Methodenartikel

Eine medizinische Entscheidungsunterstützungsplattform zur Identifizierung von Thrombospondin 1 bei nichtalkoholischer Fettlebererkrankung mittels Immuninfiltrationsanalyse

704 Ansichten

⸱

DOI:

10.3791/67328

⸱

30. August 2024

 ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
1Department of Geriatric Cardiology, General Hospital of Southern Theater Command, 2Guangzhou Key Laboratory of Cardiac Rehabilitation, 3Branch of National Clinical Research Center for Geriatric Diseases, Chinese PLA General Hospital, 4The First School of Clinical Medicine, Southern Medical University, 5Zhujiang Hospital, Southern Medical University, Cardiovascular Department/The Second School of Clinical Medicine, Southern Medical University, 6Department of Electronics & Communication Engineering, Mepco Schlenk Engineering College, 7Department of Teleinformatics Engineering, Federal University of Ceará

In diesem Artikel

Zusammenfassung

Diese Studie untersuchte die Beziehungen zwischen nichtalkoholischer Fettlebererkrankung (NAFLD) und Myokardinfarkt (MI) durch co-exprimierte Gene und identifizierte Thrombospondin 1 (THBS1) als Biomarker. Die Immuninfiltrationsanalyse ergab CD8+ T-Zellen und Neutrophile als Schlüsselfaktoren, wobei THBS1 Potenzial als diagnostisches Instrument für NAFLD und MI zeigt.

Zusammenfassung

Die nichtalkoholische Fettlebererkrankung (NAFLD) und der Myokardinfarkt (MI) sind zwei der größten gesundheitlichen Belastungen mit einer signifikanten Prävalenz und Mortalität. Ziel dieser Studie war es, die co-exprimierten Gene zu erforschen, um die Beziehung zwischen NAFLD und MI zu verstehen und potenzielle entscheidende Biomarker für NAFLD-bedingten MI mithilfe von Bioinformatik und maschinellem Lernen zu identifizieren. Es wurde eine funktionelle Anreicherungsanalyse durchgeführt, ein Co-Protein-Interaktions-Netzwerkdiagramm (PPI) erstellt und Support Vector Machine-Recursive Feature Elimination (SVM-RFE) und LASSO-Techniken (Least Absolute Shrinkage and Selection Operator) eingesetzt, um ein differentiell exprimiertes Gen (DEG), Thrombospondin 1 (THBS1), zu identifizieren. THBS1 zeigte eine starke Leistung bei der Unterscheidung von NAFLD-Patienten (AUC = 0,981) und MI-Patienten (AUC = 0,900). Die Immuninfiltrationsanalyse ergab signifikant niedrigere CD8+ T-Zellen und höhere Neutrophilenspiegel bei Patienten mit NAFLD und MI. CD8+ T-Zellen und Neutrophile waren wirksam bei der Unterscheidung von NAFLD/MI von gesunden Kontrollen. Die Korrelationsanalyse zeigte, dass THBS1 positiv mit CCR (Chemokinrezeptor), MHC-Klasse (Major Histocompatibility Complex Class), Neutrophilen, Parainflammation und Tfh (follikuläre T-Helferzellen) korrelierte und negativ mit CD8+ T-Zellen, zytolytischer Aktivität und TIL (tumorinfiltrierende Lymphozyten) bei NAFLD- und MI-Patienten korrelierte. THBS1 erwies sich als neuer Biomarker für die Diagnose von NAFLD/MI im Vergleich zu gesunden Kontrollen. Die Ergebnisse deuten darauf hin, dass CD8+ T-Zellen und Neutrophile als entzündliche Immunmerkmale zur Unterscheidung von Patienten mit NAFLD/MI von gesunden Personen dienen könnten.

Einleitung

Die nichtalkoholische Fettlebererkrankung (NAFLD) ist mit einer Prävalenz von 25 % bis 30 % ein großes Problem für die öffentliche Gesundheit1. Es wurde berichtet, dass die Prävalenz von NAFLD bei Patienten mit Diabeteshoch ist 2. Die Bedeutung von NAFLD bei nicht-diabetischen Patienten ist jedoch noch nicht klar. Studien deuten darauf hin, dass NAFLD eine eigenständige Rolle bei der Pathogenese der Atherosklerose spielt 3,4. Darüber hinaus hat eine Metaanalyse gezeigt, dass NAFLD eng mit Koronararterienverkalkung, endothelialer Dysfunktion und Atherosklerose assoziiert ist und sich als eigenständiger kardiovaskulärer Risikofaktor herausgestellthat 5. Der Zusammenhang zwischen NAFLD und Herz-Kreislauf-Erkrankungen bedarf noch weiterer Untersuchungen.

Der Myokardinfarkt (MI) ist eine katastrophale Krankheit, die die Gesundheit bedroht und eine erhebliche wirtschaftliche Belastung für Patienten und ihre Angehörigen weltweit darstellt6. MI ist auch eine der Haupttodesursachen bei Patienten mit NAFLD. Eine klinische Studie, die im British Medical Journal veröffentlicht wurde, hat gezeigt, dass das Risiko eines Myokardinfarkts bei NAFLD-Patienten 1,17-mal höher ist als bei Nicht-NAFLD-Patienten 7,8. Einige Studien haben molekulare Signalwege identifiziert, einschließlich Entzündungen, oxidativer Stress und Fettstoffwechsel, die zu NAFLD-bedingtem MIbeitragen 9,10,11. Die zugrundeliegenden Mechanismen, die NAFLD und MI verbinden, sind jedoch nach wie vor unklar. Es ist von entscheidender Bedeutung, neue Biomarker zu identifizieren, die mit der Prognose von NAFLD und MI zusammenhängen.

Die zunehmende Prävalenz von NAFLD, von der ein breiter Teil der Bevölkerung betroffen ist, unterstreicht ein erhebliches Problem für die öffentliche Gesundheit, insbesondere angesichts des Zusammenhangs mit Diabetes. Die Auswirkungen von NAFLD auf Nicht-Diabetiker sind jedoch nach wie vor wenig verstanden. NAFLD wurde mit der Pathogenese der Atherosklerose in Verbindung gebracht und gilt als unabhängiger kardiovaskulärer Risikofaktor, der eng mit der Verkalkung der Koronararterien, der endothelialen Dysfunktion und der Atherosklerose verbunden ist. Trotz dieser Zusammenhänge müssen die genauen Mechanismen, die NAFLD und Herz-Kreislauf-Erkrankungen wie Myokardinfarkt (MI) überbrücken, weiter aufgeklärt werden. Myokardinfarkt ist eine der häufigsten Todesursachen weltweit und stellt eine erhebliche wirtschaftliche Belastung dar. Das Risiko für MI bei NAFLD-Patienten ist deutlich höher als bei Patienten ohne NAFLD, was die Notwendigkeit eines tieferen Verständnisses der molekularen Signalwege, die diese Erkrankungen verbinden, unterstreicht. Während Entzündungen, oxidativer Stress und Fettstoffwechsel als beitragende Faktoren vermutet wurden, bleiben die genauen Mechanismen unklar. Es besteht ein dringender Bedarf, neue Biomarker zu identifizieren, die Einblicke in die Prognose und das Management von NAFLD-bedingtem MI geben können.

Folglich wurden in dieser Studie RNA-Microarray-Datensätze für NAFLD und MI vom National Center for Biotechnology Information-Gene Expression Omnibus (NCBI-GEO, siehe Table of Materials) heruntergeladen, um die Interaktion von differentiell exprimierten Genen (DEGs) zwischen NAFLD und MI zu identifizieren und zu analysieren. Anreicherungsanalyse, Erstellung von Netzwerkdiagrammen für Protein-Protein-Interaktion (PPI), Support Vector Machine-recursive Feature Elimination (SVM-RFE), und LASSO-Algorithmen (Least Absolute Shrinkage and Selection Operator) wurden verwendet, um die Hub-Gene 12,13,14,15,16,17,18,19 zu identifizieren. Eine Immuninfiltrationsanalyse wurde durchgeführt, um Immunzellen bei NAFLD- und MI-Patienten zu untersuchen. Letztendlich wurden diese Methoden integriert, um die Beziehung zwischen NAFLD und MI aufzuklären. Abbildung 1 veranschaulicht die Designreihenfolge, die in dieser Studie verfolgt wurde. Durch die Kombination von Bioinformatik, maschinellem Lernen und Immuninfiltrationsanalyse soll diese Studie zur Entwicklung einer neuartigen medizinischen Entscheidungsunterstützungsplattform beitragen.

Die wichtigsten Beiträge dieses Artikels sind: (1) Identifizierung von co-exprimierten Genen: Die Studie beleuchtet die Beziehung zwischen NAFLD und MI durch die Identifizierung von co-exprimierten Genen und bietet ein tieferes Verständnis der molekularen Zusammenhänge zwischen diesen beiden Erkrankungen. (2) Anwendung von Bioinformatik und maschinellem Lernen: Unter Verwendung von Bioinformatik und maschinellen Lerntechniken, einschließlich Support Vector machine-recursive Feature Elimination (SVM-RFE)17 und Least Absolute Shrinkage and Selection Operator (LASSO)19, identifiziert die Studie THBS1 als differentiell exprimiertes Gen. THBS1 zeigt eine hohe Leistung bei der Unterscheidung von NAFLD- und MI-Patienten von gesunden Kontrollen. (3) Immuninfiltrationsanalyse: Die Studie führt eine Immuninfiltrationsanalyse durch, die signifikant niedrigere Spiegel von CD8+ T-Zellen und höhere Spiegel von Neutrophilen bei Patienten mit NAFLD und MI zeigt. (4) Korrelationsanalyse: Die Forschung zeigt, dass THBS1 positiv mit mehreren Immunfaktoren korreliert, darunter CCR (Chemokinrezeptor), MHC Klasse I (Haupthistokompatibilitätskomplex Klasse I), Neutrophile, Parainflammation und Tfh-Zellen (follikuläre Helfer-T). Es ist negativ korreliert mit CD8+ T-Zellen, zytolytischer Aktivität und tumorinfiltrierenden Lymphozyten (TIL).

Protokoll

Die Details zu den verwendeten Datenbanken, Weblinks und Software/Paketen sind in der Materialtabelle aufgeführt. Die verwendeten Simulationsparameter sind in Tabelle 1 aufgeführt.

1. Beschaffung von RNA-Microarray-Datensätzen

  1. Laden Sie den Datensatz für Myokardinfarkt (MI) GSE66360 aus der NCBI-GEO-Datenbank herunter.
  2. Laden Sie den Datensatz zur nichtalkoholischen Fettlebererkrankung (NAFLD) GSE89632 aus der NCBI-GEO-Datenbank herunter.
  3. Stellen Sie sicher, dass die heruntergeladenen Datasets 49 MI-Stichproben, 50 fehlerfreie Kontrollen für GSE66360, 39 NAFLD-Stichproben und 24 fehlerfreie Kontrollen für GSE89632 enthalten.

2. Identifizierung der DEGs

  1. Datenvorverarbeitung und DEG-Identifizierung
    1. Laden Sie die Datasets mit den entsprechenden R-Funktionen in RStudio .
    2. Verwenden Sie das R-Paket limma , um DEGs12 mit den folgenden Schwellenwerten zu identifizieren: P < 0,05P und | log FC | > 1,5.
    3. Verwenden Sie die R-Pakete pheatmap, ggplot2 und Venn , um Heatmaps und Venn-Diagramme zur Visualisierung von DEGs zu generieren.
  2. Erstellen von Visualisierungen
    1. Verwenden Sie die Pheatmap, um Heatmaps von DEGs zu erstellen.
    2. Verwenden Sie ggplot2 , um Venn-Diagramme zu erstellen, die die Überlappung der DEGs zwischen NAFLD und MI anzeigen.

3. Anreicherungsanalyse

  1. Durchführen von GO-, KEGG- und DO-Anreicherungsanalysen
    1. Laden Sie DEGs in das R-Paket clusterProfiler13.
    2. Führen Sie eine Gen-Ontologie-Anreicherungsanalyse (GO) durch, um DEGs in molekulare Funktionen, biologische Prozesse und zelluläre Komponenten zu kategorisieren.
    3. Führen Sie eine Analyse des Signalwegs der Kyoto Encyclopedia of Genes and Genomes (KEGG) durch, um DEGs auf biochemische Signalwege abzubilden.
    4. Verwenden Sie die Anreicherungsanalyse der Krankheitsontologie (DO), um DEGs mit bestimmten klinischen Zuständen zu verknüpfen.

4. PPI-Analyse durch Aufbau von PPI-Netzwerken

  1. Verwenden Sie die STRING-Online-Plattform14 , um Netzwerkdiagramme für Protein-Protein-Interaktionen (PPI) von Co-DEGs mit einem Konfidenzwert von 0,4 zu erstellen.
  2. Visualisieren Sie die PPI-Netzwerke mit Cytoscape15.

5. Screening der DEGs des Kandidatenhubs durch Anwendung von Algorithmen des maschinellen Lernens

  1. Verwenden Sie die Regressionsalgorithmen SVM-RFE (Support Vector Machine-Recursive Feature Elimination) und LASSO (Least Absolute Shrinkage and Selection Operator) in RStudio, um die relevantesten DEGs 16,17,18 auszuwählen.
  2. Stellen Sie sicher, dass SVM-RFE Features iterativ einstuft und entfernt, während die LASSO-Regression19 eine Regularisierung anwendet, um einen Satz von DEGs mit geringer Dichte zu identifizieren.

6. Konstruktion der ROC-Kurve zur Beurteilung der diagnostischen Leistung

  1. Verwenden Sie RStudio , um eine ROC-Kurvenanalyse (Receiver Operating Characteristic) durchzuführen20.
  2. Berechnen Sie die Fläche unter der Kurve (AUC) für entscheidende Co-DEGs.

7. Immuninfiltrationsanalyse zur Erforschung der Immuninfiltration

  1. Führen Sie eine Einzelproben-Genset-Anreicherungsanalyse (ssGSEA) mit den R-Paketen GSVA und GSEABase durch, um die Immuninfiltration bei NAFLD und MI21 zu analysieren.
  2. Vergleichen Sie die relative Häufigkeit von Immunzelltypen zwischen NAFLD- und MI-Proben und gesunden Kontrollen.

8. Statistische Auswertung

  1. Führen Sie alle statistischen Analysen in RStudio durch.
  2. Wenden Sie die Pearson-Korrelationsanalyse an, um Gen-Co-Expressionsmuster zu untersuchen.
  3. Stellen Sie die statistische Signifikanz mit P < 0,05 sicher.
    HINWEIS: Stellen Sie sicher, dass alle Software- und R-Pakete ordnungsgemäß installiert und auf die neuesten Versionen aktualisiert wurden, bevor Sie das Protokoll starten.

Ergebnisse

Die wichtigsten Ergebnisse der vorgeschlagenen Studie werden hier vorgestellt und umfassen verschiedene Analysen, die durchgeführt wurden, um die molekularen Mechanismen aufzuklären, die NAFLD und MI zugrunde liegen.

Identifizierung von DEGs
Im GSE89632 Datensatz wurden 76 hochregulierte und 20 herunterregulierte Gene als NAFLD-DEGs identifiziert (Abbildung 2B,D), während der GSE66360 Datensatz 118 hochregulierte und 8 herunterregulierte Gene als MI-DEGs aufwies (Abbildung 2C,E). Anschließend wurden Co-DEGs aus der Überlappung zwischen NAFLD-DEGs und MI-DEGs abgeleitet, wobei 13 hochregulierte DEGs und 1 herunterregulierte DEG unter den co-DEGs identifiziert wurden (Abbildung 2A).

Die Identifizierung von DEGs, die für NAFLD und MI einzigartig sind, sowie von solchen, die beiden Erkrankungen gemeinsam sind, bietet wertvolle Einblicke in die molekularen Prozesse, die diesen Krankheiten zugrunde liegen. Das Verständnis der unterschiedlichen und gemeinsamen Genexpressionsmuster, die mit beiden Erkrankungen verbunden sind, hilft bei der Klärung der Pathophysiologie von NAFLD und MI und kann potenzielle molekulare Ziele für therapeutische Interventionen identifizieren. Weitere Untersuchungen der Co-DEGs könnten kritische Regulatoren oder Signalwege aufdecken, die für die Interaktion zwischen diesen beiden Störungen wesentlich sind, und so die Entwicklung zielgerichteter Therapien erleichtern, die darauf abzielen, die negativen gesundheitlichen Folgen von NAFLD und MI zu mildern.

Anreicherungsanalyse
Die GO-Analyse zeigte, dass NAFLD-DEGs hauptsächlich in den folgenden biologischen Prozessen (BP) angereichert waren: Differenzierung von Fettzellen, Reaktion auf Lipopolysaccharid und Prozesse multizellulärer Organismen (p < 0,05, Abbildung 3A). Für zelluläre Komponenten (CC) waren NAFLD-DEGs hauptsächlich mit dem Phosphatidylinositol-3-Kinase-Komplex, dem sekretorischen Körnerlumen und dem zytoplasmatischen Vesikellumen assoziiert (p < 0,05, Abbildung 3A). In Bezug auf die molekulare Funktion (MF) umfassten die Schlüsselaktivitäten die Aktivität des Phosphatidylinositol-3-Kinase-Regulators, die Aktivität des DNA-bindenden Transkriptionsaktivators (RNA-Polymerase-spezifisch) und die allgemeine Aktivität des DNA-bindenden Transkriptionsaktivators (p < 0,05, Abbildung 3A).

Für MI-DEGs zeigte die BP-Analyse eine Anreicherung der Leukozyten-Chemotaxis, der myeloischen Leukozytenaktivierung und der Zellchemotaxis (p < 0,05, Abbildung 3B). Die CC-Analyse zeigte die Anreicherung in tertiären Granulaten, Ficolin-1-reichen Granulaten und sekretorischen Granulatlumen (p < 0,05, Abbildung 3B). Die MF-Analyse zeigte eine Anreicherung der Aktivität von Mustererkennungsrezeptoren, der RAGE-Rezeptorbindung und der Immunrezeptoraktivität (p < 0,05, Abbildung 3B).

Die KEGG-Anreicherungsanalyse zeigte, dass NAFLD-DEGs in den folgenden Signalwegen signifikant angereichert waren: IL-17, AGE-RAGE, TNF, Osteoklastendifferenzierung, Malaria, rheumatoide Arthritis, Chagas-Krankheit und JAK-STAT-Signalwege (p < 0,05, Abbildung 3C). MI-DEGs waren in IL-17, TNF, Lipidstoffwechsel und Atherosklerose, Toll-like-Rezeptor-Signalweg, C-Typ-Lektinrezeptor-Signalweg, Legionellose, rheumatoider Arthritis und NF-κB-Signalwegen angereichert (p < 0,05, Abbildung 3D). Die Anreicherungsanalyse der Disease Ontology (DO) zeigte, dass die drei wichtigsten DEGs sowohl für NAFLD als auch für MI signifikant mit Atherosklerose, arteriosklerotischen Herz-Kreislauf-Erkrankungen und Arteriosklerose assoziiert waren (p < 0,05, Abbildung 3E-F).

Analyse von PPI-Netzwerkdiagrammen
Im PPI-Netzwerkdiagramm für NAFLD wurden 92 Knoten und 250 Kanten identifiziert, was ein komplexes Netzwerk von Wechselwirkungen zwischen Proteinen widerspiegelt, die mit dieser Erkrankung assoziiert sind. In ähnlicher Weise zeigte das PPI-Netzwerkdiagramm für MI 117 Knoten und 587 Kanten, was auf ein komplizierteres Netzwerk hinweist, das für die molekulare Landschaft des Myokardinfarkts charakteristisch ist. Darüber hinaus identifizierten die PPI-Netzwerkdiagramme für Co-DEGs 14 Knoten und 21 Kanten, was potenzielle Schlüsselinteraktionen zwischen Proteinen hervorhebt, die zwischen NAFLD und MI geteilt werden (Abbildung 4A-F).

PPI-Netzwerke sind wertvoll für die Konstruktion und Analyse therapeutischer Ziele und liefern wichtige Einblicke in die molekularen Zusammenhänge, die NAFLD und MI zugrunde liegen. Die einzigartigen Netzwerktopologien, die bei NAFLD und MI beobachtet wurden, unterstreichen die unterschiedlichen pathophysiologischen Mechanismen, die an diesen Erkrankungen beteiligt sind. Darüber hinaus deutet die Entdeckung gemeinsamer Verbindungen zwischen Co-DEGs auf mögliche gemeinsame Signalwege oder regulatorische Netzwerke hin, die die Interaktion zwischen MI und NAFLD vermitteln. Weitere Forschungen zu diesen Zusammenhängen könnten neuartige molekulare Ziele für Interventionen und Therapieentwicklung aufzeigen, die möglicherweise neue Behandlungsoptionen für diese komplexen Krankheiten bieten.

Screening der DEGs des Kandidaten-Hubs
Der SVM-RFE-Algorithmus17 wurde verwendet, um nach potenziell entscheidenden DEGs zu suchen, was zur Identifizierung von 6 Genen in GSE89632 und 4 Genen in GSE66360 führte (Abbildung 5A,B). In ähnlicher Weise wurde der LASSO-Algorithmus19 verwendet, um mögliche entscheidende DEGs zu identifizieren, was 4 Gene in GSE89632 und 5 Gene in GSE66360 ergab (Abbildung 5C,D). Bemerkenswert ist, dass ein Venn-Diagramm den Schnittpunkt des Hubs DEG (THBS1) darstellte, der durch SVM-RFE-, LASSO- und co-PPI-Netzwerkanalysen identifiziert wurde, was seine Bedeutung sowohl für die NAFLD- als auch für die MI-Pathogenese unterstreicht (Abbildung 5F).

Diese fortschrittlichen Algorithmen des maschinellen Lernens boten einen robusten Rahmen für die Identifizierung wichtiger DEGs, die mit MI und NAFLD assoziiert sind, und boten wertvolle Einblicke in ihr Potenzial als therapeutische oder diagnostische Ziele. Die Identifizierung von THBS1 als Hub-Gen durch mehrere Analysetechniken unterstreicht seine Bedeutung für die molekularen Signalwege, die beiden Krankheiten zugrunde liegen. Weitere Forschungen zur funktionellen Bedeutung von THBS1 und seinen Wechselwirkungen innerhalb des co-PPI-Netzwerks könnten neue Mechanismen zwischen NAFLD und MI aufklären und möglicherweise den Weg für zielgerichtete Therapien und präzisionsmedizinische Strategien ebnen.

Diagnosewert eines Hub DEGs
Es wurde eine ROC-Analyse durchgeführt, um die diagnostische Effizienz der identifizierten Hub-DEGs sowohl in NAFLD- als auch in MI-Datensätzen zu bewerten. Wie in Abbildung 6A,B dargestellt, zeigte THBS1 eine hohe Unterscheidungskraft mit einer AUC von 0,981 (95% CI: 0,949-1,000) bei NAFLD-Patienten und 0,900 (95% CI: 0,834-0,956) bei MI-Patienten. Die starke Leistung von THBS1 als diagnostischer Biomarker unterstreicht seinen potenziellen Nutzen bei der Unterscheidung zwischen NAFLD, MI und gesunden Kontrollen.

Diese Ergebnisse deuten darauf hin, dass THBS1 als wertvoller Marker für den Krankheitszustand dienen könnte und Klinikern ein nützliches Instrument zur Risikobewertung und Früherkennung bietet. Um die Integration von THBS1 in die klinische Praxis zu erleichtern und die Patientenversorgung und das Patientenmanagement zu verbessern, sind weitere Validierungsstudien erforderlich, um die diagnostische Genauigkeit über verschiedene Patientenpopulationen und klinische Umgebungen hinweg zu bestätigen.

Analyse der Immuninfiltration
ssGSEA wurde durchgeführt, um 29 immunverwandte Gene zwischen NAFLD/MI und der Kontrollgruppe (CON) zu analysieren. Im Vergleich zur CON-Gruppe war die Infiltration von Immunzellen in der NAFLD- und MI-Gruppe signifikant erhöht, insbesondere für CCR-, MHC-Klasse I-, Neutrophile, Parainflammation und Tfh-Zellen (p < 0,05, Abbildung 7A,B). Umgekehrt nahm die Infiltration von Immunzellen in den NAFLD- und MI-Gruppen im Vergleich zur CON-Gruppe deutlich ab, insbesondere bei CD8+ T-Zellen, zytolytischer Aktivität und tumorinfiltrierenden Lymphozyten (TIL) (p < 0,05, Abbildung 7C,D).

Diese Ergebnisse deuten auf eine Dysregulation der Immunzellinfiltration sowohl bei NAFLD als auch bei MI hin und unterstreichen die komplexe immunologische Landschaft, die mit diesen Erkrankungen verbunden ist. Die beobachteten Veränderungen in der Zusammensetzung der Immunzellen liefern wertvolle Einblicke in die immunologischen Prozesse, die der Entstehung und Pathophysiologie dieser Erkrankungen zugrunde liegen. Ein besseres Verständnis dieser Immuneigenschaften könnte neue therapeutische Ziele für Interventionen aufzeigen und die Entwicklung individualisierter Behandlungspläne auf der Grundlage der immunologischen Profile von Patienten mit NAFLD und MI unterstützen.

figure-results-1
Abbildung 1: Der Designablauf des medizinischen Entscheidungsunterstützungssystems zur Identifizierung von THBS1. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-results-2
Abbildung 2: Venn-Diagramme, Vulkandiagramme und Heatmaps. (A) Venn-Diagramm für GSE89632 und GSE66360. (B) Ein Vulkandiagramm differentiell exprimierter Gene (DEGs) in GSE89632. (C) Ein Vulkandiagramm der DEGs in GSE66360. (D) Ein Heatmap-Diagramm der DEGs in GSE89632. (E) Ein Heatmap-Diagramm der DEGs in GSE66360. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-results-3
Abbildung 3: Anreicherungsanalyse differentiell exprimierter Gene (DEGs). (A) Die fünf wichtigsten NALFD-DEGs angereicherte Genontologie (GO) in biologischen Prozessen (BP), zellulären Komponenten (CC) und molekularen Funktionen (MF). (B) Die fünf wichtigsten MI-DEGs reicherten GO in BP, CC und MF an. (C) Die acht wichtigsten NALFD-DEGs, die die Kyoto-Enzyklopädie der Gene und Genome (KEGG) Signalwege bereichert haben. (D) Die acht wichtigsten MI-DEGs reicherten die KEGG-Signalwege an. (E) Die fünf wichtigsten NALFD-DEGs mit angereicherter Krankheitsontologie (DO). (F) Die fünf größten MI-DEGs haben die DO. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-results-4
Abbildung 4: Netzwerkdiagramme der Protein-Protein-Interaktion (PPI). (A) Ein PPI-Netzwerkdiagramm der nichtalkoholischen Fettlebererkrankung (NAFLD), das von der Online-Plattform String bezogen wurde. (B) Ein PPI-Netzwerkdiagramm von NAFLD, das von Cytoscape erhalten wurde. (C) Ein PPI-Netzwerkdiagramm des Myokardinfarkts (MI), das von der Online-Plattform String erhalten wurde. (D) Ein PPI-Netzwerkdiagramm von MI, das Cytoscape erhalten hat. (E) Ein PPI-Netzwerkdiagramm der Proteininteraktionen. (F) Ein PPI-Netzwerkdiagramm von IL1B und FOS. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-results-5
Abbildung 5: Screening der DEGs der Kandidatenhubs. (A) Sechs entscheidende DEGs, die von SVM-RFE in NAFLD ermittelt wurden. (B) Vier entscheidende DEGs, die durch SVM-RFE bei Myokardinfarkt (MI) erhalten werden. (C) Vier entscheidende DEGs, die von LASSO in NAFLD ermittelt wurden. (D) Fünf entscheidende DEGs, die von LASSO in MI erhalten wurden. (E) Nur ein DEG, der aus den obigen Ergebnissen im Venn-Diagramm gewonnen wurde. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-results-6
Abbildung 6: Diagnostischer Wert von differentiell exprimierten Genen (DEGs) eines Hubs. (A) ROC-Kurven in NAFLD. (B) ROC-Kurven in MI. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-results-7
Abbildung 7: Verteilung der infiltrierenden Immunzellen und Korrelation zwischen THBS1 und infiltrierenden Immunzellen bei der nichtalkoholischen Fettlebererkrankung (NAFLD) und dem Myokardinfarkt (MI). (A) Verteilung der infiltrierenden Immunzellen bei der NAFLD. (B) Verteilung infiltrierender Immunzellen bei MI. (C) Korrelation zwischen THBS1 und infiltrierenden Immunzellen bei NAFLD. (D) Korrelation zwischen THBS1 und infiltrierenden Immunzellen bei MI. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

AbkürzungNomenklatur
AUCFläche unter Kurve
BPBiologischer Prozess
CCZelluläre Komponente
BETRÜGENSteuerung
DEGDifferentiell exprimierte Gene
TUNOntologie von Krankheiten
LOSGen-Ontologie
KEGGKyoto-Enzyklopädie der Gene und Genome
LASSOOperator für geringste absolute Schrumpfung und Auswahl
MFMolekulare Funktion
MIMyokardinfarkt
NAFLDNichtalkoholische Fettlebererkrankung
PPIProtein-Protein-Wechselwirkung
ROCHKennlinien des Empfängerbedieners
ssGSEAAnalyse der Gensatzanreicherung in einer Probe
SVM-RFESupport Vector Machine-Rekursive Feature-Eliminierung
THBS1Thrombospondin 1

Tabelle 1: Simulationsparameter, die bei den Experimenten verwendet wurden.

Diskussion

Die in dieser Studie beschriebene Methode hat erhebliche Auswirkungen auf die Erforschung der molekularen Mechanismen, die NAFLD und MI zugrunde liegen. Durch die Identifizierung wichtiger Biomarker wie THBS1 bietet das vorgeschlagene Protokoll potenzielle Ziele sowohl für diagnostische als auch für therapeutische Interventionen. Dieser Ansatz kann auf andere komplexe Krankheiten ausgeweitet werden, an denen mehrere Signalwege und Immunantworten beteiligt sind, was die Entdeckung neuer Biomarker und therapeutischer Ziele erleichtert. Darüber hinaus bietet die Integration von Bioinformatik und maschinellen Lerntechniken einen vielseitigen Rahmen für die personalisierte Medizin, der maßgeschneiderte Behandlungsstrategien auf der Grundlage individueller molekularer Profile ermöglicht. Diese Methode kann auch für den Einsatz im klinischen Umfeld angepasst werden, um die diagnostische Genauigkeit zu erhöhen und die Patientenergebnisse durch gezielte Interventionen zu verbessern.

NAFLD und Myokardinfarkt (MI) sind zwei große gesundheitliche Belastungen mit signifikanter Prävalenz und Mortalität. NAFLD ist gekennzeichnet durch die Ansammlung von Lipiden in der Leber1. Es gibt immer mehr Hinweise darauf, dass NAFLD nicht nur die strukturelle Integrität des Herzens, sondern auch seine Funktion beeinträchtigt, insbesondere im Zusammenhang mit MI 22,23,24. Darüber hinaus gibt es überzeugende Beweise für eine starke Korrelation zwischen NAFLD und Atherosklerose. Studien haben gezeigt, dass die Prävalenz und der Schweregrad der NAFLD bei Patienten mit nicht-diabetischem Myokardinfarkt mit der koronaren Herzkrankheit zusammenhängen25. Es hat sich gezeigt, dass mittelschwere bis schwere NAFLD ein unabhängiger Risikofaktor ist, der das Risiko für multiple Koronararterienläsionen um das Dreifache erhöht4. Diese Studien konzentrieren sich jedoch hauptsächlich auf NAFLD und MI, so dass die zugrundeliegenden Mechanismen des Zusammenhangs zwischen NAFLD und Atherosklerose noch unklar sind. Daher ist es von entscheidender Bedeutung, diese Mechanismen zu erforschen, um NAFLD-bedingte MI zu verhindern.

In dieser Studie wurden zwei Datensätze aus dem NCBI-GEO gewonnen. Die Analyse ergab 13 hochregulierte DEGs und 1 herunterregulierte DEG zwischen NAFLD und MI. Es wurde eine funktionale Anreicherungsanalyse durchgeführt, ein Co-PPI-Netzwerkdiagramm erstellt und zwei Algorithmen des maschinellen Lernens eingesetzt, um Hub-DEGs zu identifizieren. Als Ergebnis wurde THBS1 als neuartiger Biomarker mit herausragender diagnostischer Effizienz sowohl für NAFLD als auch für MI identifiziert. Support Vector Machine (SVM) ist eine überwachte maschinelle Lerntechnik, die häufig zur Klassifizierung und Regression eingesetzt wird17. Die rekursive Merkmalseliminierung (RFE) hilft bei der Auswahl der wichtigsten Gene aus der Stichprobe. Der LASSO-Regressionsalgorithmus19 wendet eine Regularisierung an, um die Vorhersagegenauigkeit zu verbessern. Durch die Kombination dieser Algorithmen mit Co-DEGs konnten wir nach den optimalen DEGs suchen.

Basierend auf der Analyse mit zwei Algorithmen des maschinellen Lernens und Co-DEGs wurde Thrombospondin 1 (THBS1 oder TSP1) als ein wichtiger diagnostischer Knotenpunkt DEG identifiziert. THBS1 gehört zu den extrazellulären Matrixproteinen und wurde erstmals in Blutplättchen als Reaktion auf eine Thrombinstimulation nachgewiesen26. Verschiedene Zellen, darunter Endothelzellen, hepatische Sternzellen und glatte Muskelzellen, können THBS1 produzieren und in den extrazellulären Raum sezernieren 27,28,29. THBS1 interagiert mit CD36, einem bekannten Liganden30, und übt eine anti-angiogene Wirkung aus, indem es CD36reguliert 29,31, was seine bedeutende Rolle bei Herz-Kreislauf-Erkrankungen unterstreicht. Darüber hinaus kann THBS1 die Angiogenese und die Thrombozytenaggregation durch seine Wechselwirkungen mit Rezeptoren und Proteinen wie CD47, transformierenden Wachstumsfaktor-β und Integrinenregulieren 32. Dies deutet darauf hin, dass THBS1 eine entscheidende Rolle bei der Thrombusbildung, der anfälligen Plaqueruptur und dem anschließenden ventrikulären Umbau während des MIspielen könnte 33,34,35.

Darüber hinaus ist die Entwicklung von NAFLD eng mit der Synthese von sezernierten Proteinen im Blutkreislauf verbunden. Eine Zulassungsstudie, die in der Fachzeitschrift EBioMedicine veröffentlicht wurde, zeigte, dass THBS1 als sezerniertes Protein als neuartiger Biomarker für NAFLD dienen könnte. Diese Studie ergab auch, dass die exogene Verabreichung von THBS1 die hepatische Lipidablagerung verbessert, indem sie die Lipidsynthesewege hemmt36. Bemerkenswert ist, dass CD36 als Schlüsselrezeptor für die Wirkung von THBS1 gegen NAFLD identifiziert wurde. Darüber hinaus wurde gezeigt, dass ABT-526, ein Peptidanalogon von THBS1, die Lipidsynthese in Hepatozyten hemmt. Diese Ergebnisse liefern neue Einblicke in die Diagnose und Behandlung von NAFLD und deuten darauf hin, dass THBS1 ein neuer Biomarker sowohl für NAFLD als auch für MI sein könnte, der ein schnelles, einfaches und zugängliches Diagnosewerkzeug bietet.

Jüngste Erkenntnisse unterstreichen die entscheidende Rolle immuninflammatorischer Reaktionen beim Fortschreiten von NAFLD und MI. Zu den wichtigsten Merkmalen gehören die Zytokinexpression, die Immunregulation und die Aktivierung des neuroendokrinen Systems. Wabitsch et al. zeigten, dass Metformin Hepatoprotektion verleiht, indem es die Expression von CD8+ T-Zellen in NAFLD-Mäusen hemmt37. Dolejsi et al. berichteten über eine Abnahme der CD8+ T-Zellen und eine signifikante Verringerung der myokardialen Reparaturkapazität38. Qin et al. fanden heraus, dass Neutrophile als Teil des systemischen Immunentzündungsindex bei NAFLD-Patienten mit der Albuminausscheidung im Urin assoziiert sind39. Zhang et al. wiesen darauf hin, dass die Infiltration und Degranulation von Neutrophilen sowohl an den Verletzungs- als auch an den Erholungsprozessen während des MIbeteiligt sind 27.

In Übereinstimmung mit diesen Ergebnissen zeigten die aktuellen Ergebnisse eine erhöhte Infiltration von CCR-, MHC-Klasse I-, Neutrophilen-, Para-Inflammation- und Tfh-Zellen, während CD8+ T-Zellen, zytolytische Aktivität und TIL bei NAFLD- und MI-Patienten im Vergleich zu gesunden Kontrollen verringert waren. Darüber hinaus zeigte die Korrelationsanalyse, dass THBS1 positiv mit CCR, MHC Klasse I, Neutrophilen, Parainflammation und Tfh-Zellen korreliert war und negativ mit CD8+ T-Zellen, zytolytischer Aktivität und TIL bei NAFLD- und MI-Patienten korrelierte. Diese Beobachtungen deuten darauf hin, dass THBS1 zur Modulation der Immunantwort beitragen kann, indem es CCR, MHC-Klasse I, Neutrophile, Parainflammation und Tfh-Zellen erhöht, während CD8+ T-Zellen, zytolytische Aktivität und TIL während der Entwicklung und Progression von NAFLD und MI verringert werden. Diese Spekulationen rechtfertigen jedoch weitere Untersuchungen, um die genaue Rolle von THBS1 bei diesen Prozessen zu bestätigen.

Ziel dieser Studie war es, die molekularen Zusammenhänge zwischen NAFLD und MI mit Hilfe umfassender bioinformatischer und maschineller Lernansätze aufzuklären. Die Ergebnisse identifizierten 96 differentiell exprimierte Gene (DEGs) bei NAFLD und 126 bei MI, wobei sich 14 DEGs zwischen den beiden Erkrankungen überlappen. Die Analyse der funktionellen Anreicherung zeigte, dass diese DEGs an kritischen biologischen Prozessen und Signalwegen beteiligt sind, wie z. B. der Differenzierung von Fettzellen, der Leukozyten-Chemotaxis und verschiedenen Signalwegen, einschließlich IL-17, TNF und NF-κB. Diese Ergebnisse unterstreichen das komplexe Zusammenspiel von Entzündungs- und Stoffwechselwegen bei NAFLD und MI. Die Konstruktion von Netzwerkdiagrammen der Protein-Protein-Interaktion (PPI), kombiniert mit Analysen des maschinellen Lernens (SVM-RFE und LASSO), identifizierte THBS1 als ein wichtiges Hub-Gen. THBS1 zeigte eine hervorragende diagnostische Leistung mit einer Fläche unter der Kurve (AUC) von 0,981 für NAFLD und 0,900 für MI, was auf sein Potenzial als robuster Biomarker für beide Erkrankungen hindeutet.

Darüber hinaus ergab die Immuninfiltrationsanalyse bei NAFLD- und MI-Patienten im Vergleich zu gesunden Kontrollpersonen unterschiedliche Immunzellprofile. Insbesondere zeigten NAFLD- und MI-Patienten eine erhöhte Infiltration von CCR-, MHC-Klasse I-, Neutrophilen-, Parainflammations- und Tfh-Zellen, während sie verminderte Spiegel von CD8+ T-Zellen, zytolytischer Aktivität und TIL aufwiesen. Diese Immunmerkmale unterstreichen den entzündlichen Charakter beider Erkrankungen und unterstreichen die Rolle von THBS1 bei der Modulation der Immunantwort.

Diese Studie liefert neue Einblicke in die gemeinsamen molekularen Mechanismen, die NAFLD und MI zugrunde liegen, wobei sich THBS1 als neuartiger Biomarker für die Diagnose und als potenzielles therapeutisches Ziel herausstellt. Die Ergebnisse ebnen den Weg für die zukünftige Erforschung gezielter Interventionen und personalisierter Behandlungsstrategien für Patienten mit diesen miteinander verbundenen Erkrankungen. Durch die Integration von Bioinformatik, maschinellem Lernen und Immuninfiltrationsanalyse trägt die Forschung zur Entwicklung einer medizinischen Entscheidungsunterstützungsplattform bei, die darauf abzielt, das klinische Management von NAFLD und MI zu verbessern.

Danksagungen

Diese Studie wurde unterstützt von der National Natural Science Foundation of China (Nr. 62271511, U21A200949), der Yucai Foundation of General Hospital des Southern Theatre Command (2022NZC011), dem Guangzhou Science and Technology Program Project (2023A03J0170), dem National Clinical Research Center for Geriatrics (NCRCG-PLAGH-2023006) und der Guangdong Basic and Applied Basic Research Foundation (Nr. 2020A1515010288, Nr. 2021A1515220101).

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
CytoscapeCytoscape ConsortiumVersion 3.6.1Wird zur Visualisierung von Protein-Protein-Interaktionsnetzwerken (PPI)
dataset GSE66360 (https://www.ncbi.nlm.nih.gov/geo/).NCBI-GEO-Datenbank -Zum Sammeln von RNA-Microarray-Datensätzen für die Analyse
R-Paket clusterProfilerBioconductor -Wird für GO-, KEGG- und DO-Anreicherungsanalysen verwendet
R-Paket ggplot2CRAN -Wird zum Erstellen von Venn-Diagrammen und anderen Visualisierungen verwendet
R-Paket GSEABaseBioconductor -Wird in Verbindung mit GSVA für die Genset-Anreicherungsanalyse
verwendet R-Paket GSVABioconductor -Wird für die Analyse der Genset-Anreicherung in einer Probe (ssGSEA)R-Paket
limmaBioconductor -Wird zur Identifizierung differentiell exprimierter Gene (DEGs)
R-Paket pheatmapCRAN -Wird für die Erstellung von Heatmaps verwendet
R-Paket vennCRAN -Wird für die Erstellung von Venn-Diagrammen
verwendet RNA-Microarray-Datensätze (GSE66360, GSE89632)NCBI-GEO -Öffentlich zugängliche RNA-Microarray-Datensätze, die für die Analyse verwendet
werden RStudioRStudio, PBCVersion 1.4.1717Integrierte Entwicklungsumgebung für die R-String-Datenbank
STRING (www.string-db.org/) -Online-Tool zum Aufbau von PPI-Netzwerken
verwendet MI verwendet

Referenzen

  1. de Alwis, N. M. W., Day, C. P. Non-alcoholic fatty liver disease: The mist gradually clears. J Hepatol. 48 (Suppl), S104-S112 (2008).
  2. Adams, L. A., Anstee, Q. M., Tilg, H., Targher, G. Non-alcoholic fatty liver disease and its relationship with cardiovascular disease and other extrahepatic diseases. Gut. 66 (6), 1138-1153 (2017).
  3. Bhatia, L. S., Curzen, N. P., Calder, P. C., Byrne, C. D. Non-alcoholic fatty liver disease: A new and important cardiovascular risk factor. Eur Heart J. 33 (9), 1190-1200 (2012).
  4. Boddi, M., et al. Non-alcoholic fatty liver in non-diabetic patients with acute coronary syndromes. Eur J Clin Invest. 43 (4), 429-438 (2013).
  5. Oni, E. T., et al. A systematic review: Burden and severity of subclinical cardiovascular disease among those with non-alcoholic fatty liver; should we care. Atherosclerosis. 230 (2), 258-267 (2013).
  6. Reed, G. W., Rossi, J. E., Cannon, C. P. Acute myocardial infarction. Lancet. 389 (10070), 197-210 (2017).
  7. Stahl, E. P., et al. Non-alcoholic fatty liver disease and the heart: JACC state-of-the-art review. J Am Coll Cardiol. 73 (8), 948-963 (2019).
  8. Alexander, M., et al. Non-alcoholic fatty liver disease and risk of incident acute myocardial infarction and stroke: findings from matched cohort study of 18 million European adults. BMJ. 367, 1934578X221093907(2019).
  9. Cobbina, E., Akhlaghi, F. Non-alcoholic fatty liver disease (NAFLD)-pathogenesis, classification, and effect on drug metabolizing enzymes and transporters. Drug Metab Rev. 49 (2), 197-211 (2017).
  10. Pawlak, M., Lefebvre, P., Staels, B. Molecular mechanism of PPARα action and its impact on lipid metabolism, inflammation and fibrosis in non-alcoholic fatty liver disease. J Hepatol. 62 (3), 720-733 (2015).
  11. Katsiki, N., Mikhailidis, D. P., Mantzoros, C. S. Non-alcoholic fatty liver disease and dyslipidemia: An update. Metabolism. 65 (8), 1109-1123 (2016).
  12. Ritchie, M. E., et al. limma powers differential expression analyses for RNA-sequencing and microarray studies. Nucleic Acids Res. 43 (7), e47(2015).
  13. Yu, G., Wang, L. G., Han, Y., He, Q. Y. clusterProfiler: An R package for comparing biological themes among gene clusters. Omics. 16 (5), 284-287 (2012).
  14. Szklarczyk, D., et al. The STRING database in 2021: Customizable protein-protein networks, and functional characterization of user-uploaded gene/measurement sets. Nucleic Acids Res. 49 (D1), D605-D612 (2021).
  15. Sriroopreddy, R., Sajeed, R., Raghuraman, P., Sudandiradoss, C. Differentially expressed gene (DEG) based protein-protein interaction (PPI) network identifies a spectrum of gene interactome, transcriptome and correlated miRNA in nondisjunction Down syndrome. Int J Biol Macromol. 122, 1080-1089 (2019).
  16. Engebretsen, S., Bohlin, J. Statistical predictions with glmnet. Clin Epigenetics. 11, 123(2019).
  17. Ma, H., Ding, F., Wang, Y. A novel multi-innovation gradient support vector machine regression method. ISA Trans. 130, 343-359 (2022).
  18. Han, Y., Huang, L., Zhou, F. A dynamic recursive feature elimination framework (dRFE) to further refine a set of OMIC biomarkers. Bioinformatics. 37 (12), 2183-2189 (2021).
  19. Colombani, C., et al. Application of Bayesian least absolute shrinkage and selection operator (LASSO) and BayesCπ methods for genomic selection in French Holstein and Montbéliarde breeds. J Dairy Sci. 96 (2), 575-591 (2013).
  20. Gamper, M., et al. Gene expression profile of bladder tissue of patients with ulcerative interstitial cystitis. BMC Genomics. 10 (1), 1-17 (2009).
  21. Hänzelmann, S., Castelo, R., Guinney, J. GSVA: Gene set variation analysis for microarray and RNA-seq data. BMC Bioinformatics. 14, 1-15 (2013).
  22. Valbusa, F., et al. Non-alcoholic fatty liver disease and increased risk of all-cause mortality in elderly patients admitted for acute heart failure. Int J Cardiol. 265, 162-168 (2018).
  23. Zhang, Q., et al. Identification of hub biomarkers of myocardial infarction by single-cell sequencing, bioinformatics, and machine learning. Front Cardiovasc Med. 9, 939972(2022).
  24. Zhang, Q., et al. 7-Hydroxyflavone alleviates myocardial ischemia/reperfusion injury in rats by regulating inflammation. Molecules. 27 (17), 5371(2022).
  25. Zhang, Q., Guo, Y., Zhang, D. Network pharmacology integrated with molecular docking elucidates the mechanism of wuwei yuganzi san for the treatment of coronary heart disease. Nat Prod Commun. 17 (1), 1934578X221093907(2022).
  26. Baenziger, N. L., Brodie, G., Majerus, P. W. A thrombin-sensitive protein of human platelet membranes. Proc Natl Acad Sci USA. 68 (2), 240-243 (1971).
  27. Zhang, N., Aiyasiding, X., Li, W. J., Liao, H. H., Tang, Q. Z. Neutrophil degranulation and myocardial infarction. Cell Commun Signal. 20 (1), 50(2022).
  28. Lawler, J. Thrombospondin-1 as an endogenous inhibitor of angiogenesis and tumor growth. J Cell Mol Med. 6 (1), 1-12 (2002).
  29. Kaur, S., et al. Functions of thrombospondin-1 in the tumor microenvironment. Int J Mol Sci. 22 (9), 4570(2021).
  30. Asch, A. S., et al. Isolation of the thrombospondin membrane receptor. J Clin Invest. 79 (4), 1054-1061 (1987).
  31. Armstrong, L. C., Bornstein, P. Thrombospondins 1 and 2 function as inhibitors of angiogenesis. Matrix Biol. 22 (1), 63-71 (2003).
  32. Roberts, D. D., Isenberg, J. S. CD47 and thrombospondin-1 regulation of mitochondria, metabolism, and diabetes. Am J Physiol Cell Physiol. 321 (1), C201-C213 (2021).
  33. Emre, A., et al. Impact of non-alcoholic fatty liver disease on myocardial perfusion in non-diabetic patients undergoing primary percutaneous coronary intervention for ST-segment elevation myocardial infarction. Am J Cardiol. 116 (11), 1810-1814 (2015).
  34. Mouton, A. J., et al. Fibroblast polarization over the myocardial infarction time continuum shifts roles from inflammation to angiogenesis. Basic Res Cardiol. 114 (1), 1-16 (2019).
  35. Liu, Y., et al. Atherosclerotic conditions promote the packaging of functional microRNA-92a-3p into endothelial microvesicles. Circ Res. 124 (4), 575-587 (2019).
  36. Bai, J., et al. Thrombospondin 1 improves hepatic steatosis in diet-induced insulin-resistant mice and is associated with hepatic fat content in humans. EBioMedicine. 57 (1), 102-111 (2020).
  37. Wabitsch, S., et al. Metformin treatment rescues CD8+ T-cell response to immune checkpoint inhibitor therapy in mice with NAFLD. J Hepatol. 77 (4), 748-760 (2022).
  38. Dolejsi, T., et al. Adult T-cells impair neonatal cardiac regeneration. Eur Heart J. 43 (27), 2698-2709 (2022).
  39. Qin, Z., et al. Systemic immune-inflammation index is associated with increased urinary albumin excretion: a population-based study. Front Immunol. 13, 863640(2022).

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

Bioinformatische AnalyseMaschinelles LernenSupport Vector MachineProtein Protein Interaktiondifferenziell exprimiertes GenCD8 T ZellenNeutrophilenwerte
Video demnächst verfügbar

Verwandte Artikel