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

扩张型心肌病中衰老和线粒体相关枢纽基因的鉴定

52 次观看

⸱

DOI：

10.3791/72286

⸱

2026年8月25日

1Henan University of Chinese Medicine, 2The Second Affiliated Hospital of Henan University of Chinese Medicine

本文内容

摘要

本方案将多维度转录组学数据与机器学习相结合，用于在扩张型心肌病中识别与衰老和线粒体相关的基因，以发现生物标志物并进行分子亚型分类。

摘要

扩张型心肌病（DCM）的特征是左心室扩张和收缩功能障碍，常伴随线粒体功能障碍以及免疫-炎症激活。然而，DCM中与衰老相关的分子特征及线粒体调控通路尚未完全阐明。本研究分析了来自基因表达综合数据库（Gene Expression Omnibus）的六个批量转录组数据集和一个单细胞RNA测序数据集。在完成数据归一化、批次校正和细胞类型注释后，通过差异表达分析、加权基因共表达网络分析以及蛋白质-蛋白质相互作用网络构建，筛选出与衰老和线粒体相关的候选基因。进一步采用最小绝对收缩与选择算子回归、随机森林以及支持向量机-递归特征消除方法筛选核心基因。通过免疫细胞浸润、细胞间通讯和分子分型分析，对DCM中心脏免疫微环境的特征进行了刻画。共鉴定出66个与衰老相关的基因和16个与线粒体相关的基因，这些基因主要富集于缺氧诱导因子-1信号通路、氧化磷酸化以及一氧化氮合酶相关通路。机器学习与单细胞RNA测序分析确定SERPINE1、TGFB2、CYBB和TLR2为核心基因。其中，CYBB和TLR2在单核细胞和巨噬细胞中高表达，而SERPINE1和TGFB2主要在基质细胞中表达。免疫景观分析显示，DCM样本中促炎性巨噬细胞活化增强，细胞间通讯发生改变。根据核心基因的表达模式，DCM样本被划分为两种分子亚型，分别与血管内皮生长因子信号通路和初级胆汁酸生物合成通路相关。本研究提供了一个整合性分析框架，可用于识别DCM中的候选生物标志物和分子亚型。

引言

扩张型心肌病（DCM）是一种以左心室扩张和收缩功能受损为特征的心肌疾病。它是心力衰竭的第三大常见病因，也是全球心脏移植的主要指征1。基于人群的研究估计，其患病率约为每250名成人中有1例，男性患病率更高，且相当比例的病例可归因于单基因变异2。这些发现表明，遗传易感性和环境因素均参与了DCM的发生和发展。

扩张型心肌病（DCM）的发病机制涉及多个相互关联的过程，包括炎症激活、氧化应激、心肌细胞凋亡以及纤维化信号通路的失调。某些炎症相关基因多态性，如肿瘤坏死因子-α启动子变异，已被证实与病毒性DCM的易感性相关3。在人类DCM亚型中，氧化应激水平升高也与心肌细胞死亡及左心室功能障碍相关4。此外，Wnt/β-catenin和钙调磷酸酶/活化T细胞核因子信号通路的异常激活可促进心肌肥厚和间质纤维化，从而推动疾病进展5,6。线粒体功能障碍是DCM的另一重要环节，因为心肌细胞具有较高的能量需求。线粒体生物合成、钙稳态、线粒体自噬以及线粒体DNA完整性的破坏，均可损害氧化磷酸化过程，并导致进行性心脏功能障碍7,8,9,10。

尽管已有这些机制性发现，但仍存在重要的知识空白。特别是，在扩张型心肌病（DCM）的发生和进展过程中，线粒体结构重塑与生物能量功能障碍之间的时间关系和因果关系尚未完全明确11。已有多种治疗策略被研究。干细胞疗法通过旁分泌、细胞保护和免疫调节作用显示出再生潜力，但仍需优化细胞来源、递送途径以及移植后的细胞存活率12。基因治疗策略，包括基于腺相关病毒的递送和基于成簇规律间隔短回文重复序列的基因组编辑，也提供了潜在的精准治疗方案。然而，与心脏趋向性、载体免疫原性以及长期安全性相关的局限性仍未解决13。

来自基因表达综合数据库（Gene Expression Omnibus, GEO）等存储库的公共转录组数据集被广泛用于扩张型心肌病（DCM）的生物标志物发现。这些资源提供了多中心临床队列的访问权限，支持具有成本效益且可重复的研究，并可通过跨数据集整合提高统计效能14。转录组分析还能够实现全基因组范围的候选基因筛选、分子亚型分类以及通路水平的分析15。然而，公共数据集存在固有的局限性，包括技术批次效应、临床和病因学异质性、因果推断能力有限，以及纵向随访或预后信息不完整16。因此，基于公共转录组数据集得出的研究结果最适用于假设生成和候选生物标志物的优先排序，但仍需在独立队列和实验模型中进行验证。

许多关于扩张型心肌病（DCM）的生物信息学研究主要依赖差异表达分析，这种方法可能产生假阳性结果，且无法充分表征心脏组织中的基因共表达网络及细胞异质性。为克服这些局限性，本研究采用了一种整合分析策略，结合多种互补方法。批量转录组分析可提供适用于病例-对照比较的组织水平表达谱。加权基因共表达网络分析（WGCNA）可识别与表型特征相关的基因模块，从而优先筛选功能相关的基因集，而非单个差异表达基因。蛋白质-蛋白质相互作用（PPI）网络分析则基于网络拓扑结构识别高度连接的基因。本研究采用三种机器学习算法——最小绝对收缩与选择算子回归（LASSO回归）、随机森林和支持向量机-递归特征消除——在整合数据集中识别候选生物标志物¹⁷。随后，通过单细胞RNA测序（scRNA-seq）进一步分析细胞类型特异性的表达模式及细胞间通讯网络18。

尽管线粒体功能障碍和与衰老相关的分子改变在扩张型心肌病（DCM）中均已得到研究，但它们与疾病相关转录变化的联合关联仍缺乏深入探讨。本研究整合了多个批量转录组和单细胞RNA测序（scRNA-seq）数据集，以鉴定DCM中与衰老和线粒体相关的枢纽基因，表征心脏免疫微环境，并基于所鉴定的基因分析分子亚型。该整合方法用于优先筛选候选生物标志物，并为后续的机制研究和验证研究提供基础。

访问受限。请登录或开始试用以查看此内容。

方案

所有动物实验均经河南中医药大学第二附属医院实验动物伦理委员会审查和批准（批准号：HNSZYYYJS2023011150）。所有操作均遵循《实验动物福利伦理审查指南》（GB/T 35892-2018）以及替代、减少和优化的3R原则。本研究中使用的试剂、数据库、软件和设备列于材料表中。 

1. 数据资源与实验材料
采用具有自发性扩张型心肌病（DCM）表型、体重为25 ± 2 g的雄性SPF级CTNTR141W转基因小鼠作为模型组。以年龄匹配、体重为25 ± 2 g的雄性SPF级C57BL/6J小鼠作为对照组。每组包含12只小鼠。所有动物均来自持有有效实验动物生产许可证的机构，并饲养于SPF级屏障环境中，环境温度为22 ± 2 °C，相对湿度为40%–60%，光照周期为12小时光照/12小时黑暗，可自由摄取灭菌饲料和饮水。所有小鼠在实验开始前均经过1周的适应性饲养，随后在相同条件下继续饲养4周，再进行心脏功能评估和样本采集。实验开始时所有小鼠均为6–8周龄。小鼠经深度麻醉后通过颈椎脱臼法处死。

从基因表达综合数据库（Gene Expression Omnibus, GEO）19中获取了七套扩张型心肌病（DCM）患者左心室心肌组织的公开转录组数据集。这些数据集包括六个批量转录组数据集和一个单细胞RNA测序（scRNA-seq）数据集GSE145154。分析中同时包含了CD45阳性与CD45阴性细胞组分。在聚类前，将CD45阳性与CD45阴性细胞组分合并处理。样本标识被用作Harmony整合的主要批次变量。纳入了GSE145154中的正常左心室样本与DCM左心室样本，具体为GSM4307515、GSM4307516、GSM4307520和GSM4307521。本研究使用的数据集包括GSE145154、GSE5406、GSE42955、GSE57338、GSE79962、GSE116250和GSE141910。排除了所有非DCM样本，仅保留对照样本（对照组）和DCM样本（DCM组）。经过质量控制后未剔除任何样本。所纳入GEO数据集的样本信息汇总如下：GSE5406包含102个样本（16个对照和86个DCM样本）；GSE42955包含17个样本（5个对照和12个DCM样本）；GSE57338包含231个样本（136个对照和95个DCM样本）；GSE79962包含20个样本（11个对照和9个DCM样本）；GSE116250包含51个样本（14个对照和37个DCM样本）；GSE141910包含322个样本（161个对照和161个DCM样本）。

2. 大样本转录组数据预处理
使用 GEOquery 软件包20下载了六个大样本数据集的原始表达矩阵和临床注释文件。对于 Affymetrix 芯片数据集，获取了原始 CEL 文件；对于 RNA-seq 数据集，获取了原始计数矩阵。芯片数据的背景校正、分位数归一化及表达值计算采用 affy 软件包中实现的稳健多芯片平均算法（robust multi-array average algorithm）进行21。

使用 edgeR 软件包中的修剪均值法（trimmed mean of M-values method）对 RNA-seq 计数数据进行标准化22 并转换为对数值₂每百万转录本计数（counts per million）经转换后用于分析。使用平台特异性的注释文件将探针标识符转换为官方基因符号。当多个探针对应同一基因时，计算其平均表达值。

使用 sva 软件包中的 ComBat 算法消除了不同数据集之间的技术批次效应23。将数据集来源和检测平台指定为批次因子。在批次校正前后均进行了主成分分析，以评估批次效应去除的效果。

3. 单细胞转录组数据预处理与细胞注释
从 GSE145154 获取的基因表达矩阵被导入 Seurat，并使用 Seurat 版本 524 构建 Seurat 对象。采用以下阈值排除低质量细胞：每个细胞检测到的基因为 200–6,000 个，总唯一分子标识符（UMI）计数大于 500，线粒体基因百分比低于 25%。超出这些质控阈值的细胞被视为低质量或破裂细胞而被剔除。我们仅依据上述质控阈值排除低质量细胞。

使用 NormalizeData 函数对数据进行对数归一化处理，归一化因子为 10,000。采用 vst 方法通过 FindVariableFeatures 函数筛选出前 3,000 个高变基因。随后使用 ScaleData 对数据进行标准化，接着进行主成分分析以实现线性降维。

使用 Harmony 算法25 通过 RunHarmony 函数校正批次效应，其中将样本身份指定为分组变量。利用前 15 个主成分，通过 FindNeighbors 和 FindClusters 函数对细胞进行聚类。采用 Leiden 算法在分辨率为 0.15 的条件下进行聚类。使用统一流形近似与投影（uniform manifold approximation and projection）进行非线性降维和可视化。

使用经典标记基因以及基于SingleR软件包的自动注释方法对细胞类型进行注释26。标记基因如下：B细胞，IGKC、MS4A1和CD79A；心肌细胞，TNNI3、MYL2和ACTC1；内皮细胞，VWF、PECAM1和EGFL7；巨噬细胞，C1QC、C1QB和C1QA；单核细胞，S100A8、S100A9和G0S2；自然杀伤细胞，NKG7、GNLY和CCL5；平滑肌细胞，MYL9、TAGLN和ACTA2；基质细胞，FBLN1、LUM和DCN；T细胞，CD3E、CD3G和CD3D。

4. 差异表达分析与基因集富集评分
使用 limma 软件包27构建线性模型，以比较扩张型心肌病（DCM）组与健康对照组之间的基因表达水平。将 P 值 < 0.05 且绝对倍数变化大于 1.5（对应绝对 log₂ 倍数变化大于 0.58）的基因定义为显著差异表达基因。

采用单样本基因集富集分析，计算每个样本中与衰老相关及线粒体相关基因集的富集评分28。使用Wilcoxon秩和检验评估扩张型心肌病（DCM）组与健康对照组之间富集评分的差异，以P值＜0.05为具有统计学意义。

在单细胞水平上，使用 Seurat 中的 AddModuleScore 函数计算与衰老相关和线粒体模块的评分。采用 Wilcoxon 秩和检验评估组间模块评分的差异。

衰老相关基因特征从 CellAge 数据库（https://genomics.senescence.info/cells/）获取，线粒体相关基因集从 GeneCards 获取（https://www.genecards.org/）。用于评分的完整基因列表见补充文件 1。

5. 加权基因共表达网络构建
在批量转录组数据中，保留表达方差最高的前5000个蛋白编码基因用于网络构建。应用 pickSoftThreshold 函数计算多个软阈值幂下的无标度拓扑拟合指数。最优阈值确定为能够产生 R2 值高于 0.9 的无标度网络的最小幂值。据此，后续网络分析采用软阈值幂 β = 5。

使用 blockwiseModules 函数构建了一个加权共表达网络，模块最小大小设为 30。计算每个模块特征基因与衰老相关或线粒体富集评分之间的皮尔逊相关系数。将绝对相关系数大于 0.4 且 P < 0.001 的模块视为显著相关模块。

将显著相关模块中的基因与差异表达基因取交集，以鉴定与扩张型心肌病相关的衰老候选基因及与扩张型心肌病相关的线粒体候选基因。

6. 功能富集分析
使用 clusterProfiler 软件包对候选基因进行功能富集分析，包括基因本体（Gene Ontology, GO）和京都基因与基因组百科全书（Kyoto Encyclopedia of Genes and Genomes, KEGG）通路分析29。GO 富集分析涵盖三个标准类别：生物过程、细胞组分和分子功能。

所有分析均采用人类物种注释，以错误发现率（FDR）对 P 值进行校正，q 值阈值设为 0.05。基因集限定大小范围为 10–500 个基因，且 FDR 小于 0.05 的术语被保留。 < 0.05 被定义为具有统计学显著性。最后，对 GO 富集结果进行可视化展示 通过 分组柱状图用于展示数据，而KEGG富集结果则采用气泡图进行展示。

7. 蛋白质-蛋白质相互作用网络构建与枢纽基因筛选
将候选基因提交至 STRING 11.5 版数据库30，设定物种为 Homo sapiens，相互作用置信度阈值为综合评分大于 0.7。隐藏无连接的节点，并以制表符分隔值格式导出相互作用数据。

相互作用数据被导入 Cytoscape 3.9.1 版本进行可视化31。使用 CytoHubba 插件32通过三种算法计算节点拓扑得分：Degree、最大邻域组分和最大团中心性。

使用MCODE插件33并设置以下默认参数鉴定网络中的核心功能模块：度值截断值为2；k-核值为2；节点得分截断值为0.2；最大深度为100。将三种拓扑算法排名均位于前10的基因与MCODE核心子网络中的基因取交集，以确定最终的蛋白质-蛋白质相互作用枢纽基因。

8. 基于机器学习的核心基因筛选与诊断模型构建
为确保可重复性与均衡的样本代表性，采用固定随机种子（seed = 123456）将整合的批量转录组数据集按7:3的比例随机划分为训练集和验证集。该划分过程根据疾病分组（DCM vs. 对照组）进行分层，以保证两个数据集中各类别的比例一致。在数据划分前，使用sva包校正来自不同数据源的批次效应，并在随机分配过程中将整合后的样本视为一个统一的队列进行处理。

应用了三种机器学习算法来筛选候选基因。首先，进行了LASSO逻辑回归分析 通过 glmnet 包中的 cv.glmnet 函数34采用5折交叉验证构建二分类模型，并以AUC作为评估指标。保留在lambda.min处具有非零系数的基因为候选基因。

其次，使用 randomForest 软件包构建了一个包含 500 棵决策树的随机森林分类模型35。每次分裂时选取的变量数目设置为特征总数的平方根。基因重要性基于基尼系数进行量化，并保留重要性评分最高的前 10 个基因。

第三，使用 caret 软件包中的 rfe 函数36进行 SVM-RFE 分析。设定特征数量范围为 1–10，并采用 5 折交叉验证进行模型训练。最终选择具有最优交叉验证准确率的基因子集。

通过三种算法均鉴定出的基因为最终确定的 DCM 中核心衰老及线粒体相关基因。随后使用 10 种分类算法构建诊断模型：决策树、梯度提升机、提升型广义线性模型、k-最近邻、逻辑回归、神经网络、偏最小二乘、随机森林、支持向量机和极端梯度提升。

使用 pROC 软件包生成受试者工作特征曲线37。计算曲线下面积、准确性、敏感性和特异性，以评估训练集和验证集中的诊断性能。

SHapley 可加性解释分析用于计算每个核心基因对模型预测的贡献38. 汇总图和每样本瀑布图已生成。在验证集中曲线下面积大于0.8的最终诊断模型被认为具有良好的诊断性能。

9. 细胞间通讯推断
使用 CellChat 软件包推断心脏微环境中的细胞间通讯网络39。利用 CellChatDB.human 数据库构建 CellChat 对象。通过 identifyOverExpressedGenes 鉴定差异表达的配体和受体，并通过 identifyOverExpressedInteractions 筛选具有显著性的相互作用配对。

使用 computeCommunProb 计算细胞类型间的通信概率。利用 aggregateNet 汇总全局细胞类型水平的通信网络。通过热图和柱状图对每对细胞类型之间的相互作用数量和通信强度进行量化和可视化。

10. 免疫细胞浸润定量分析
使用单样本基因集富集分析28及免疫细胞特征基因集40，计算每个批量样本中28种免疫细胞类型的富集评分。采用Wilcoxon秩和检验比较扩张型心肌病（DCM）组与健康对照组之间的免疫细胞富集评分差异。以 P < 0.05 为差异具有统计学意义。

采用皮尔逊相关性分析评估核心基因表达水平与免疫细胞富集评分之间的关联。所有相关性分析中，P 值小于 0.05 者视为具有统计学意义。 < 0.05 被视为具有统计学意义。

11. 用于分子分型的共识聚类
使用核心基因表达谱对中国台湾扩张型心肌病样本进行无监督共识聚类 通过 ConsensusClusterPlus 软件包41聚类参数设置为最大聚类数6，重采样迭代次数1000次，重采样比例0.8。采用欧氏距离进行围绕中心点的划分聚类（Partitioning around medoids），并使用固定的随机种子以确保结果可重复。

根据面积差值图和共识聚类稳定性评分确定最优亚型数量，最终确定 K = 2。进一步进行主成分分析以验证两种分子亚型的显著分离。

采用基因集变异分析42计算样本特异性的 KEGG 通路富集分数。使用 limma 软件包27检测不同亚型间通路激活的差异，以 P 值小于 0.05 定义为具有统计学意义。

12. 心脏功能的超声心动图评估
小鼠被麻醉 通过 腹腔注射1%戊巴比妥钠（30 mg/kg）后，将动物仰卧位固定于恒温手术台上。去除胸部毛发后，将超声耦合凝胶均匀涂抹于心前区。

采用小动物超声系统，在左心室乳头肌水平进行二维引导的M型超声心动图检查。采集三个连续且稳定的心动周期，用于测量左心室舒张末期内径、收缩末期内径、射血分数及缩短分数。所有超声心动图评估均由一名专业超声技师盲法完成。

每组随机选取三只小鼠进行超声心动图检查，随后处死这共计6只动物以采集心肌组织并进行ELISA检测。其余实验动物接受了额外的平行实验室检测，但其数据未纳入本研究。

13. 心肌组织采集、蛋白质提取及酶联免疫吸附测定
经超声心动图评估后，在深度麻醉下处死小鼠，迅速采集心脏组织 通过 正中开胸术，并在冰上解剖左心室心肌。分离的组织用冰冷的磷酸盐缓冲液充分冲洗，以去除残留的心内血液。用无菌滤纸吸去多余液体后，样本立即在液氮中速冻，并储存于−80 °C 后续进行蛋白质提取时，须严格避免反复冻融循环。

将冷冻的心肌组织称重后置于冰上，切成约1 mm3的碎片。按照每10 mg组织加入100 µL裂解缓冲液的标准比例，使用含蛋白酶和磷酸酶抑制剂的预冷RIPA裂解缓冲液对组织进行裂解。样品在冰上通过机械方式充分匀浆，并于冰上孵育30分钟，以实现完全的细胞裂解。

裂解物在 4 °C 条件下以 12,000 × g 离心 15 分钟。收集上清液至无酶管中，使用二辛可宁酸蛋白检测试剂盒按照生产商的说明书定量总蛋白浓度。所有样品均用裂解缓冲液调整至相同的蛋白浓度。

采用相应的酶联免疫吸附测定（ELISA）试剂盒检测心肌裂解液中四个枢纽基因的蛋白质表达水平。将系列稀释的标准品和归一化的组织裂解液以每孔100 µL的体积重复加入预包被的微孔板中。微孔板于室温孵育2小时，随后使用试剂盒提供的洗涤缓冲液充分洗涤。

每孔加入酶标抗体，室温孵育1小时，随后彻底洗涤。然后加入底物显色液，酶标板在避光条件下室温孵育20分钟。加入终止液终止显色反应，使用全波长酶标仪在450 nm波长（参考波长：570 nm）测定吸光度值。

14. 统计分析
所有统计分析和数据可视化均使用 R 4.2.3 版本完成。对于每个目标基因（TGFB2、SERPINE1、CYBB、TLR2）的 ELISA 浓度测量值，首先分别对对照组和 DCM 组应用 Shapiro-Wilk 检验以评估数据的正态性。随后使用 F 检验评估两组间方差的齐性。组间比较方法根据方差齐性检验结果确定：若方差齐性（P ≥ 0.05），采用非配对 Student t 检验比较组间均值；若方差不齐（P < 0.05），则采用校正的 Welch t 检验进行分析。所有检验均为双尾检验，统计学显著性阈值设定为 P < 0.05。数据以箱线图表示，并叠加抖动显示的单个数据点。所有检验的 P 值及所用 t 检验类型均在图中详细标注。

访问受限。请登录或开始试用以查看此内容。

结果

数据预处理与差异表达分析
所有六个批量转录组数据集在进行下游分析之前均经过标准化预处理和批次效应校正。微阵列数据采用稳健多阵列平均算法进行归一化，而RNA-seq计数数据则采用M值的修剪均值法（TMM）进行归一化。使用ComBat算法去除与数据集来源和检测平台相关的技术性批次效应。主成分分析显示，校正前样本按数据集来源聚类，而校正后样本分布更为均匀，且无明显的批次分离现象。

使用 limma 软件包对扩张型心肌病（DCM）组与健康对照（HC）组之间进行了差异表达分析。20 个差异最显著的基因的热图显示两组之间的表达谱存在分离（图 1A）。采用 P 值 < 0.05 且 |log₂ 倍数变化| > 0.58 作为阈值，共鉴定出 1,473 个差异表达基因。其中，在 DCM 心肌样本中，819 个基因上调，654 个基因下调（图 1B）。

随后采用单样本基因集富集分析，计...

访问受限。请登录或开始试用以查看此内容。

讨论

整合的多层工作流程结合了大规模转录组学荟萃分析、加权基因共表达网络构建、集成机器学习、单细胞转录组验证以及体内动物模型验证。研究鉴定出四个与衰老和线粒体相关的中心基因CYBB、SERPINE1、TGFB2和TLR2，作为扩张型心肌病（DCM）潜在的诊断生物标志物。整合来自基因表达综合数据库（Gene Expression Omnibus）的六个独立左心室转录组数据集，包括微阵列和RNA测序平台，减少了单个数据集带来的偏差，并增强了分析的统计学基础43,44,45。加权基因共表达网络分析结合预定义的衰老相关和线粒体基因集合，能够识别与表型相关的功能模块，而非仅依赖差异表达分析46。集成机器学习降低了单一特征选择方法所固有的算法偏差47,48，而SHapley加性解释（SHa...

访问受限。请登录或开始试用以查看此内容。

披露

作者声明无竞争利益。

致谢

感谢Gene Expression Omnibus数据库提供的公开可用数据。同时感谢审稿人和编辑对稿件提出的建设性意见。本研究由省级部门级科研项目（项目编号：2021JDZX2026）“益气活血方减轻动脉粥样硬化性血管重构的机制”资助。 通过 KLF2-Nrf2介导的炎症调控

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
超声耦合剂 Aquasonic ClearParker Laboratories, Inc.Mar-34用于小动物超声心动图成像。
BCA 蛋白检测试剂盒Thermo Fisher Scientific23227在 562 nm 处检测；检测范围为 20–2,000 µg/mL；用于小鼠心脏组织裂解液的总蛋白定量。
CellAge 数据库Human Ageing Genomic Resourceshttps://genomics.senescence.info/cells/衰老相关基因特征的来源。
CytoHubba（Cytoscape 插件）Cytoscape App Store版本 0.1用于蛋白质-蛋白质相互作用网络中的节点拓扑评分。
CytoscapeCytoscape Consortium版本 3.9.1用于蛋白质-蛋白质相互作用网络的可视化。
全波长酶标仪Thermo Fisher ScientificMultiskan FC用于 ELISA 实验中的吸光度测定。
基因表达综合数据库（Gene Expression Omnibus）美国国家生物技术信息中心（National Center for Biotechnology Information）https://www.ncbi.nlm.nih.gov/geo/公共数据库，用于获取转录组数据集。
GeneCards魏茨曼科学研究所（Weizmann Institute of Science）https://www.genecards.org/线粒体相关基因集的来源。
Halt 蛋白酶与磷酸酶抑制剂混合液（100×，无 EDTA）Thermo Fisher Scientific784414 °C 保存；使用前立即以 10 µL/mL 的比例加入 RIPA 缓冲液中。
液氮本地实验室气体供应商不适用用于心肌组织的速冻处理。
雄性 SPF 级 C57BL/6J 小鼠，6–8 周龄，25 ± 2 g北京维通利华实验动物技术有限公司不适用动物生产许可证号：SCXK（京）2021-0006；作为正常对照组使用。
雄性 SPF 级 CTNTR141W 转基因扩张型心肌病（DCM）小鼠，6–8 周龄，25 ± 2 g中国医学科学院实验动物研究所不适用动物生产许可证号：SCXK（京）2021-0065；作为自发性 DCM 模型使用。
MCODE（Cytoscape 插件）Cytoscape App Store版本 2.0.2用于识别蛋白质-蛋白质相互作用网络中的核心功能子网络。
小鼠 CYBB ELISA 试剂盒BiogradetechA-QEK09250-96wells本研究中用于测定小鼠心肌组织裂解液中的 CYBB 水平。
小鼠 PAI-1 ELISA 试剂盒EK-BIOML30970本研究中用于测定小鼠心肌组织裂解液中由 SERPINE1 编码的蛋白 PAI-1 的水平。
小鼠 TGF-β2 ELISA 试剂盒ElaBoXSEKM-0036本研究中用于测定小鼠心肌组织裂解液中的 TGF-β2 水平。
小鼠 TLR-2 ELISA 试剂盒SolarbioSEKM-0163本研究中用于测定小鼠心肌组织裂解液中的 TLR-2 水平。
磷酸盐缓冲液（PBS），pH 7.4，无钙无镁Biological Industries02-024-1ACS无菌 1× 溶液；4 °C 保存；用于组织洗涤和稀释。
R 软件包：caretCRAN版本 6.0-94用于支持向量机-递归特征消除分析。
R 软件包：CellChatCellChat 开发团队版本 1.6.1用于基于单细胞 RNA 测序数据推断细胞间通讯。
R 软件包：clusterProfilerBioconductor版本 4.8.3用于功能富集分析。
R 软件包：ConsensusClusterPlusBioconductor版本 1.64.0用于无监督一致性聚类分析。
R 软件包：edgeRBioconductor版本 3.42.4用于采用 M 值截尾均值法对 RNA 测序数据进行标准化。
R 软件包：GEOqueryBioconductor版本 2.68.0用于从基因表达综合数据库（Gene Expression Omnibus）下载数据。
R 软件包：glmnetCRAN版本 4.1-8用于最小绝对收缩与选择算子（LASSO）逻辑回归分析。
R 软件包：limmaBioconductor版本 3.56.2用于差异表达分析与统计建模。
R 软件包：pROCCRAN版本 1.18.5用于受试者工作特征（ROC）曲线分析。
R 软件包：randomForestCRAN版本 4.7-1.2用于随机森林机器学习分析。
R 软件包：SeuratCRAN版本 5.0.1用于单细胞 RNA 测序数据分析。
R 软件包：SingleRBioconductor版本 2.2.0用于自动细胞类型注释。
R 软件包：svaBioconductor版本 3.48.0用于 ComBat 批次效应校正。
冷冻离心机Sigma-AldrichSIGMA 3-K用于心肌组织裂解液的离心处理。
RIPA 裂解与提取缓冲液Thermo Fisher Scientific89900即用型 1× 溶液；4 °C 保存；使用前需添加蛋白酶和磷酸酶抑制剂。
小动物超声成像系统VINNO 科技有限公司VINN06LAB用于心脏功能的超声心动图评估。
戊巴比妥钠国药集团化学试剂有限公司20040428配制成 1% 溶液（10 mg/mL）于无菌生理盐水中；以 30 mg/kg 剂量用于腹腔麻醉。
STRING 数据库STRING 联盟版本 11.5用于构建蛋白质-蛋白质相互作用网络。
TGrinder H24 组织匀浆器天根生化科技有限公司OSE-TH-01用于在 RIPA 缓冲液中以 6.0 m/s 的速度对小鼠心肌组织进行匀浆处理，持续 30–60 秒，重复 2–3 个循环。
恒温动物平台/小动物加热手术台上海玉研科学仪器有限公司T-30350用于在超声心动图检查期间维持小鼠体温在 37 °C；工作温度范围为室温至 50 °C。

参考文献

  1. Pinto YM et al. Proposal for a revised definition of dilated cardiomyopathy, hypokinetic non-dilated cardiomyopathy, and its implications for clinical practice: a position statement of the ESC working group on myocardial and pericardial diseases. Eur Heart J. 2016;37(23):1850-1858. https://doi.org/10.1093/eurheartj/ehv727
  2. Newman NA, Burke MA. Dilated Cardiomyopathy: A Genetic Journey from Past to Future. Int J Mol Sci. 2024;25(21):11460. https://doi.org/10.3390/ijms252111460
  3. Mishra B et al. Tumour necrosis factor-alpha promoter polymorphism and its association with viral dilated cardiomyopathy in Indian population: a pilot study. Indian J Med Microbiol. 2015;33(1):16–20. https://doi.org/10.4103/0255-0857.148368
  4. Frustaci A et al. Oxidative myocardial damage in human cocaine-related cardiomyopathy. Eur J Heart Fail. 2015;17(3):283-290. https://doi.org/10.1002/ejhf.219
  5. Ni B et al. The role of β-catenin in cardiac diseases. Front Pharmacol. 2023;14:1157043. https://doi.org/10.3389/fphar.2023.1157043
  6. Kuwahara K et al. TRPC6 fulfills a calcineurin signaling circuit during pathologic cardiac remodeling. J Clin Invest. 2006;116(12):3114-3126. https://doi.org/10.1172/JCI27702
  7. He SL et al. Mitochondrial-related gene expression profiles suggest an important role of PGC-1alpha in the compensatory mechanism of endemic dilated cardiomyopathy. Exp Cell Res. 2013;319(17):2604–2616. https://doi.org/10.1016/j.yexcr.2013.07.017
  8. Luczak ED et al. Mitochondrial CaMKII causes adverse metabolic reprogramming and dilated cardiomyopathy. Nat Commun. 2020;11(1):4416. https://doi.org/10.1038/s41467-020-18165-6
  9. Li E et al. BMAL1 regulates mitochondrial fission and mitophagy through mitochondrial protein BNIP3 and is critical in the development of dilated cardiomyopathy. Protein Cell. 2020;11(9):661–679. https://doi.org/10.1007/s13238-020-00713-1
  10. Alila-Fersi O et al. First description of a novel mitochondrial mutation in the MT-TI gene associated with multiple mitochondrial DNA deletion and depletion in family with severe dilated mitochondrial cardiomyopathy. Biochem Biophys Res Commun. 2018;497(4):1049-1054. https://doi.org/10.1016/j.bbrc.2018.02.162
  11. Ramaccini D et al. Mitochondrial Function and Dysfunction in Dilated Cardiomyopathy. Front Cell Dev Biol. 2020;8:624216. https://doi.org/10.3389/fcell.2020.624216
  12. Yang J et al. Stem cells in the treatment of myocardial injury-induced cardiomyopathy: mechanisms and efficient utilization strategies. Front Pharmacol. 2025;16:1600604. https://doi.org/10.3389/fphar.2025.1600604
  13. Van Linthout S et al. State of the art and perspectives of gene therapy in heart failure. A scientific statement of the Heart Failure Association of the ESC, the ESC Council on Cardiovascular Genomics and the ESC Working Group on Myocardial & Pericardial Diseases. Eur J Heart Fail. 2025;27(1):5–25. https://doi.org/10.1002/ejhf.3516
  14. Alimadadi A, Munroe PB, Joe B, Cheng X. Meta-Analysis of Dilated Cardiomyopathy Using Cardiac RNA-Seq Transcriptomic Datasets. Genes (Basel). 2020;11(1):60. https://doi.org/10.3390/genes11010060
  15. Verdonschot J et al. Clustering of Cardiac Transcriptome Profiles Reveals Unique Subgroups of Dilated Cardiomyopathy Patients. JACC Basic Transl Sci. 2023;8(4):406–418. https://doi.org/10.1016/j.jacbts.2022.10.007
  16. Zhu T et al. Identification and Verification of Feature Biomarkers Associated With Immune Cells in Dilated Cardiomyopathy by Bioinformatics Analysis. Front Genet. 2022;13:874544. https://doi.org/10.3389/fgene.2022.874544
  17. Li H et al. Identification of Centrosome Duplication-Related Biomarkers in Hypertrophic Cardiomyopathy Through Integrative Multi-Omics, Single-Cell Transcriptomics, and Experimental Validation. J Am Heart Assoc. 2026;15(12):e047416. https://doi.org/10.1161/JAHA.125.047416
  18. Ni L et al. Dissecting and validation the biomarker of heart failure progression in patients with atherosclerosis by single-cell sequencing, bioinformatics, and machine learning. Front Genet. 2025;16:1587274. https://doi.org/10.3389/fgene.2025.1587274
  19. Barrett T et al. NCBI GEO: archive for functional genomics data sets--update. Nucleic Acids Res. 2013;41(Database issue):D991–D995. https://doi.org/10.1093/nar/gks1193
  20. Davis S, Meltzer PS. GEOquery: a bridge between the Gene Expression Omnibus (GEO) and BioConductor. Bioinformatics. 2007;23(14):1846-1847. https://doi.org/10.1093/bioinformatics/btm254
  21. Irizarry RA et al. Exploration, normalization, and summaries of high density oligonucleotide array probe level data. Biostatistics. 2003;4(2):249-264. https://doi.org/10.1093/biostatistics/4.2.249
  22. Robinson MD, McCarthy DJ, Smyth GK. edgeR: a Bioconductor package for differential expression analysis of digital gene expression data. Bioinformatics. 2010;26(1):139–140. https://doi.org/10.1093/bioinformatics/btp616
  23. Leek JT et al. The sva package for removing batch effects and other unwanted variation in high-throughput experiments. Bioinformatics. 2012;28(6):882–883. https://doi.org/10.1093/bioinformatics/bts034
  24. Butler A et al. Integrating single-cell transcriptomic data across different conditions, technologies, and species. Nat Biotechnol. 2018;36(5):411-420. https://doi.org/10.1038/nbt.4096
  25. Korsunsky I et al. Fast, sensitive and accurate integration of single-cell data with Harmony. Nat Methods. 2019;16(12):1289-1296. https://doi.org/10.1038/s51592-019-0619-0
  26. Aran D et al. Reference-based analysis of lung single-cell sequencing reveals a transitional profibrotic macrophage. Nat Immunol. 2019;20(2):163-172. https://doi.org/10.1038/s41590-018-0276-y
  27. Ritchie ME et al. limma powers differential expression analyses for RNA-sequencing and microarray studies. Nucleic Acids Res. 2015;43(7):e47. https://doi.org/10.1093/nar/gkv007
  28. Barbie DA et al. Systematic RNA interference reveals that oncogenic KRAS-driven cancers require TBK1. Nature. 2009;462(7269):108-112. https://doi.org/10.1038/nature08460
  29. Yu G et al. clusterProfiler: an R package for comparing biological themes among gene clusters. OMICS. 2012;16(5):284-287. https://doi.org/10.1089/omi.2011.0118
  30. Szklarczyk D et al. STRING v11: protein-protein association networks with increased coverage, supporting functional discovery in genome-wide experimental datasets. Nucleic Acids Res. 2019;47(D1):D607–D613. https://doi.org/10.1093/nar/gky1131
  31. Shannon P et al. Cytoscape: a software environment for integrated models of biomolecular interaction networks. Genome Res. 2003;13(11):2498-2504. https://doi.org/10.1101/gr.1239303
  32. Chin CH et al. cytoHubba: identifying hub objects and sub-networks from complex interactome. BMC Syst Biol. 2014;8(Suppl 4):S11. https://doi.org/10.1186/1752-0509-8-S4-S11
  33. Bader GD, Hogue CW. An automated method for finding molecular complexes in large protein interaction networks. BMC Bioinformatics. 2003;4:2. https://doi.org/10.1186/1471-2105-4-2
  34. Friedman J, Hastie T, Tibshirani R. Regularization Paths for Generalized Linear Models via Coordinate Descent. J Stat Softw. 2010;33(1):1-22. https://doi.org/10.18637/jss.v033.i01
  35. Touw WG et al. Data mining in the Life Sciences with Random Forest: a walk in the park or lost in the jungle. Brief Bioinform. 2013;14(3):315-326. https://doi.org/10.1093/bib/bbs034
  36. Chicco D. Ten quick tips for machine learning in computational biology. BioData Min. 2017;10:35. https://doi.org/10.1186/s13040-017-0155-3
  37. Robin X et al. pROC: an open-source package for R and S+ to analyze and compare ROC curves. BMC Bioinformatics. 2011;12:77. https://doi.org/10.1186/1471-2105-12-77
  38. Lundberg SM et al. From Local Explanations to Global Understanding with Explainable AI for Trees. Nat Mach Intell. 2020;2(1):56-67. https://doi.org/10.1038/s42256-019-0138-9
  39. Jin S et al. Inference and analysis of cell-cell communication using CellChat. Nat Commun. 2021;12(1):1088. https://doi.org/10.1038/s41467-021-21246-9
  40. Charoentong P et al. Pan-cancer Immunogenomic Analyses Reveal Genotype-Immunophenotype Relationships and Predictors of Response to Checkpoint Blockade. Cell Rep. 2017;18(1):248–262. https://doi.org/10.1016/j.celrep.2016.12.019
  41. Wilkerson MD, Hayes DN. ConsensusClusterPlus: a class discovery tool with confidence assessments and item tracking. Bioinformatics. 2010;26(12):1572–1573. https://doi.org/10.1093/bioinformatics/btq170
  42. Hänzelmann S, Castelo R, Guinney J. GSVA: gene set variation analysis for microarray and RNA-seq data. BMC Bioinformatics. 2013;14:7. https://doi.org/10.1186/1471-2105-14-7
  43. Zheng Y et al. Exploring Key Genes to Construct a Diagnosis Model of Dilated Cardiomyopathy. Front Cardiovasc Med. 2022;9:865096. https://doi.org/10.3389/fcvm.2022.865096
  44. Johnson WE, Li C, Rabinovic A. Adjusting batch effects in microarray expression data using empirical Bayes methods. Biostatistics. 2007;8(1):118-127. https://doi.org/10.1093/biostatistics/kxj037
  45. Koslow M, Mondaca-Ruff D, Xu X. Transcriptome studies of inherited dilated cardiomyopathies. Mamm Genome. 2023;34(2):312-322. https://doi.org/10.1007/s00335-023-09978-z
  46. Zhang B, Horvath S. A general framework for weighted gene co-expression network analysis. Stat Appl Genet Mol Biol. 2005;4:Article17. https://doi.org/10.2202/1544-6115.1128
  47. Lin M et al. Machine learning and multi-omics integration: advancing cardiovascular translational research and clinical practice. J Transl Med. 2025;23(1):388. https://doi.org/10.1186/s12967-025-06425-2
  48. Climente-González H et al. Interpretable machine learning leverages proteomics to improve cardiovascular disease risk prediction and biomarker identification. Commun Med (Lond). 2025;5(1):170. https://doi.org/10.1038/s43856-025-00872-0
  49. Shah P et al. Predicting cardiovascular risk with hybrid ensemble learning and explainable AI. Sci Rep. 2025;15(1):17927. https://doi.org/10.1038/s41598-025-01650-7
  50. Chaffin M et al. Single-nucleus profiling of human dilated and hypertrophic cardiomyopathy. Nature. 2022;608(7921):174-180. https://doi.org/10.1038/s41586-022-04817-8
  51. Juan F et al. The changes of the cardiac structure and function in cTnTR141W transgenic mice. Int J Cardiol. 2008;128(1):83-90. https://doi.org/10.1016/j.ijcard.2008.03.006
  52. Russell-Hallinan A et al. Single-Cell RNA Sequencing Reveals Cardiac Fibroblast-Specific Transcriptomic Changes in Dilated Cardiomyopathy. Cells. 2024;13(9):752. https://doi.org/10.3390/cells13090752
  53. Knowlton KU. Dilated Cardiomyopathy. Circulation. 2019;139(20):2339-2341. https://doi.org/10.1161/CIRCULATIONAHA.119.040037
  54. Smith GD, Ebrahim S. Mendelian randomization: prospects, potentials, and limitations. Int J Epidemiol. 2004;33(1):30-42. https://doi.org/10.1093/ije/dyh132
  55. Chen R et al. Macrophages in cardiovascular diseases: molecular mechanisms and therapeutic targets. Signal Transduct Target Ther. 2024;9(1):130. https://doi.org/10.1038/s41392-024-01840-1
  56. Liu R et al. Tead1 is essential for mitochondrial function in cardiomyocytes. Am J Physiol Heart Circ Physiol. 2020;319(1):H89-H99. https://doi.org/10.1152/ajpheart.00732.2019
  57. Sharma S et al. SOD2 deficiency in cardiomyocytes defines defective mitochondrial bioenergetics as a cause of lethal dilated cardiomyopathy. Redox Biol. 2020;37:101740. https://doi.org/10.1016/j.redox.2020.101740

访问受限。请登录或开始试用以查看此内容。

重印与许可

探索更多文章

线粒体功能障碍衰老相关基因批量转录组学单细胞RNA基因共表达蛋白质相互作用网络免疫细胞浸润机器学习生物标志物分子分型
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。