Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.

Forschungsartikel

UPP1 als diagnostischer Biomarker: Erkenntnisse aus integrativen Bioinformatik- und Immuninfiltration-Analysen bei COPD

62 Aufrufe

⸱

DOI:

10.3791/72242

⸱

3. September 2026

 ,  ,  ,  ,  ,  , 
1Shenzhen Luohu Hospital of Traditional Chinese Medicine, 2Tianbei Community Health Service Center of Shenzhen Luohu Hospital Group, 3Guangdong Provincial Hospital of Chinese Medicine

* These authors contributed equally

In diesem Artikel

Zusammenfassung

Diese Studie stellt eine reproduzierbare Bioinformatik-Pipeline vor, die Transkriptomik, maschinelles Lernen und die Analyse der Immuninfiltration integriert, um potenzielle diagnostische Biomarker und regulatorische Netzwerke bei der chronisch obstruktiven Lungenerkrankung (COPD) zu identifizieren.

Zusammenfassung

COPD ist eine fortschreitende Atemwegserkrankung, die durch eine persistierende Luftwegsobstruktion und chronische Entzündung gekennzeichnet ist, doch die Rolle der RNA-Modifikation N4-Acetylcytidin (ac4C) bei ihrer Pathogenese ist bisher weitgehend unerforscht. Diese Studie hatte das Ziel, systematisch ac4C-bezogene Gene (ac4C-RGs) aus einer veröffentlichten Datenbank zu identifizieren und ihre regulatorischen Netzwerke bei COPD zu untersuchen, um potenzielle Biomarker für weitere mechanistische Studien zu finden, ohne dabei eine direkte regulatorische Beziehung zwischen einem bestimmten Gen und der ac4C-Modifikation vorauszusetzen. Differenziell exprimierte Gene (DEGs) wurden aus transkriptomischen Profilen identifiziert, und eine gewichtete Gen-koexprimierungsnetzwerkanalyse (WGCNA) wurde angewandt, um wichtige Koexpressionsmodule aufzudecken. Eine Kreuzanalyse zwischen DEGs, signifikanten Modulen und ac4C-RGs wurde durchgeführt. Schlüsselgene wurden mithilfe der LASSO-Regression, XGBoost- und Random-Forest-Algorithmen ausgewählt und anschließend ein diagnostisches Modell auf Basis der logistischen Regression konstruiert. Die Modellleistung wurde mittels ROC-Kurvenanalyse (Receiver Operating Characteristic), Fläche unter der Kurve (AUC) mit 95 % Konfidenzintervallen, Kalibrierungskurvenbewertung und Entscheidungskurvenanalyse (DCA) bewertet. Insgesamt wurden 160 überlappende Gene identifiziert, und sechs Hub-Gene (PTRF, PRKCDBP, UPP1, TOR3A, FAM168B und B4GALT2) wurden konsistent von allen drei maschinellen Lernalgorithmen ausgewählt. Das diagnostische Modell zeigte eine gute Diskriminierungsleistung mit AUC-Werten von 0,766, 0,759 und 0,723 in den Trainings-, internen Test- und externen Validierungsdatensätzen. Die Analyse der regulatorischen Netzwerke deutete auf potenzielle ceRNA-Achsen und Interaktionen mit Transkriptionsfaktoren hin, während die Profilierung der Immunzellinfiltration signifikante Korrelationen zwischen den Schlüsselgenen und mehreren Immunzellsubtypen ergab. Die Analyse der Arzneimittel-Gen-Interaktionen und molekulares Docking zeigten, dass Fluorouracil, Capecitabin und 5-Benzylacyclouridin möglicherweise günstige vorhergesagte Bindungsaffinitäten zu UPP1 aufweisen. Zusammenfassend wurden PTRF, PRKCDBP, UPP1, TOR3A, FAM168B und B4GALT2 als potenzielle ac4C-bezogene Biomarker bei COPD identifiziert, die möglicherweise an der Immun- und Stoffwechselregulation beteiligt sind und eine Grundlage für zukünftige funktionelle Untersuchungen und therapeutische Ansätze bieten.

Einleitung

COPD ist eine chronische und heterogene Atemwegserkrankung, die durch eine fortschreitende Luftwegsverengung gekennzeichnet ist, hervorgerufen durch Anomalien in der Struktur der Alveolen und Atemwege1,2. Ein Ungleichgewicht zwischen Proteasen und Antiproteasen, oxidativer Stress, chronische Entzündung und zelluläre Seneszenz stellen die zentralen pathophysiologischen Mechanismen der COPD dar, die zur strukturellen Zerstörung und funktionellen Beeinträchtigung des Lungengewebes führen3,4. Zudem wird die COPD durch mehrere Risikofaktoren beeinflusst, darunter langjähriges Rauchen, Umweltverschmutzung, berufliche Exposition, Atemwegsinfektionen und genetische Anfälligkeit5,6. Die COPD verursacht eine erhebliche Belastung für die globale Wirtschaft. Sie wird voraussichtlich zwischen 2020 und 2050 jährlich 0,111 % des weltweiten BIP ausmachen7. Obwohl aktuelle therapeutische Strategien wie Bronchodilatatoren, inhalative Kortikosteroide, pulmonale Rehabilitation und langfristige Sauerstofftherapie Symptome lindern können, bleibt die Eindämmung des Krankheitsverlaufs eine Herausforderung. Aufgrund der deutlichen klinischen Heterogenität variieren die Behandlungsergebnisse bei Patienten stark8. Daher werden dringend neue diagnostische Biomarker und prognostische Indikatoren benötigt, um das Management der COPD zu verbessern und die Überlebensrate der Patienten zu erhöhen.

RNA-Modifikation bezeichnet die chemische Veränderung von RNA-Molekülen, wodurch Struktur und Funktion der RNA verändert werden können, um die Genexpression zu regulieren9,10. Zu den häufigen RNA-Modifikationen gehören N6-Methyladenosin (m6A), Pseudouridin (Ψ), 5-Methylcytosin (m5C) und ac4C11. Die ac4C-Modifikation spielt eine entscheidende Rolle bei der Aufrechterhaltung der mRNA-Stabilität und der Förderung der mRNA-Translation12,13. NAT10 ist das einzige bekannte eukaryotische Enzym, das die ac4C-Modifikation katalysiert, und seine Aktivität ist für die Bildung dieser Modifikation unerlässlich14. Studien haben eine starke Korrelation zwischen oxidativem Stress, zellulärer Seneszenz, Entzündung und der ac4C-Modifikation gezeigt. Beispielsweise weisen CD4+ T-Lymphozyten in Kolongeweben von Personen mit chronisch-entzündlichen Darmerkrankungen (IBD) deutlich erhöhte NAT10-Spiegel auf15. NAT10 verstärkt die ac4C-Acetylierung der Chemokine CCL2 und CXCL1 und fördert dadurch das Einwandern von Makrophagen und Neutrophilen sowie die Verschärfung entzündlicher Schäden16. Die zelluläre Antwort auf oxidativen Stress könnte die ac4C-Modifikation beinhalten, wie durch den deutlichen Anstieg der ac4C-Spiegel unter oxidativem Stress belegt ist. Außerdem fördert NAT10 die durch PM2.5 induzierte pulmonale Fibrose, indem es den mRNA-Spiegel von TGFB1 über die ac4C-Modifikation stabilisiert und dadurch einen Übergang von epithelialen zu mesenchymalen Zellen auslöst17. Die Rolle der ac4C-Modifikation bei COPD ist jedoch weitgehend unerforscht, was die Notwendigkeit weiterer Untersuchungen in diesem Bereich unterstreicht.

Die GEO-Datenbank wurde in dieser Studie verwendet, um differentiell exprimierte Gene (DEGs) zwischen COPD-Patienten und Kontrollen zu identifizieren. Anschließend wurde eine veröffentlichte Liste von ac4C-regulierten Genen (ac4C-RGs), die aus Multiomik-Daten zusammengestellt wurde18, mit den DEGs kombiniert, um überlappende Kandidaten zu ermitteln. Da bekannt ist, dass die ac4C-Modifikation Entzündungsprozesse und oxidativen Stress – zentrale Mechanismen bei COPD – beeinflusst, ging die Hypothese davon aus, dass Gene des ac4C-Regulierungsnetzwerks bei COPD dysreguliert sein könnten. Die überlappenden Gene wurden jedoch nicht als direkte Substrate von NAT10 oder direkt durch ac4C-regulierte Gene betrachtet, sondern als Kandidaten, die mit dem ac4C-assoziierten Netzwerk verknüpft sind. Schlüsselgene wurden mittels mehrerer maschineller Lernalgorithmen ausgewählt, gefolgt von der Erstellung und Validierung eines diagnostischen Modells. Im Anschluss wurden relevante Signalwege, die an der COPD-Pathogenese beteiligt sind, identifiziert und potenzielle gezielte Wirkstoffe vorhergesagt. Schließlich wurden RT-qPCR-Analysen durchgeführt, um die Expressionsniveaus der Schlüsselgene zu bestätigen, wodurch vorläufige Erkenntnisse zur COPD-Pathophysiologie sowie potenzielle Ansatzpunkte für therapeutische Untersuchungen gewonnen wurden.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

Stellungnahme der institutionellen Prüfkommission

Die Studie wurde gemäß der Deklaration von Helsinki durchgeführt. Das Protokoll wurde von dem Ethikkomitee des Shenzhen Luohu Krankenhauses für Traditionelle Chinesische Medizin genehmigt (Genehmigungsnummer 2024-LHQZYYYXLL-KY-039), und alle Teilnehmer gaben vor der Einschreibung ihre schriftliche informierte Einwilligung ab. Einzelheiten zu den in diesem Protokoll verwendeten Forschungsinstrumenten und Materialien sind in der Tabelle der Materialien enthalten.

Datenquelle und Datenverarbeitung

Genexpressionsdatensätze im Zusammenhang mit COPD wurden aus der Gene Expression Omnibus (GEO)-Datenbank bezogen. Der Datensatz GSE54837 wurde als Transkriptomdatensatz verwendet, und der Datensatz GSE112811 diente als Validierungsset (Tabelle 1). Die ac4C-regulierenden Gene (ac4C-RGs) wurden aus der Literatur zusammengestellt18. Differenziell exprimierte Gene (DEGs) zwischen den COPD- und Kontrollgruppen wurden mit dem R-Paket limma identifiziert. DEGs galten als statistisch signifikant, wenn |log2FC| > 0 und p < 0,05 waren. Volcano-Plots wurden erstellt, um die Gesamtverteilung der Genexpressionsänderungen zu visualisieren.

Aufbau der WGCNA

WGCNA wurde mit dem Datensatz GSE54837 unter Verwendung von R durchgeführt, um mit COPD assoziierte Module zu identifizieren. Vor dem Netzwerkaufbau wurden Ausreißerproben mittels hierarchischer Clusteranalyse unter Nutzung der Funktion hclust mit der Durchschnittsverknüpfungsmethode und einer euklidischen Distanzmetrik identifiziert und entfernt. Die optimale Soft-Thresholding-Potenz (β = 10) wurde gewählt, um einen skalenfreien Topologie-Anpassungsindex R2 ≥ 0,85 zu erreichen und dabei Skalenfreiheit und mittlere Verknüpfung auszugleichen. Eine Adjazenzmatrix wurde erstellt und in eine topologische Überlappungsmatrix (TOM) umgewandelt. Genmodule wurden mithilfe des dynamischen Baumzerschneidalgorithmus (deepSplit = 2, minClusterSize = 50) identifiziert. Module mit Eigenvektorkorrelationen > 0,75 wurden anschließend mit der Funktion mergeCloseModules zusammengeführt. Die Moduleigenvektoren wurden dann mittels Pearson-Korrelationskoeffizienten mit klinischen Merkmalen (COPD-Status, Alter, Geschlecht und Raucherstatus) korreliert, um COPD-assoziierte Module für die nachfolgende Analyse zu identifizieren.

Screening, Anreicherungsanalyse und PPI-Netzwerkanalyse überlappender Gene

Ein Venn-Diagramm wurde mit dem R-Paket ggvenn erstellt, um Gene zu identifizieren, die gemeinsam zwischen den DEGs, den MEsalmon-Modulgenen und den ac4C-RGs auftreten. Die funktionelle Anreicherungsanalyse der überlappenden Gene wurde mithilfe der Gene Ontology (GO) und der Kyoto Encyclopedia of Genes and Genomes (KEGG) mit dem R-Paket clusterProfiler durchgeführt. Protein-Protein-Interaktions-(PPI-)Informationen wurden aus der STRING-Datenbank (https://string-db.org/) abgerufen, um Interaktionen auf Proteinebene zwischen den überlappenden Genen zu analysieren. Die Software Cytoscape wurde verwendet, um das resultierende PPI-Netzwerk zu visualisieren.

Identifizierung wichtiger Gene mithilfe von maschinellem Lernen

Es wurden drei Machine-Learning-Methoden angewandt: die Regression mit der Least-Absolute-Shrinkage-and-Selection-Operator-Methode (LASSO), das extreme Gradient Boosting (XGBoost) und der Zufallswald (Random Forest, RF). Die LASSO-Regression wurde mit dem glmnet-Paket unter Verwendung einer 10-fachen Kreuzvalidierung durchgeführt, um den optimalen Bestrafungsparameter λ zu bestimmen. Der Parameter type.measure wurde auf „deviance“ und der Parameter family auf „binomial“ gesetzt. Der optimale λ-Wert wurde anhand des λmin-Kriteriums ausgewählt, das die kreuzvalidierte Devianz minimiert, wodurch 17 Gene ermittelt wurden. XGBoost wurde mit dem xgboost-Paket und folgenden Hyperparametern durchgeführt: nrounds = 100, max_depth = 6, eta = 0,3, subsample = 0,8, colsample_bytree = 0,8 und eval_metric = „logloss“. Die Wichtigkeit der Merkmale wurde anhand des Gain-Maßes bewertet, und die 30 wichtigsten Gene wurden ausgewählt. Der Zufallswald wurde mit dem randomForest-Paket mit ntree = 200 implementiert. Die Wichtigkeit der Merkmale wurde nach dem mittleren Abfall der Gini-Index bewertet, und erneut wurden die 30 wichtigsten Gene ausgewählt. Die von den drei Machine-Learning-Methoden identifizierten Gene wurden geschnitten, um Schlüsselgene für nachfolgende Analysen zu bestimmen.

Aufbau und Bewertung des logistischen Regressionsmodells zur Risikovorhersage

Der Datensatz GSE54837 wurde zufällig in einen Trainingsdatensatz (70 %) und einen Testdatensatz (30 %) aufgeteilt. Mithilfe der Funktion glm aus dem MASS-Paket wurde auf Basis des Trainingsdatensatzes ein logistisches Regressionsmodell erstellt, wobei die Expressionsniveaus der Schlüsselgene als Eingabemerkmale dienten. Die Modellleistung wurde anhand von ROC-Kurven bewertet, die mit dem pROC-Paket generiert wurden. Die 95-%-Konfidenzintervalle für die AUC wurden mittels 2.000 Bootstrap-Wiederholungen berechnet. Die Modellkalibrierung wurde anhand von Kalibrierungskurven überprüft, die mit 1.000 Bootstrap-Stichproben (rms-Paket) erstellt wurden. Die DCA wurde mit dem dca-Paket durchgeführt, um den klinischen Nutzen über einen Bereich von Schwellenwahrscheinlichkeiten hinweg zu bewerten. Ein Nomogramm wurde mithilfe der Funktion nomogram aus dem rms-Paket erstellt, um die individuelle Risikoeinschätzung zu erleichtern.

Die Regressionsgleichung lautete:

logit(P) = 0,5823 + 0,6010 × UPP1 - 0,6563 × PTRF + 0,3853 × B4GALT2 - 0,3972 × FAM168B + 0,1848 × PRKCDBP - 0,4787 × TOR3A.   (1)

Hier steht P für die vorhergesagte Wahrscheinlichkeit einer COPD, und jeder Koeffizient repräsentiert den Beitrag des entsprechenden Genexpressionswerts zu den Log-Odds einer COPD.

Expressionsanalyse, GenMANIA-Netzwerk und molekulares regulatorisches Netzwerk

Die Genexpressionsniveaus zwischen den COPD- und Kontrollgruppen im GSE54837-Datensatz wurden mit dem Wilcoxon-Rangsummentest verglichen. Boxplots zur Visualisierung der Verteilung der Expressionsniveaus, mit Median, interquartilem Bereich (IQR) und überlagerten Einzeldatenpunkten, wurden mit dem ggplot2-Paket erstellt. GeneMANIA wurde verwendet, um Gen-Netzwerke aufzubauen und funktionelle Interaktionen vorherzusagen. Die Suche erfolgte mit Standardparametern: Spezies = Homo sapiens, maximale Anzahl verwandter Gene = 20. Das resultierende Netzwerk wurde heruntergeladen und visualisiert, wobei die Kantenfarben die Interaktionstypen anzeigten. Ein kompetitives endogenes RNA-Netzwerk (ceRNA) wurde konstruiert, um posttranskriptionelle regulatorische Mechanismen zu untersuchen. miRNAs, die die sechs Schlüsselgene targeten, wurden mithilfe zweier unabhängiger Datenbanken vorhergesagt: DIANA-microT (Score ≥ 0,8) und miRanda (Score ≥ 140, Energie ≤ −20 kcal/mol). Der Durchschnitt der von beiden Datenbanken identifizierten miRNAs wurde zur Erstellung von miRNA-mRNA-Paaren verwendet. Anschließend wurden lncRNAs, die diese miRNAs targeten, mittels der StarBase-Datenbank vorhergesagt. Ein lncRNA-miRNA-mRNA-regulatorisches Netzwerk wurde mit Cytoscape aufgebaut und visualisiert. Transkriptionelle regulatorische Beziehungen wurden mithilfe der ChIP-X Enrichment Analysis Version 3 (ChEA3) vorhergesagt. Für jedes Schlüsselgen mit vorhergesagten Transkriptionsfaktoren wurden die 10 Transkriptionsfaktoren mit den höchsten Anreicherungsscores ausgewählt. Ein TF-Ziel-Regulationsnetzwerk wurde in Cytoscape erstellt.

Analyse der Gen-Set-Anreicherung und Bewertung der Infiltration von Immunzellen

Die Analyse der Gen-Set-Enrichment (GSEA) wurde mit dem clusterProfiler-Paket durchgeführt, um die biologischen Funktionen jedes Schlüsselgens zu untersuchen. Für jedes Schlüsselgen wurden die Proben basierend auf dem Medianwert in Gruppen mit hoher und niedriger Expression unterteilt. Die differentielle Expressionsanalyse zwischen den beiden Gruppen wurde mit limma durchgeführt, und die resultierende Genliste wurde nach dem vorzeichenbehafteten log₂-Faltungsverhältnis (log₂ fold-change) sortiert. Die GSEA wurde mithilfe der Funktion gseGO für GO-Bioprozess-Terme und der Funktion gseKEGG für KEGG-Wege durchgeführt, mit folgenden Parametern: minGSSize = 10, maxGSSize = 500, pvalueCutoff = 0,05 und nPerm = 1.000. Die relative Häufigkeit von 28 Immunzelltypen wurde mittels single-sample Gene Set Enrichment Analysis (ssGSEA), wie sie im GSVA-Paket implementiert ist, geschätzt. Eine kuratierte Gen-Set-Signaturmatrix, die Marker-Gene für 28 Immunzelltypen umfasst, wurde aus früherer Literatur19 entnommen. Für jede Probe wurde die Funktion gsva mit method = „ssgsea“, ssgsea.norm = TRUE und kcdf = „Gaussian“ angewandt. Spearman-Korrelationskoeffizienten zwischen den ssGSEA-Enrichment-Scores und den Expressionsniveaus der sechs Schlüsselgene wurden mit der Funktion cor.test berechnet. Die p-Werte wurden mittels der Benjamini-Hochberg-Methode für Mehrfachvergleiche korrigiert. Die Korrelationsmatrix wurde als Heatmap mit dem pheatmap-Paket visualisiert.

Arzneimittelvorhersage, molekulares Docking und Analyse der Krankheitsassoziation

Mögliche therapeutische Wirkstoffe, die auf Schlüsselgene abzielen, wurden mithilfe der DrugBank-Datenbank identifiziert. Ein Interaktionsnetzwerk aus „Wirkstoffen, die auf Schlüsselgene abzielen“, wurde in Cytoscape erstellt, um vorhergesagte Wechselwirkungen zwischen Wirkstoffen und Genen zu visualisieren. Die molekulare Docking-Analyse wurde mit der CB-Dock2-Plattform durchgeführt, um Bindungsaffinitäten zu bewerten. Die dreidimensionale Proteinstruktur von menschlichem UPP1 wurde aus der Protein Data Bank abgerufen (PDB ID: 7B8T). Die molekularen Strukturen der Wirkstoffe (im SMILES-Format) stammten aus PubChem. Das Docking wurde mit der AutoDock Vina-Engine durchgeführt, und die Ergebnisse wurden nach Bindungsenergie (ΔG, in kcal/mol) sortiert. Die resultierenden Docking-Komplexe wurden mit PyMOL visualisiert. Zusammenhänge zwischen Schlüsselgenen und menschlichen Erkrankungen im Zusammenhang mit Umweltexpositionen wurden anhand der Comparative Toxicogenomics Database (CTD) untersucht. Jedes Gen wurde einzeln abgefragt, und die zehn am stärksten assoziierten Erkrankungen wurden extrahiert und mittels Radarplots dargestellt.

RT-qPCR-Protokoll

Periphere venöse Blutproben wurden von acht COPD-Patienten und acht gesunden Kontrollpersonen am Shenzhen Luohu Hospital of Traditional Chinese Medicine gesammelt. Die Diagnose COPD wurde gemäß den Kriterien der Global Initiative for Chronic Obstructive Lung Disease (GOLD) gestellt, definiert als FEV1/FVC nach Bronchodilatation < 0,70. Die Kontrollgruppe bestand aus alters- und geschlechtsangepassten gesunden Probanden ohne Anamnese respiratorischer Erkrankungen und normalen Lungenfunktionstests (vorhergesagtes FEV1% ≥ 80 % und FEV1/FVC ≥ 0,70). Die Basisinformationen der Patienten sind in Tabelle 2 dargestellt. Gesamt-RNA wurde aus den COPD-Blutproben mithilfe eines Blut-RNA-Extraktionskits isoliert. Für die cDNA-Synthese wurden 500 ng Gesamt-RNA unter Verwendung eines cDNA-Synthesekits und Entfernung genomischer DNA gemäß der beigefügten Anleitung revers transkribiert. Die erhaltene cDNA wurde auf 150 ng/μL verdünnt.

Die RT-qPCR wurde unter Verwendung eines auf SYBR Green basierenden qPCR-Mastermixes an einem Echtzeit-PCR-System durchgeführt. Jede 10 μL-Reaktion enthielt 5 μL 2x SYBR Green-Mastermix, jeweils 0,5 μL Vorwärts- und Rückwärtsprimer (10 μM), 1 μL verdünnte cDNA (15 ng/μL) und 3 μL nukleasefreies Wasser. Die Zyklierungsbedingungen bestanden aus einer initialen Denaturierung bei 95 °C für 5 min, gefolgt von 40 Zyklen mit 95 °C für 10 s und 60 °C für 30 s, sowie einer abschließenden Schmelzkurvenanalyse von 60 °C bis 95 °C zur Überprüfung der Amplifikationsspezifität. Alle Reaktionen wurden in technischen Triplikaten durchgeführt. β-Aktin wurde als endogenes Referenzgen verwendet. Die Primer-Effizienz für jedes Zielgen wurde mittels Standardkurven-Dilutionsreihen validiert und lag zwischen 90 % und 110 %. Die Genexpression wurde auf β-Aktin normalisiert, und die relative Expression wurde nach der 2-ΔΔCt-Methode berechnet. Statistische Vergleiche zwischen der COPD- und der Kontrollgruppe wurden mit dem Mann-Whitney-U-Test durchgeführt.

Statistische Analyse

Netzwerkvisualisierungen wurden mit Cytoscape erstellt und statistische Analysen mit der R-Software durchgeführt. Sofern nicht anders angegeben, wurde der Mann-Whitney-U-Test für nicht normalverteilte Daten und der t-Test nach Student für normalverteilte Daten zur Vergleichung von zwei Gruppen verwendet. Ein Wert von p < 0,05 galt als statistisch signifikant.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

Identifizierung überlappender Gene, Anreicherungsanalyse und Konstruktion des PPI-Netzwerks

Aus dem GSE54837-Datensatz wurden 3.371 DEGs identifiziert, darunter 1.675 hochregulierte und 1.696 herunterregulierte DEGs. Die 10 Gene mit der stärksten Hoch- und Herunterregulierung sind in Abbildung 1A dargestellt. Eine hierarchische Clusteranalyse der GSE54837-Daten wurde durchgeführt (ergänzende Abbildung 1A), und eine Soft-Thresholdi...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

Die konservierte RNA-Modifikation ac4C, die vorwiegend in Boten-RNA (mRNA) und Transfer-RNA (tRNA) vorkommt, erhöht die mRNA-Stabilität und die Translations-Effizienz20. NAT10 ist die einzige bekannte RNA-Acetyltransferase, die die ac4C-Modifikation vermittelt21. Studien haben gezeigt, dass NAT10 in Lungenepithelzellen von COPD-Patienten hochreguliert ist. Die Herunterregulation von NAT10 stört die mitochondriale Funktion und transkriptomische Reaktionen22...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

Die Autoren erklären, dass kein Interessenkonflikt besteht. Von allen an der Studie beteiligten Personen wurde eine informierte Einwilligung eingeholt.

Danksagungen

Wir danken dem Shenzhen Luohu Krankenhaus für Traditionelle Chinesische Medizin für die Bereitstellung der klinischen Einrichtungen und der administrativen Unterstützung, die für diese Studie unerlässlich waren. Schließlich sind wir allen Patienten und gesunden Probanden dankbar, die an dieser Forschung teilgenommen haben; ihr Beitrag war für diese Arbeit unverzichtbar. Diese Arbeit wurde unterstützt durch das Sanming-Projekt der Medizin in Shenzhen (Nr. SZZYSM202401018), die Fonds für vorrangige Fachgebiete des Luohu-Distrikts (Nr. LX202402021) und die Fonds für vorrangige Fachgebiete des Luohu-Distrikts (Nr. LX202302064).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
β-Actin-PrimerTsingkeN/VVorwärts: 5’-CATGTACGTTGCTATCCAGGC-3’
Rückwärts: 5’-CTCCTTAATGTCACGCACGAT-3’
B4GALT2-PrimerTsingkeN/VVorwärts: 5’-GGGCAGACTGCTGATCGAG-3’
Rückwärts: 5’-CCGGTGTCTAAAGGGGATGAT-3’
CB-Dock2LabShareOnlineMolekulares Docking
clusterProfilerBioconductorv4.14.6Anreicherungsanalyse
CytoscapeCytoscape-Konsortiumv3.8.3Netzwerkvisualisierung
DrugBankUniversity of AlbertaOnlineWirkstoffvorhersage
FAM168B-PrimerTsingkeN/VVorwärts: 5’-TCTGGGGTTCCCTATGCAAAT-3’
Rückwärts: 5’-GTAGGATTCGCTCCAGGATACA-3’
glmnetCRANv4.1LASSO-Regression
GSVABioconductorv1.52.3ssGSEA-Analyse
Hifair III 1st Strand cDNA Synthesis SupermixYEASEN11141EScDNA-Synthese
Hieff RTPCR SYBR Green Master MixYEASEN11201ESqPCR-Amplifikation
limmaBioconductorv3.54.0Differenzielle Expression
LightCycler 480 II SystemRocheLightCycler 480 IIEchtzeit-PCR
PTRF-PrimerTsingkeN/VVorwärts: 5’-GGGCCGTAGACCAGATCCA-3’
Rückwärts: 5’-CTTGCTCACCGTATTGCTCGT-3’
PRKCDBP-PrimerTsingkeN/VVorwärts: 5’-CACGTTCTGCTCTTCAAGGAG-3’
Rückwärts: 5’-TGTACCTTCTGCAATCCGGTG-3’
R-SoftwareR Foundationv4.4.2Statistische Datenverarbeitung
randomForestCRANv4.7Random-Forest-Methode
RNA isolater MolPure Blood RNA KitYEASEN19241ES50RNA-Extraktion
STRING-DatenbankEMBLOnlinePPI-Netzwerk
TOR3A-PrimerTsingkeN/VVorwärts: 5’-CCCTTGCTCTGTCGTTCCAC-3’
Rückwärts: 5’-CCCGTCCCGATACAGGTTC-3’
UPP1-PrimerTsingkeN/VVorwärts: 5’-CTGTCAGTCATGGTATGGGCA-3’
Rückwärts: 5’-GAGCACCGGGCATAGTACA-3’
WGCNACRANv1.72Ko-Expressionsnetzwerk
xgboostCRANv1.7XGBoost-Algorithmus

Referenzen

  1. Hogg JC. Pathophysiology of airflow limitation in chronic obstructive pulmonary disease. Lancet. 2004;364(9435):709-21.
  2. Baraldo S, Turato G, Saetta M. Pathophysiology of the small airways in chronic obstructive pulmonary disease. Respiration. 2012;84(2):89-97.
  3. Fischer BM, Pavlisko E, Voynow JA. Pathogenic triad in COPD: oxidative stress, protease-antiprotease imbalance, and inflammation. Int J Chron Obstruct Pulmon Dis. 2011;6:413-21.
  4. Pandey KC, De S, Mishra PK. Role of proteases in chronic obstructive pulmonary disease. Front Pharmacol. 2017;8:512.
  5. Wang L, Xie J, Hu Y, Tian Y. Air pollution and risk of chronic obstructed pulmonary disease: the modifying effect of genetic susceptibility and lifestyle. EBioMedicine. 2022;79:103994.
  6. Elonheimo HM, et al. Environmental substances associated with chronic obstructive pulmonary disease-a scoping review. Int J Environ Res Public Health. 2022;19(7):3945.
  7. Chen S, et al. The global economic burden of chronic obstructive pulmonary disease for 204 countries and territories in 2020-50: a health-augmented macroeconomic modelling study. Lancet Glob Health. 2023;11(8):e1183-e93.
  8. Rutten-van Mölken MP, et al. Costs and effects of inhaled corticosteroids and bronchodilators in asthma and chronic obstructive pulmonary disease. Am J Respir Crit Care Med. 1995;151(4):975-82.
  9. Ontiveros RJ, Stoute J, Liu KF. The chemical diversity of RNA modifications. Biochem J. 2019;476(8):1227-45.
  10. Roundtree IA, Evans ME, Pan T, He C. Dynamic RNA modifications in gene expression regulation. Cell. 2017;169(7):1187-200.
  11. Wang C, et al. RNA modification in cardiovascular disease: implications for therapeutic interventions. Signal Transduct Target Ther. 2023;8(1):412.
  12. Zhang W, et al. ac4C acetylation regulates mRNA stability and translation efficiency in osteosarcoma. Heliyon. 2023;9(6):e17103.
  13. Qiu L, Jing Q, Li Y, Han J. RNA modification: mechanisms and therapeutic targets. Mol Biomed. 2023;4(1):25.
  14. Luo J, Cao J, Chen C, Xie H. Emerging role of RNA acetylation modification ac4C in diseases: current advances and future challenges. Biochem Pharmacol. 2023;213:115628.
  15. Li H, et al. RNA cytidine acetyltransferase NAT10 maintains T cell pathogenicity in inflammatory bowel disease. Cell Discov. 2025;11(1):19.
  16. Wang JN, et al. NAT10 exacerbates acute renal inflammation by enhancing N4-acetylcytidine modification of the CCL2/CXCL1 axis. Proc Natl Acad Sci U S A. 2025;122(17):e2418409122.
  17. Shenshen W, et al. NAT10 accelerates pulmonary fibrosis through N4-acetylated TGFB1-initiated epithelial-to-mesenchymal transition upon ambient fine particulate matter exposure. Environ Pollut. 2023;322:121149.
  18. Liu J, et al. Unveiling ac4C modification pattern: a prospective target for improving the response to immunotherapeutic strategies in melanoma. J Transl Med. 2025;23(1):287.
  19. Su F, et al. Multimodal single-cell analyses outline the immune microenvironment and therapeutic effectors of interstitial cystitis/bladder pain syndrome. Adv Sci (Weinh). 2022;9(18):e2106063.
  20. Schiffers S, Oberdoerffer S. ac4C: a fragile modification with stabilizing functions in RNA metabolism. RNA. 2024;30(5):583-94.
  21. Jiao L, et al. Emerging role of N-acetyltransferase 10 in diseases: RNA ac4C modification and beyond. Mol Biomed. 2025;6(1):46.
  22. Zheng N, et al. Regulatory roles of NAT10 in airway epithelial cell function and metabolism in pathological conditions. Cell Biol Toxicol. 2023;39(4):1237-56.
  23. Du J, et al. PTRF-IL33-ZBP1 signaling mediating macrophage necroptosis contributes to HDM-induced airway inflammation. Cell Death Dis. 2023;14(7):432.
  24. Lai K, et al. Uridine alleviates sepsis-induced acute lung injury by inhibiting ferroptosis of macrophage. Int J Mol Sci. 2023;24(6):5093.
  25. Kumari R, Jat P. Mechanisms of cellular senescence: cell cycle arrest and senescence associated secretory phenotype. Front Cell Dev Biol. 2021;9:645593.
  26. Ogrodnik M, Salmonowicz H, Jurk D, Passos JF. Expansion and cell-cycle arrest: common denominators of cellular senescence. Trends Biochem Sci. 2019;44(12):996-1008.
  27. Kumar M, Seeger W, Voswinckel R. Senescence-associated secretory phenotype and its possible role in chronic obstructive pulmonary disease. Am J Respir Cell Mol Biol. 2014;51(3):323-33.
  28. Pérez-Rubio G, et al. Role of genetic susceptibility in nicotine addiction and chronic obstructive pulmonary disease. Rev Invest Clin. 2019;71(1):36-54.
  29. Liu Y, Wang R, Jiang T. RNA-binding proteins as a molecular link between COPD and pulmonary hypertension. Int J Med Sci. 2025;22(8):1979-91.
  30. Marques TM, Gama-Carvalho M. Network approaches to study endogenous RNA competition and its impact on tissue-specific microRNA functions. Biomolecules. 2022;12(2):332.
  31. Wang J, Xia B, Ma R, Ye Q. Comprehensive analysis of a competing endogenous RNA co-expression network in chronic obstructive pulmonary disease. Int J Chron Obstruct Pulmon Dis. 2023;18:2417-29.
  32. Zhang J, et al. Construction of a ceRNA network and screening of potential biomarkers and molecular targets in male smokers with chronic obstructive pulmonary disease. Front Genet. 2024;15:1376721.
  33. Celikoğlu F, Celikoğlu SI. Intratumoural chemotherapy with 5-fluorouracil for palliation of bronchial cancer in patients with severe airway obstruction. J Pharm Pharmacol. 2003;55(10):1441-8.
  34. Chan AK, Choo BA, Glaholm J. Pulmonary toxicity with oxaliplatin and capecitabine/5-fluorouracil chemotherapy: a case report and review of the literature. Onkologie. 2011;34(8-9):443-6.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Tags

UPP1-BiomarkerCOPD-Diagnoseac4C-RNA-ModifikationGen-Co-ExpressionMachine-Learning-Biomarkerregulatorische NetzwerkanalyseImmunzell-ProfilingWirkstoff-Gen-Interaktion
Kontaktieren Sie uns
Der Bibliothek empfehlen

Datenschutz

Nutzungsbedingungen

Richtlinien

Urheberrecht © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.