120.
  6. Mancusi C, de Simone G. Myocardial mechano-energetic efficiency and insulin resistance in non-diabetic members of the Strong Heart Study cohort. Cardiovasc Diabetol. 2019;18(1):56.
  7. Hill MA, Yang Y, Zhang L, Sun Z, Jia G, Parrish AR, et al. Insulin resistance, cardiovascular stiffening and cardiovascular disease. Metabolism. 2021;119:154766.
  8. Trigka M, Dritsas E. Long-term coronary artery disease risk prediction with machine learning models. Bioengineering (Basel). 2023;23(3):1193.
  9. Nowbar AN, Gitto M, Howard JP, Francis DP, Al-Lamee R. Mortality from ischemic heart disease. Circ Cardiovasc Qual Outcomes. 2019;12(6):005375.
  10. Mensah GA, Roth GA, Fuster V. The global burden of cardiovascular diseases and risk factors: 2020 and beyond. J Am Coll Cardiol. 2019;74(20):2529-2532.
  11. Tian R, Liu H, Feng S, Wang H, Wang Y, Wang Y, et al. Gut microbiota dysbiosis in stable coronary artery disease combined with type 2 diabetes mellitus influences cardiovascular prognosis. Nutr Metab Cardiovasc Dis. 2021;31(5):1454-1466.
  12. Ma CX, Ma XN, Guan CH, Li YD, Mauricio D, Fu SB. Cardiovascular disease in type 2 diabetes mellitus: progress toward personalized management. Cardiovasc Diabetol. 2022;21(1):74.
  13. Mohammadnia N, Los J, Opstal TSJ, Fiolet ATL, Eikelboom JW, Mosterd A, et al. Colchicine and diabetes in patients with chronic coronary artery disease: insights from the LoDoCo2 randomized controlled trial. Front Cardiovasc Med. 2023;10:1244529.
  14. Einarson TR, Acs A, Ludwig C, Panton UH. Prevalence of cardiovascular disease in type 2 diabetes: a systematic literature review of scientific evidence from across the world in 2007-2017. Cardiovasc Diabetol. 2018;17(1):83.
  15. Huang J, Li N, Li Z, Hou XJ, Li ZZ. Low-dose unfractionated heparin with sequential enoxaparin in patients with diabetes mellitus and complex coronary artery disease during elective percutaneous coronary intervention. Chin Med J (Engl). 2018;131(7):764-769.
  16. Knuuti J, Wijns W, Saraste A, Capodanno D, Barbato E, Funck-Brentano C, et al. 2019 ESC Guidelines for the diagnosis and management of chronic coronary syndromes. Eur Heart J. 2020;41(3):407-477.
  17. Song S, Yu J. Identification of the shared genes in type 2 diabetes mellitus and osteoarthritis and the role of quercetin. J Cell Mol Med. 2024;28(4):18127.
  18. Castillo-Velázquez R, Martínez-Morales F, Castañeda-Delgado JE, García-Hernández MH, Herrera-Mayorga V, Paredes-Sánchez FA, et al. Bioinformatic prediction of the molecular links between Alzheimer's disease and diabetes mellitus. PeerJ. 2023;11:14738.
  19. Zhang J, Zhang FJ, Zhang L, Xian DX, Wang SA, Peng M, et al. Identification of key genes and molecular pathways in type 2 diabetes mellitus and polycystic ovary syndrome via bioinformatics analyses. Eur Rev Med Pharmacol Sci. 2023;27(8):3255-3269.
  20. Sun H, Ma X, Ma H, Li S, Xia Y, Yao L, et al. High glucose levels accelerate atherosclerosis via NLRP3-IL/MAPK/NF-κB-related inflammation pathways. Biochem Biophys Res Commun. 2024;704:149702.
  21. Hasbani NR, Westerman KE. Type 2 diabetes modifies the association of CAD genomic risk variants with subclinical atherosclerosis. Circ Genom Precis Med. 2023;16(6):004176.
  22. Vernon ST, Tang O, Kim T, et al. Metabolic signatures in coronary artery disease: results from the BioHEART-CT study. J Am Heart Assoc. 2021;10(5):019852.
  23. Colosimo S, Mitra SK, Chaudhury T, Marchesini G. Insulin resistance and metabolic flexibility as drivers of liver and cardiac disease in T2DM. Diabetes Res Clin Pract. 2023;206:111016.
  24. Huang X, Zhang W, Yang N, Zhang Y, Qin T, Ruan H, et al. Identification of HSP90B1 in pan-cancer hallmarks to aid development of a potential therapeutic target. Mol Cancer. 2024;23(1):19.
  25. Sims-Robinson C, Zhao S, Hur J, Feldman EL. Central nervous system endoplasmic reticulum stress in a murine model of type 2 diabetes. Diabetologia. 2012;55(8):2276-2284.
  26. Wan Y, Liu Z, Wu A, Khan AH. Hyperglycemia promotes endothelial cell senescence through AQR/PLAU signaling axis. Int J Mol Sci. 2022;23(5):2677.
  27. Song C, Qiao Z, Chen L, Ge J, Zhang R, Yuan S, et al. Identification of key genes as early warning signals of acute myocardial infarction based on weighted gene correlation network analysis and dynamic network biomarker algorithm. Front Immunol. 2022;13:879657.
  28. López-Bermejo A, Ortega FJ, Castro A, Ricart W, Fernández-Real JM. The alarm secretory leukocyte protease inhibitor increases with progressive metabolic dysfunction. Clin Chim Acta. 2011;412(11-12):1122-1126.
  29. Songtao Y, Fangyu L, Jie C, Li Y. Identification of claudin-2 as a promising biomarker for early diagnosis of pre-diabetes. Front Pharmacol. 2024;15:1370708.
  30. Wang Y, Liu T, Liu Y, Chen J, Xin B, Wu M, et al. Coronary artery disease associated specific modules and feature genes revealed by integrative methods of WGCNA, MetaDE and machine learning. Gene. 2019;710:122-130.
  31. Li L, Mao R, Yuan S, Xie Q, Meng J, Gu Y, et al. NCF4 attenuates colorectal cancer progression by modulating inflammasome activation and immune surveillance. 2024;15(1):5170.
  32. Chen J, Yu L, Zhang S, Chen X. Network analysis-based approach for exploring the potential diagnostic biomarkers of acute myocardial infarction. Front Physiol. 2016;7:615.
  33. Zhang L, Wang Q, Xie X. Identification of biomarkers related to immune cell infiltration with gene coexpression network in myocardial infarction. Dis Markers. 2021;2021:2227067.
  34. Revelo XS, Tsai S, Lei H, Luck H, Ghazarian M, Tsui H, et al. Perforin is a novel immune regulator of obesity-related insulin resistance. Diabetes. 2015;64(1):90-103.
  35. Zou Y, Wang G. Comprehensive multiomic analysis identified TUBA1C as a potential prognostic biological marker of immune-related therapy in pan-cancer. 2022;2022:9493115.
  36. Yan X, Huang Y, Wu J. Identify cross talk between circadian rhythm and coronary heart disease by multiple correlation analysis. J Comput Biol. 2018;25(12):1312-1327.
  37. Rubinstein MR, Genaro AM, Wald MR. Differential effect of hyperglycaemia on the immune response in an experimental model of diabetes in BALB/cByJ and C57BL/6J mice: participation of oxidative stress. Clin Exp Immunol. 2013;171(3):319-329.
  38. Donath MY, Shoelson SE. Type 2 diabetes as an inflammatory disease. Nat Rev Immunol. 2011;11(2):98-107.
  39. Zhou J, Zhang X, Ji L. Identification of potential biomarkers of type 2 diabetes mellitus-related immune infiltration using weighted gene coexpression network analysis. 2022;2022:9920744.
  40. Su Z, Ma C, Zhao R, Jiang Y, Cai Y, Yong G, et al. Heterogeneity of circulating CXCR5−PD-1hi Tph cells in patients with type 2 and type 1 diabetes in the Chinese population. 2023;60(6):767-776.
  41. Banerjee M, Vats P. Reactive metabolites and antioxidant gene polymorphisms in type 2 diabetes mellitus. Redox Biol. 2014;2:170-177.
  42. Leh HE, Lee LK. Lycopene: a potent antioxidant for the amelioration of type II diabetes mellitus. 2022;27(7):2335.
  43. Wu X, Gong H, Hu X, Shi P, Cen H, Li C. Effect of verapamil on bone mass, microstructure and mechanical properties in type 2 diabetes mellitus rats. BMC Musculoskelet Disord. 2022;23(1):363.
  44. Chen YS, Weng SJ, Chang SH. Evaluating the antidiabetic effects of R-verapamil in type 1 and type 2 diabetes mellitus mouse models. PLoS One. 2021;16(8):e0255405.
  45. Chu L, Su D, Wang H. Association between antibiotic exposure and type 2 diabetes mellitus in middle-aged and older adults. 2023;15(5):1290.
  46. Guan J, Abudouaini H, Lin K, Yang K. Emerging insights into the role of IL-1 inhibitors and colchicine for inflammation control in type 2 diabetes. Diabetol Metab Syndr. 2024;16(1):140.
  47. Armitage JD, Montero C, Benner A, Armitage JO, Bociek G. Acute coronary syndromes complicating the first infusion of rituximab. Clin Lymphoma Myeloma. 2008;8(4):253-255.
  48. Ribichini F, Joner M, Ferrero V, Finn AV, Crimins J, Nakazawa G, et al. Effects of oral prednisone after stenting in a rabbit model of established atherosclerosis. J Am Coll Cardiol. 2007;50(2):176-185.
  49. Bastani A, Rajabi S, Daliran A, Saadat H, Karimi-Busheri F. Oxidant and antioxidant status in coronary artery disease. Biomed Rep. 2018;9(4):327-332.
  50. Sotoudeh Anvari M, Mortazavian Babaki M, Boroumand MA, Eslami B, Jalali A, Goodarzynejad H. Relationship between calculated total antioxidant status and atherosclerotic coronary artery disease. Anatol J Cardiol. 2016;16(9):689-695.
  51. Winniford MD, Jansen DE, Reynolds GA, Apprill P, Black WH, Hillis LD. Cigarette smoking-induced coronary vasoconstriction in atherosclerotic coronary artery disease and prevention by calcium antagonists and nitroglycerin. Am J Cardiol. 1987;59(4):203-207.
  52. Muhlestein JB. Antibiotic treatment of atherosclerosis. Curr Opin Lipidol. 2003;14(6):605-614.
  53. Nelson K, Fuster V, Ridker PM. Low-dose colchicine for secondary prevention of coronary artery disease: JACC review topic of the week. J Am Coll Cardiol. 2023;82(7):648-660.
  54. Fiolet ATL, Nidorf SM, Mosterd A, Cornel JH. Colchicine in stable coronary artery disease. Clin Ther. 2019;41(1):30-40.
  55. Aimo A, Pascual-Figal DA, Barison A, Cediel G, Vicente ÁH, Saccaro LF, et al. Colchicine for the treatment of coronary artery disease. Trends Cardiovasc Med. 2021;31(8):497-504.
  56. Ikeda T, Manabe H, Iwata K. Clinical significance of alendronate in postmenopausal type 2 diabetes mellitus. Diabetes Metab. 2004;30(4):355-358.
  57. Wang Y, Huang M, Xu W, Li F, Ma C, Tang X. Calcitriol-enhanced autophagy in gingival epithelium attenuates periodontal inflammation in rats with type 2 diabetes mellitus. Front Endocrinol (Lausanne). 2022;13:1051374.
  58. Cheng S, So WY, Zhang D, Cheng Q, Boucher BJ, Leung PS. Calcitriol reduces hepatic triglyceride accumulation and glucose output through Ca2+/CaMKKβ/AMPK activation under insulin-resistant conditions in type 2 diabetes mellitus. Curr Mol Med. 2016;16(8):747-758.
  59. Tian F, Zhang YJ, Li Y, Xie Y. Celecoxib ameliorates non-alcoholic steatohepatitis in type 2 diabetic rats via suppression of the non-canonical Wnt signaling pathway expression. PLoS One. 2014;9(1):e83819.
  60. Reed MJ, Meszaros K, Entes LJ, Claypool MD, Pinkett JG, Brignetti D, et al. Effect of masoprocol on carbohydrate and lipid metabolism in a rat model of type II diabetes. Diabetologia. 1999;42(1):102-106.
  61. Fleseriu M, Biller BMK, Findling JW, Molitch ME, Schteingart DE, Gross C. Mifepristone, a glucocorticoid receptor antagonist, produces clinical and metabolic benefits in patients with Cushing's syndrome. J Clin Endocrinol Metab. 2012;97(6):2039-2049.
  62. Chuengsamarn S, Rattanamongkolgul S, Luechapudiporn R, Phisalaphong C, Jirawatnotai S. Curcumin extract for prevention of type 2 diabetes. Diabetes Care. 2012;35(11):2121-2127.
  63. Bozkurt O, Kocaadam-Bozkurt B. Effects of curcumin, a bioactive component of turmeric, on type 2 diabetes mellitus and its complications: an updated review. 2022;13(23):11999-12010.

重印与许可

标签

234 234
联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。