需要JoVE订阅才能观看此内容。 请登录或开始免费试用

研究文章

心房颤动中内质网应激相关免疫特征：机器学习与单细胞转录组学

146 次观看

⸱

DOI：

10.3791/71532

⸱

2026年8月7日

 ,  ,  ,  ,  ,  , 
1Department of Traditional Chinese Medicine, Aerospace Center Hospital, 2Third Affiliated Hospital, Beijing University of Chinese Medicine, 3College of Traditional Chinese Medicine, Shandong University of Traditional Chinese Medicine, 4School of Basic Medical Sciences, Harbin Medical University

* These authors contributed equally

本文内容

摘要

本文介绍了一种通过整合公共批量转录组学、机器学习、免疫浸润分析和单细胞转录组学，以识别心房颤动中与内质网应激相关的免疫特征的实验方案，从而实现可重复的生物标志物优先排序和细胞类型定位。

摘要

本研究描述了一种可重复的计算工作流程，通过整合批量转录组学、机器学习、免疫浸润分析和单细胞转录组学，用于识别心房颤动（AF）中与内质网应激（ERS）相关的基因特征。从基因表达综合数据库（Gene Expression Omnibus, GEO）获取公开的批量转录组数据集，随后进行表型标准化、数据归一化、批次效应校正及差异表达分析。将加权基因共表达网络分析（WGCNA）与ERS相关基因集相结合，以鉴定候选的ERS相关基因。随后采用多算法机器学习框架，比较不同特征筛选和模型拟合策略。所选模型在独立的外部验证队列（GSE115574）中进行评估，并在另一队列（GSE14975）中进一步验证，其区分性能通过受试者工作特征（ROC）分析和曲线下面积（AUC）进行量化。利用该工作流程，共鉴定出22个ERS相关核心基因，其中包含18个基因的弹性网络（Elastic Net, Enet）模型在训练队列和验证队列中均表现出最高的整体区分能力。SHapley加性解释（SHAP）分析揭示了RPS11、NCF2和S100A4等基因在模型预测中的主要贡献。免疫去卷积和单细胞转录组分析进一步显示，ERS相关特征主要映射至单核细胞-巨噬细胞谱系，提示其可能参与AF相关的免疫重塑过程。该工作流程为将疾病相关的转录组特征与特定免疫细胞群体关联提供了可重复的策略，且可结合适当的批量和单细胞数据集推广至其他疾病研究场景。

引言

心房颤动（AF）是临床实践中最常见的持续性心律失常，其特征是心房内电活动紊乱以及机械功能丧失。它显著增加了卒中、心力衰竭和全因死亡的风险，已成为全球主要的公共卫生负担1。目前AF的临床管理面临重大挑战：传统抗心律失常药物在长期维持窦性心律方面的疗效有限，且其不良反应（如致心律失常作用和心脏毒性）限制了其持续使用2,3。导管消融在持续性AF中长期维持窦性心律方面也仍然存在困难4。由于对AF上游机制的分子图谱缺乏系统性认识，目前新型治疗策略的发展受到限制，这阻碍了精准靶点的识别与转化。研究表明，AF的病理进展涉及多个层面的复杂相互作用，包括电重构、结构重构以及自主神经系统重构。其中，以心肌纤维化为核心的心房结构重构是维持AF的关键机制之一5,6,7。

因此，阐明驱动纤维化的上游应激通路是突破持续性心房颤动（AF）治疗瓶颈的关键之一。近期研究表明，内质网应激（ERS）是一种高度保守的适应性反应，在内质网稳态受到破坏、导致未折叠或错误折叠蛋白在内质网腔内过度积累时被激活。ERS作为关键的调控枢纽，可帮助细胞应对内外环境扰动。ERS可能通过调控蛋白质稳态、钙循环、炎症反应和细胞凋亡等过程参与心房重构8,9。然而，心房颤动中ERS的上游触发因素、关键效应分子及其下游信号通路尚未得到系统性阐明，这使得确定其在心房重构中的关键节点和可干预靶点仍具挑战性。

与传统的批量转录组学研究相比，多组学整合能够获得更稳健的群体水平疾病相关信号。此外，整合单细胞转录组学可解析细胞异质性，并识别这些信号的细胞来源，从而将关联结果映射到特定细胞类型及其潜在的相互作用通路。这为后续的机制研究和靶点优先排序提供了基础。在本研究中，房颤（AF）相关的批量转录组和单细胞转录组数据集从基因表达综合数据库（Gene Expression Omnibus, GEO）中获取。通过差异表达分析和加权基因共表达网络分析（WGCNA）鉴定出内质网应激（ERS）相关的核心模块。结合单细胞分析，进一步将关键分子定位至特定细胞类型及其相互作用网络。总体而言，本研究旨在阐明房颤中与内质网应激相关的关键网络及其与结构重塑的关联，从而为靶点发现以及基于机制、分层化的治疗策略提供理论依据。

与单数据集差异表达分析或单算法生物标志物筛选相比，该工作流程通过整合跨队列验证、生物学约束的特征筛选、多算法模型比较、免疫去卷积和单细胞转录组学，提高了结果的稳健性和可解释性。这些步骤有助于优先筛选出可重复的ERS相关特征，并将基于批量数据推导的信号定位到特定的免疫细胞群体及其相互作用网络中。该工作流程适用于使用公共或内部转录组数据集的研究，要求研究具有明确定义的疾病组与对照组、可比较的组织来源、足够的样本量以及可用的表型注释。该流程特别适用于假设生成、生物标志物优先排序以及疾病相关分子程序的细胞类型定位。然而，其性能依赖于数据集质量、表型一致性以及有效的批次效应校正；因此，通过该工作流程鉴定出的候选特征需在独立队列和实验模型中进一步验证，方可进行临床转化。整体研究工作流程如图1所示。

访问受限。请登录或开始试用以查看此内容。

方案

根据中国于2023年2月18日发布的《涉及人的生命科学和医学研究伦理审查办法》，使用公开可获取数据的研究可能符合免除伦理审查的条件。本研究仅使用了公开可获取的、去标识化的转录组学二次数据，未涉及新的人体参与者招募、人体样本采集或动物实验。因此，无需额外的机构伦理审批。本研究未开展任何动物实验，故无需获得机构动物护理和使用委员会的批准。

心房颤动中内质网应激相关基因的数据来源
本研究从 GEO 数据库中获取了公开可用的与心房颤动（AF）相关的转录组数据集，包括 GSE41177、GSE79768、GSE115574、GSE14975 和 GSE165838。GSE 数据集的详细信息见补充文件 1—补充表 S1。其中，GSE41177 和 GSE79768 用于构建整合的 bulk 转录组训练队列，而 GSE115574 和 GSE14975 作为两个独立的外部验证队列。GSE165838 用于单细胞转录组分析。由于这些数据集来自不同的实验平台，可能在组织来源、临床背景和样本构成上存在差异，因此在整合或验证前，每个数据集均根据其平台特性进行独立预处理。随后，使用 sva R 软件包对合并后的训练队列进行批次效应校正。内质网应激相关基因集从 GeneCards 数据库中获取，筛选相关性评分 ≥ 3 的基因，并在去除重复项后形成本研究所用的目标基因列表。

差异表达基因分析
在数据标准化和归一化后，使用 R 软件包 limma 在整合的训练集中鉴定差异表达基因（DEGs）。差异表达基因的定义标准如下：错误发现率校正后的 P 值（adj.P.Val）< 0.05 且 |log2FC| > 0.58510。为了可视化 DEGs 的表达模式，分别使用 ggplot2 和 pheatmap 软件包生成火山图和热图。

WGCNA 分析
为了阐明基因协同调控的潜在机制，定义共表达模块与临床特征变量之间的关联模式，并鉴定具有转化潜力的核心生物标志物或治疗靶点，应用了 WGCNA 方法11。

使用 R 语言中的 WGCNA 软件包构建加权共表达网络。根据无尺度拓扑准则选择软阈值幂（β）；当无尺度拓扑拟合指数（R2）达到并稳定在 0.85 以上时，选取对应的 β 值用于后续分析12。在模块识别过程中，优化了与动态树切割和模块检测灵敏度相关的参数，以提高模块边界的分辨率和稳定性。最终提取与目标性状显著相关的模块，并将模块内中心基因识别为下游分析的候选基因集。

心房颤动相关差异表达基因的富集分析
为精确定位核心基因，首先将差异表达基因（DEGs）与关键WGCNA模块中的基因取交集，以确定一组与心房颤动（AF）发病机制相关联的基因。随后，将该AF基因集进一步与内质网应激（ERS）相关基因取交集，保留所得的重叠基因用于后续分析。

使用基因本体论（Gene Ontology, GO）和京都基因与基因组百科全书（Kyoto Encyclopedia of Genes and Genomes, KEGG）分析对筛选出的基因进行功能富集评估。采用 R 软件包 clusterProfiler 对生物过程（biological process, BP）、细胞组分（cellular component, CC）和分子功能（molecular function, MF）三大类别的 GO 条目进行分析，以汇总富集结果13。随后利用 KEGG 分析鉴定与目标基因相关的富集通路14。调整后 P 值 < 0.05 的富集结果被认为具有统计学显著性。主要的 GO 条目和 KEGG 通路结果通过 ggplot2 以柱状图和气泡图形式展示。

蛋白质-蛋白质相互作用（PPI）分析
通过将交集基因集上传至STRING数据库进行PPI分析，并将物种限定为Homo sapiens。去除未连接的节点，使用中等置信度评分阈值（综合评分 ≥ 0.4）获取相互作用关系。随后将所得的PPI网络导入网络可视化与分析工具，进行拓扑分析以识别关键节点。

基于12种机器学习算法构建候选AF-ERS分类模型
本研究开发了一种基于12种传统机器学习算法的集成分类框架，用于筛选与心房颤动（AF）相关的内质网应激（ERS）候选特征基因，并优化分类性能。在数据划分方面，GSE41177和GSE79768数据集在标准化和归一化处理后合并，形成训练队列表达矩阵；GSE115574则作为独立的外部验证队列，用于评估模型的泛化能力。具体而言，首先在训练队列中识别差异表达基因（DEGs）（|log2FC| >0.585，校正后p值< 0.05）；随后将这些差异表达基因与关键WGCNA模块中的基因及ERS相关基因取交集，所得基因集合作为模型构建的输入特征。

为了将ERS相关基因与心房颤动（AF）表型关联起来，采用12种机器学习方法开发了一个候选分类模型：Lasso、Ridge、逐步广义线性模型（Stepglm）、极端梯度提升（XGBoost）、随机森林（RF）、弹性网络（Enet）、用于广义线性模型的偏最小二乘回归（plsRglm）、广义提升回归模型（GBM）、朴素贝叶斯、线性判别分析（LDA）、glmBoost以及支持向量机（SVM）。通过将第二种算法添加到第一种算法，并利用调参参数α进行整合，采用了一种系统的组合建模策略，共产生113种特征选择与模型拟合的组合，并对其进行了全面评估。模型区分能力通过计算受试者工作特征曲线下面积（AUC）来评估。根据既往报道的模型选择标准，最终候选框架被定义为在训练队列和验证队列中以平均AUC衡量整体性能最优的模型。

这种组合建模策略借鉴了先前在生物医学机器学习领域的研究15,16,17。这些研究共同表明，没有任何一种单一算法能够在不同数据集和分析任务中始终优于其他算法。基于这一前提，采用集成学习和组合建模框架可提高获得高性能候选模型的可能性，增强模型泛化能力的稳定性，并提升模型选择的稳健性。

随后，采用SHapley加性解释（SHAP）值通过可视化驱动房颤分类的关键特征来解释机器学习模型，从而量化每个特征对预测结果的贡献，并阐明各个特征基因如何影响模型的最终输出18。

模型性能评估及最优模型的外部验证
在训练队列和独立的外部验证队列（GSE115574）中对最优模型的性能进行了评估。在模型层面，基于预测的类别标签构建混淆矩阵，并报告相应的分类指标。使用 R 软件包 pROC 生成受试者工作特征（ROC）曲线，并计算曲线下面积（AUC）以量化模型的区分能力。

在生物标志物层面，针对最优模型中的每个关键基因绘制了单基因ROC曲线，并计算相应的AUC值，以评估各基因单独的判别能力。此外，使用火山图总结关键基因的差异表达情况，并通过箱线图展示这些基因在疾病样本与健康样本中的表达分布。为进一步评估先前定义的最优模型所衍生基因特征的泛化能力，使用GSE14975数据集进行了额外的独立外部验证。GSE14975包含来自左心耳组织样本的转录组数据，其中包括5个心房颤动样本和5个窦性心律/对照样本。该数据集中包含了锁定特征中的所有基因。为保持与原始跨队列分析流程的一致性，使用ComBat方法以数据集来源作为批次变量，对开发队列与GSE14975进行数据校正，且该校正过程为无监督方式进行。重要的是，GSE14975中的疾病/对照标签未用于特征筛选、系数估计、阈值确定或超参数调优。

仅使用开发队列拟合最优模型衍生的评分模型，然后将其应用于GSE14975进行外部验证。在GSE14975中，通过受试者工作特征曲线分析、曲线下面积、95%置信区间（CI）、敏感性、特异性、准确性、阳性和阴性预测值以及Brier评分来评估模型性能。此外，在GSE14975中为所有最优模型衍生基因生成单基因ROC曲线，以展示其各自的区分能力。为进一步评估开发队列中潜在的过拟合情况，使用从锁定的最优模型获得的基因特征进行了重复的10折交叉验证和自助法乐观校正。在重复交叉验证中，开发队列被反复划分为10个子集，并在所有迭代中汇总模型的区分性能。在自助法验证中，生成1,000次自助重采样，以估计开发集表观性能的乐观偏差，并计算经乐观校正后的AUC。由于最终特征来源于最优模型，各基因的贡献主要根据模型系数的绝对值大小和方向进行解释。此外，在GSE14975中进行了单基因ROC分析，以展示每个组成基因的个体区分能力。为了便于可视化，单基因ROC曲线的方向被设定为反映区分能力，无论较高或较低的表达水平与心房颤动（AF）相关。

基因集富集分析（GSEA）
为了探究关键基因的功能意义，使用疾病组样本进行了基因集富集分析（GSEA）19。对于每个关键基因，以疾病组中该基因表达值的中位数为 cutoff，将样本分为高表达和低表达两个亚组。计算每个基因在两组间的平均表达差异，并按降序排列生成排序后的基因列表，作为富集分析的输入。GSEA 分析使用 R 软件包 clusterProfiler 进行，基因集来源于 MSigDB 数据库中的 c2.cp.kegg.Hs.symbols.gmt 集合。统计学显著性定义为 p < 0.05。富集方向由标准化富集评分（NES）的符号确定，并针对代表性通路生成了富集图谱。

免疫细胞亚群丰度及差异表达评估
采用 CIBERSORT 去卷积算法，估算各样本中浸润性免疫细胞亚群的相对丰度及其相互关系。基于 LM22 白细胞特征矩阵，利用 R 软件包 CIBERSORT20 从基因表达谱中定量推断免疫细胞组成。以 p < 0.05 为阈值筛选结果，仅保留通过该标准的样本用于后续分析。通过箱线图比较心房颤动组（AF）与对照组之间免疫细胞亚群的估计相对比例。 此外，采用 Spearman 相关性分析评估免疫细胞浸润水平与枢纽基因表达之间的关联性。

单细胞分析
使用 GEO 数据集 GSE165838 进行单细胞转录组分析。将原始基因-细胞计数矩阵导入 R，并使用 Seurat v4.4.0 进行处理。对每个样本，使用 CreateSeuratObject 函数创建 Seurat 对象，参数设置为 min.cells = 5 和 min.features = 300。针对每个细胞计算质量控制指标，包括检测到的基因数量、总唯一分子标识符（UMI）计数、线粒体基因百分比、核糖体基因百分比以及血红蛋白基因百分比。仅保留满足以下条件的细胞：检测到的基因数大于 500，UMI 计数少于 5,000，线粒体基因百分比 < 25%，核糖体基因百分比 > 3%，且血红蛋白基因百分比 < 1%。去除在少于三个细胞中被检测到的基因。在下游分析前，还排除了 MALAT1 和线粒体基因。使用 DoubletFinder 检测并剔除潜在的双细胞（doublets）。简而言之，根据样本身份将细胞分开，并对每个样本分别使用第 1 至第 30 个主成分进行双细胞检测。

pN 参数设置为 0.25，最优 pK 值根据参数扫描获得的最大 BC 指标选定。根据每个样本中回收细胞的数量估计预期的双细胞率，对于细胞数量相对较低、中等和较高的样本，分别采用 2.5%、5% 和 6.5% 的双细胞率。仅保留被分类为单细胞的细胞。使用 DecontX 进一步估计环境 RNA 污染，污染评分 ≥ 0.2 的细胞被剔除。在完成质量控制、双细胞去除和环境 RNA 过滤后，共保留 40,886 个细胞和 23,947 个基因用于后续分析。过滤后的单细胞数据集采用 LogNormalize 方法进行标准化，标准化因子为 10,000，随后识别高变基因。之后对数据进行缩放，再进行主成分分析。

为减少样本特异性的批次效应，使用 orig.ident 作为批次变量应用了 Harmony 算法。基于前 15 个经 Harmony 校正的维度进行 Uniform Manifold Approximation and Projection（UMAP）可视化和最近邻图构建21。聚类分析采用 Louvain 算法，并评估了多个不同的聚类分辨率。最终的主要细胞类型注释基于分辨率为 0.05 时的聚类结果。细胞簇根据经典标记基因的表达情况进行人工注释。该基于标记基因的注释策略与既往的单细胞免疫图谱研究一致22。T 细胞由 CD3D、CD3E 和 TRAC 鉴定；自然杀伤（NK）细胞由 NKG7、GNLY、NCAM1 和 KLRG1 鉴定；单核细胞-巨噬细胞由 LYZ、CD14、FCGR3A、CD68、CD163、FCN1、TYROBP、S100A8 和 S100A9 鉴定；B 细胞由 MS4A1 和 CD79A 鉴定；浆细胞由 MZB1 和 XBP1 鉴定；内皮细胞由 PECAM1、VWF 和 CDH5 鉴定；血管平滑肌细胞由 ACTA2、TAGLN、MYH11 和 MYL9 鉴定；成纤维细胞由 DCN、LUM、COL1A1、COL1A2 和 PDGFRA 鉴定；中性粒细胞样细胞由 FCGR3B、CXCR2、S100A8 和 MPO 鉴定；肥大细胞由 TPSB2 鉴定；树突状细胞由 LILRA4、CD1C 和 XCR1 鉴定。使用点图展示各细胞簇中标记基因的表达情况，并在 UMAP 嵌入图中可视化最终 ERS 相关枢纽基因的表达分布。

为了在单细胞水平上量化与内质网应激（ERS）相关的转录活性，采用最终的枢纽基因集，通过AUCell、单样本基因集富集分析（ssGSEA）以及Seurat AddModuleScore方法计算每个细胞的特征评分。对于AUCell分析，基于标准化的RNA表达矩阵构建细胞基因排序，并以枢纽基因集及排名前10%的基因为最大排序阈值，计算AUC得分。对于ssGSEA分析，使用GSVA软件包计算富集得分。将三种评分结果进行中心化和标准化处理，随后进行最小-最大归一化，最终加总生成每个细胞的整合性ERS相关综合评分。通过比较不同注释细胞群体间的综合评分分布，评估ERS相关程序在细胞类型上的异质性。由于单核-巨噬细胞谱系表现出显著的ERS相关特征富集，且与免疫-炎症重塑密切相关，因此被选为后续谱系内分析的对象。根据ERS相关综合评分的中位数，将单核-巨噬细胞划分为高评分组和低评分组。随后使用Monocle对单核-巨噬细胞进行拟时序轨迹分析。

对于拟时序分析，使用负二项分布表达模型从原始计数矩阵构建了CellDataSet对象。随后估计了大小因子和离散度。通过平均表达量阈值≥0.1且经验离散度大于拟合离散度的标准筛选出用于排序的基因。采用DDRTree算法降低数据维度，并沿推断出的轨迹对细胞进行排序。可视化展示了ERS相关枢纽基因在拟时序过程中的动态表达模式。使用CellChat进行细胞间通讯分析，以探索单核细胞-巨噬细胞与其他细胞之间涉及不同ERS相关评分的潜在配体-受体相互作用。在此分析中，单核细胞-巨噬细胞根据中位综合评分被标记为高分组或低分组，而其他细胞保留其原始细胞类型标签。利用标准化的RNA表达矩阵及相应的细胞分组注释构建CellChat对象。在细胞间通讯分析中，选择人类CellChatDB数据库，并仅评估分泌型信号相互作用。在计算通讯概率之前，检测了过表达基因及配体-受体对。包含少于10个细胞的细胞群被排除在相互作用分析之外。随后估计并汇总通路水平的通讯概率，以比较不同细胞群体间相互作用的数量与强度。为便于结果复现，下表提供了各实验步骤与其对应预期输出图或表之间的对照关系（补充文件1—补充表S2）。

访问受限。请登录或开始试用以查看此内容。

结果

心房颤动中差异表达基因的鉴定
为提高不同队列之间的可比性，整合了两个与心房颤动（AF）相关的转录组数据集（GSE41177 和 GSE79768），并对合并后的表达矩阵进行了批次效应校正。图2A、B展示了批次效应校正前后全局表达分布的箱线图，用于评估各样本间表达强度分布的可比性。图2C、D展示了批次效应校正前后主成分分析（PCA）图，用于评估样本层面的聚类模式及与队列相关的分离情况。校正后，全局表达分布更加一致，且在PCA空间中不同队列间的系统性分离明显减弱，表明批次效应得到了有效消除。随后，利用校正后的合并数据集进行差异表达分析。以FDR < 0.05 且 |log2FC| > 0.585 作为显著性阈值，共鉴定出181个差异表达基因（DEGs）。火山图清晰展示了差异表达基因在效应大小和统计显著性上的分布情况（图2E...

访问受限。请登录或开始试用以查看此内容。

讨论

本研究整合了批量测序与单细胞转录组数据，以探讨内质网应激（ERS）在心房颤动（AF）中的作用。研究获得了一个具有良好跨队列区分能力的ERS相关基因特征，这些信号主要映射到单核细胞-巨噬细胞谱系，并与广泛的细胞间通讯相关。总体而言，研究结果提示，ERS相关程序与AF中的免疫细胞中心性重构密切相关。与仅基于批量测序的生物标志物筛选相比，该工作流程提供了对疾病相关基因的多层次解读。通过整合加权基因共表达网络分析（WGCNA）与ERS相关基因筛选，提高了生物学特异性；而比较多种机器学习算法则降低了对单一建模策略的依赖。SHAP分析进一步通过识别每个特征的相对贡献及其作用方向，提升了模型的可解释性。此外，单细胞转录组学将批量数据-derived的基因特征映射到特定细胞群体，从而生成关于细胞来源及细胞间通讯机制的假设。该工作流程的成功依赖于若干关键步骤：首先，数据集选择与表型标准化至关重要，因为组织来源、疾病定义或临床注释的不一致可能引入显著偏倚；其次，在下游建模前，应通过表达分布图和主成分分析综合评估批次效应校正效果；第三，特征筛选需在统计严格性与生物学可解释性之间取得平衡，尤其是在差异表达基因（DEGs）、WGCNA模块与ERS相关基因集的交集...

访问受限。请登录或开始试用以查看此内容。

披露

作者在本研究中无任何利益冲突。在修改本文期间，仅使用了 OpenAI 的 ChatGPT 辅助英文语言润色。作者对所有经人工智能辅助编辑的文本进行了审阅、核实和修改，并对最终稿件的准确性和完整性承担全部责任。未使用任何人工智能辅助工具生成研究思路、进行数据分析、解释结果、创建图表或得出科学结论。 本文所报告的工作均由作者完成。F.T、PR.W：撰写初稿、软件、方法学、可视化、验证及数据管理。SY.T：调查与方法学。FF.B：监督。QR.L：监督、方法学、数据管理。XY.J、YX.X：文献检索与数据分析。

材料

本文使用的材料清单
姓名公司目录编号评论
AddModuleScoreSeurat 函数版本 4.4.0NA
AUCellBioconductor版本 1.32.0RRID:SCR_021327
角标CRAN版本 7.0.1RRID:SCR_022524
celda / decontXBioconductor版本 1.24.0NA
CellChatGitHub / CellChat版本 2.2.0RRID:SCR_021946
CIBERSORT / LM22 特征矩阵CIBERSORTLM22NA
clusterProfilerBioconductor版本 4.12.6RRID:SCR_016884
CytoscapeCytoscape 联盟版本 3.10RRID:SCR_003032
DoubletFinderGitHub / McGinnis 实验室版本 2.0.4NA
e1071CRAN版本 1.7.16NA
胶质母细胞瘤CRAN版本 2.2.2NA
基因表达综合数据库（Gene Expression Omnibus, GEO）美国国家生物技术信息中心 (NCBI)GSE41177NA
基因表达综合数据库（Gene Expression Omnibus, GEO）NCBIGSE79768NA
基因表达综合数据库（Gene Expression Omnibus, GEO）NCBIGSE115574NA
基因表达综合数据库（Gene Expression Omnibus, GEO）NCBIGSE14975NA
基因表达综合数据库（Gene Expression Omnibus, GEO）NCBIGSE165838NA
glmnetCRAN版本 4.1.8NA
和谐CRAN版本 1.2.4NA
limmaBioconductor版本 3.60.6RRID:SCR_010943
质量CRAN版本 7.3.61NA
mboostCRAN版本 2.9.11NA
MonocleBioconductor版本 2.38.0RRID:SCR_016339
org.Hs.eg.dbBioconductor版本 3.19.1NA
plsRglmCRAN版本 1.5.1NA
pROCCRAN版本 1.18.5RRID:SCR_024286
R 统计软件R 统计计算基金会版本 4.4.2RRID:SCR_001905
randomForestCRAN版本 4.7.1.2RRID:SCR_015718
RStudioPosit Software, PBC版本 2024.4.1.748RRID:SCR_000432
SeuratCRAN / Satija 实验室版本 4.4.0RRID:SCR_016341
shapvizCRAN版本 0.10.2NA
svaBioconductor版本 3.52.0NA
WGCNACRAN版本 1.73RRID:SCR_003302
xgboostCRAN版本 1.7.8.1NA

参考文献

  1. Saleh K, Haldar S. Atrial fibrillation: a contemporary update. Clin Med (Lond). 2023;23(5):437-41.
  2. Lemme M, et al. Atrial-like engineered heart tissue: an in vitro model of the human atrium. Stem Cell Reports. 2018;11(6):1378-90.
  3. van Gorp PRR, Trines SA, Pijnappels DA, de Vries AAF. Multicellular in vitro models of cardiac arrhythmias: focus on atrial fibrillation. Front Cardiovasc Med. 2020;7:43.
  4. Scherr D, et al. Five-year outcome of catheter ablation of persistent atrial fibrillation using termination of atrial fibrillation as a procedural endpoint. Circ Arrhythm Electrophysiol. 2015;8(1):18-24.
  5. Staerk L, et al. Atrial fibrillation: epidemiology, pathophysiology, and clinical outcomes. Circ Res. 2017;120(9):1501-17.
  6. Schotten U, Verheule S, Kirchhof P, Goette A. Pathophysiological mechanisms of atrial fibrillation: a translational appraisal. Physiol Rev. 2011;91(1):265-325.
  7. Van Wagoner DR, Chung MK. Inflammation, inflammasome activation, and atrial fibrillation. Circulation. 2018;138(20):2243-6.
  8. Yuan M, et al. IP3R1/GRP75/VDAC1 complex mediates endoplasmic reticulum stress-mitochondrial oxidative stress in diabetic atrial remodeling. Redox Biol. 2022;52:102289.
  9. Wang M, Kaufman RJ. Protein misfolding in the endoplasmic reticulum as a conduit to human disease. Nature. 2016;529(7586):326-35.
  10. Ritchie ME, et al. limma powers differential expression analyses for RNA-sequencing and microarray studies. Nucleic Acids Res. 2015;43(7):e47.
  11. Langfelder P, Horvath S. WGCNA: an R package for weighted correlation network analysis. BMC Bioinformatics. 2008;9:559.
  12. Hu H, et al. Dissection of metabolome and transcriptome: insights into capsaicin and flavonoid accumulation in two typical Yunnan Xiaomila fruits. Int J Mol Sci. 2024;25(14):7761.
  13. Chen GY, et al. Integrating network pharmacology and experimental validation to explore the key mechanism of Gubitong Recipe in the treatment of osteoarthritis. Comput Math Methods Med. 2022;2022:7858925.
  14. Chen GY, et al. Prediction of Rhizoma Drynariae targets in the treatment of osteoarthritis based on network pharmacology and experimental verification. Evid Based Complement Alternat Med. 2021;2021:5233462.
  15. Díaz-Uriarte R, Alvarez de Andrés S. Gene selection and classification of microarray data using random forest. BMC Bioinformatics. 2006;7:3.
  16. Saeys Y, Inza I, Larrañaga P. A review of feature selection techniques in bioinformatics. Bioinformatics. 2007;23(19):2507-17.
  17. Statnikov A, Wang L, Aliferis CF. A comprehensive comparison of random forests and support vector machines for microarray-based cancer classification. BMC Bioinformatics. 2008;9:319.
  18. Liu H, et al. Unraveling diethyl phthalate-induced prostate carcinogenesis: core targets revealed by integrated network toxicology, machine learning, and structural validation. Hum Genomics. 2025;19(1):149.
  19. Subramanian A, et al. Gene set enrichment analysis: a knowledge-based approach for interpreting genome-wide expression profiles. Proc Natl Acad Sci U S A. 2005;102(43):15545-50.
  20. Newman AM, et al. Robust enumeration of cell subsets from tissue expression profiles. Nat Methods. 2015;12(5):453-7.
  21. Xu H, et al. Single-cell transcriptomics reveals CCL3+ classical monocyte subset linked to autoimmune pathogenesis. J Inflamm Res. 2025;18:16273-91.
  22. Wang Y, et al. Immunological profiling of rheumatoid factor-positive primary Sjögren’s syndrome by single-cell RNA sequencing. Front Immunol. 2026;17:1822615.
  23. Wiersma M, et al. Endoplasmic reticulum stress is associated with autophagy and cardiomyocyte remodeling in experimental and human atrial fibrillation. J Am Heart Assoc. 2017;6(10):e006458.
  24. Hu HJ, et al. Hydrogen sulfide ameliorates angiotensin II-induced atrial fibrosis progression to atrial fibrillation through inhibition of the Warburg effect and endoplasmic reticulum stress. Front Pharmacol. 2021;12:690371.
  25. Liu Y, et al. Integrative transcriptomic, proteomic, and machine learning approach to identifying feature genes of atrial fibrillation using atrial samples from patients with valvular heart disease. BMC Cardiovasc Disord. 2021;21(1):52.
  26. Fu S, et al. Using integrative bioinformatics approaches and machine-learning strategies to identify potential signatures for atrial fibrillation. Int J Cardiol Heart Vasc. 2025;56:101592.
  27. Wu S, et al. Multiplex proteomics identifies inflammation-related plasma biomarkers for aging and cardio-metabolic disorders. Clin Proteomics. 2024;21(1):30.
  28. Xie Z, et al. Identification and verification of biomarkers and immune infiltration in obesity-related atrial fibrillation. Biology (Basel). 2023;12(1):121.
  29. Huo TM, Wang ZW. Comprehensive analysis to identify key genes involved in advanced atherosclerosis. Dis Markers. 2021;2021:4026604.
  30. Chen M, et al. Weighted gene co-expression network analysis identifies crucial genes mediating progression of carotid plaque. Front Physiol. 2021;12:601952.
  31. Wang S, et al. S100A8/A9 in inflammation. Front Immunol. 2018;9:1298.
  32. Wang Q, et al. Myeloid-specific S100A8/A9 deficiency attenuates atrial fibrillation through prevention of TLR4/NF-κB-mediated immune cell recruitment and inflammation. Front Immunol. 2025;16:1623486.
  33. Wu CL, Yin R, Wang SN, Ying R. A review of CXCL1 in cardiac fibrosis. Front Cardiovasc Med. 2021;8:674498.
  34. Zhang YF, et al. CXCR4 and TYROBP mediate the development of atrial fibrillation via inflammation. J Cell Mol Med. 2022;26(12):3557-67.
  35. Hulsmans M, et al. Recruited macrophages elicit atrial fibrillation. Science. 2023;381(6654):231-9.
  36. van der Net JB, et al. Arachidonate 5-lipoxygenase-activating protein gene and coronary heart disease risk in familial hypercholesterolemia. Atherosclerosis. 2009;203(2):472-8.
  37. Ye X, et al. ALOX5AP predicts poor prognosis by enhancing M2 macrophage polarization and immunosuppression in serous ovarian cancer microenvironment. Front Oncol. 2021;11:675104.
  38. Song P, Deng H, Liu Y, Zhang M. Integrated bioinformatics analysis and experimental validation reveal the relationship between ALOX5AP and the prognosis and immune microenvironment in glioma. BMC Med Genomics. 2024;17(1):218.
  39. Chen S, Tang L, Guillot A, Liu H. Bariatric surgery associates with nonalcoholic steatohepatitis/hepatocellular carcinoma amelioration via SPP1 suppression. Metabolites. 2023;13(1):11.
  40. Ji H, et al. Integrated genomic, transcriptomic, and epigenetic analyses identify a leukotriene synthesis-related M2 macrophage gene signature that predicts prognosis and treatment vulnerability in gliomas. Front Immunol. 2022;13:970702.
  41. Sirish P, et al. The critical roles of proteostasis and endoplasmic reticulum stress in atrial fibrillation. Front Physiol. 2021;12:793171.
  42. Sun Z, et al. Cross-talk between macrophages and atrial myocytes in atrial fibrillation. Basic Res Cardiol. 2016;111(6):63.
  43. Schall TJ, Proudfoot AEI. Overcoming hurdles in developing successful drugs targeting chemokine receptors. Nat Rev Immunol. 2011;11(5):355-63.

访问受限。请登录或开始试用以查看此内容。

重印与许可

标签

医学第234期第234期空值期单细胞分析SHAP分析
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。