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

Forschungsartikel

CCL4 als potenzieller immunmetabolischer Biomarker bei akutem Myokardinfarkt mittels maschinellem Lernen und Einzelzelltranskriptomik

76 Aufrufe

⸱

DOI:

10.3791/72480

⸱

11. August 2026

 ,  ,  , 
1The First Affiliated Hospital of Anhui Medical University, 2Anhui Public Health Clinical Center

In diesem Artikel

Zusammenfassung

Diese Studie integriert Bulk- und Einzelzell-Transkriptomik mit maschinellem Lernen, um CCL4 und fünf weitere Gene als potenzielle diagnostische Biomarker für akuten Myokardinfarkt zu identifizieren, wodurch immun-metabolisches Crosstalk sowie zelltypspezifische Expressionsmuster aufgedeckt werden.

Zusammenfassung

Der akute Myokardinfarkt (AMI) ist weltweit eine führende Ursache für Morbidität und Mortalität und unterstreicht den Bedarf an neuartigen komplementären Biomarkern. Durch die Integration von Bulk- und Einzelzelltranskriptomdaten mit maschinellen Lernmethoden konnten calmodulin-bezogene Gene, die mit AMI assoziiert sind und deren immunmetabolische Merkmale untersucht wurden, identifiziert. Differentialexpressions- und gewichtete Koexpressionsanalysen zeigten 60 calmodulin-bezogene Gene, von denen sechs Schlüsselgene (SOCS3, GBP4, ST14, KPNA5, STAB1 und CCL4) mit mehreren maschinellen Lernalgorithmen getestet und in unabhängigen Datensätzen validiert wurden. Funktionelle Analysen zeigten eine Anreicherung der Immun-, Entzündungs- und Stoffwechselwege. Immuninfiltration und Einzelzelltranskriptomik zeigten zelltypspezifische Expressionsmuster, wobei CCL4 überwiegend in T- und NK-Zellen exprimiert und in AMI-Proben deutlich reduziert war. qPCR-Validierung bestätigte signifikante Expressionsänderungen für vier der sechs Gene in der lokalen Kohorte. Analysen von Arzneimittel-Gen-Interaktionen und Andockungen schlugen Kandidatenverbindungen für weitere Untersuchungen vor. Zusammen deuten die Ergebnisse darauf hin, dass CCL4 als potenzieller diagnostischer Biomarker für AMI dienen könnte, und die beobachteten immun-metabolischen Assoziationen bilden eine Grundlage für zukünftige mechanistische und translationale Studien.

Einleitung

Der akute Myokardinfarkt (AMI), verursacht durch anhaltende Myokardischämie, gehört zu den tödlichsten Herz-Kreislauf-Erkrankungen weltweit1˒2. Seine Pathogenese ist multifaktoriell, wobei Hauptfaktoren Atherosklerose, Thrombose, Koronararterienkrampfe und Arrhythmien3˒4 sind. Bluthochdruck, Diabetes, Hyperlipidämie, Rauchen, Fettleibigkeit und psychischer Stress werden ebenfalls als wichtige Risikofaktorenanerkannt. Obwohl Fortschritte in interventionellen Techniken, Thrombozytentherapien und thrombolytischen Strategien das kurzfristige Überleben deutlich verbessert haben, steigt die Gesamtinzidenz von AMI weiterhin an, insbesondere bei jüngeren Bevölkerungsgruppen6. Herztroponin (cTn) ist derzeit der Goldstandard-Biomarker zur Diagnose von AMI. Es handelt sich um ein Strukturprotein, das nach einer Myokardzellnekrose in den Kreislauf freigesetzt wird und eine hohe Sensitivität und Spezifität aufweist. Allerdings können die cTn-Werte durch die Nierenfunktion und den Zeitpunkt der Probenentnahme7˒8 beeinflusst werden. Daher besteht weiterhin die Notwendigkeit, neue komplementäre Biomarker zu entwickeln.

Calmodulin (CaM) ist ein kleines, allgegenwärtig exprimiertes und hochkonserviertes calciumbindendes Protein, das als wichtiger intrazellulärer Transducer von Kalziumsignalen fungiert und an einer Vielzahl biologischer Prozesse teilnimmt(9˒10). Durch die Wahrnehmung von Veränderungen in den intrazellulärenCa-2⁺-Konzentrationen interagiert CaM mit zahlreichen Zielproteinen, darunter Kinasen, Phosphatasen und Ionenkanäle, um die Zellproliferation, Apoptose, den Stoffwechsel, die Muskelkontraktion und entzündliche Reaktionen zu regulieren11. Im Herz-Kreislauf-System spielt CaM eine zentrale Rolle bei der Kontrolle der Kontraktilität der Kardiomyozyten, Herzfrequenz, elektrischer Stabilität und des glatten Tonusder Gefäßmuskulatur 12˒13. Zunehmende Evidenz zeigt, dass CaM-Dysfunktion oder Dysregulation von CaM-bezogenen Signalwegen zu mehreren kardiovaskulären Erkrankungen beiträgt, darunter Herzrhythmusstörungen, Herzinsuffizienz, Bluthochdruck und Herzhypertrophie14˒15. Darüber hinaus beteiligt sich CaM an den Reaktionen der Kardiomyozyten auf Ischämie, oxidativen Stress und entzündliche Reize, was auf eine mögliche Beteiligung am pathologischen Fortschreiten von AMI16 hindeutet. Daher ist die Untersuchung von CaM im Zusammenhang mit Herz-Kreislauf-Erkrankungen von erheblichem wissenschaftlichem und klinischem Interesse.

Bulk-RNA-seq- und Einzelzell-RNA-seq-Datensätze wurden integriert, um systematisch differenziell exprimierte Gene (DEGs) zu identifizieren, die signifikant mit dem CaM-Wert assoziiert sind. Die gewichtete Gen-Koexpressionsnetzwerkanalyse (WGCNA) wurde verwendet, um CaM-bezogene Kandidatengene weiter zu identifizieren, die an AMI beteiligt sind. Mehrere maschinelle Lernalgorithmen wurden dann eingesetzt, um Schlüsselgene zu screenen und prädiktive Modelle zur Bewertung des individuellen AMI-Risikos zu erstellen. Transkriptomische Merkmale, Immuninfiltrationsprofile und konkurrierende endogene RNA-(ceRNA)-Regulationsnetzwerke wurden ebenfalls integriert, um zu untersuchen, wie diese Schlüsselgene zur Immunregulation und potenziellen Wirkstoff-Ziel-Interaktionen beitragen können. Die Ergebnisse deuten darauf hin, dass mehrere Kerngene an immunmetabolischen Überschwungswegen beteiligt sind und einen prädiktiven Wert sowie therapeutisches Potenzial aufweisen. Dieser integrierte Ansatz verfeinert das molekulare Verständnis von AMI und liefert eine Begründung für die Entwicklung und gezielte Intervention von Biomarkern.

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

Protokoll

Die Studie wurde gemäß der Helsinkier Erklärung durchgeführt. Das Protokoll wurde am 19. September 2025 vom Ethikausschuss des Anhui Public Health Clinical Center genehmigt (Genehmigungs-ID: PJ-YX2025-062). Vor der Blutentnahme wurde von allen Teilnehmern eine schriftliche informierte Zustimmung eingeholt. Die lokale Kohorte umfasste acht Patienten mit akutem Myokardinfarkt (AMI) und acht gesunde Kontrollpersonen. Die im Protokoll verwendeten Forschungswerkzeuge sind in der Materialtabelle aufgeführt.

1. Datenquellen und -verarbeitung

Bulk-RNA-Sequenzierungsdatensätze im Zusammenhang mit Myokardinfarkt wurden aus dem Gene Expression Omnibus (GEO) gewonnen. Die GSE59867- und GSE48060-Datensätze wurden für Bulk-Transkriptomik-Analysen verwendet, und der GSE269269 Einzelzell-RNA-Sequenzierungsdatensatz wurde für zelluläre Analysen verwendet (Tabelle 1). Ein Set von 255 calmodulin-bezogenen Genen wurde aus dem Human Protein Atlas für spätere Gen-Set-Analysen gewonnen.

DatensatzStichprobentypProbe (Kontrollen)Stichprobe (Patienten)Sequenzierungsplattform
GSE59867Bulk RNA-seq46111GPL6244
GSE48060Bulk RNA-seq2131GPL570
GSE269269scRNA-seq (peripheres Blut)10GPL24676

Tabelle 1: Merkmale der in der Studie verwendeten Datensätze. Die Tabelle listet die Datensatzzugangszahlen, Probentypen, Anzahl der Kontroll- und Patientenproben sowie Sequenzierungsplattformen für die Bulk-RNA- und Einzelzell-RNA-Sequenzierungsdatensätze auf. RNA-Seq, RNA-Sequenzierung; scRNA-seq, Einzelzell-RNA-Sequenzierung.

Die Intersample-Variabilität in den Bulk-Transkriptomik-Datensätzen wurde mit der normalizeBetweenArrays-Funktion im Limma-Paket, Version 3.60.6, korrigiert. Anschließend wurde eine differentielle Genexpressionsanalyse mittels Limma durchgeführt. Differenziell exprimierte Gene (DEGs) wurden mit den Schwellenwerten P < 0,05 und |log₂-facher Änderung| definiert. > 0,5. Die resultierenden DEGs wurden anhand von Vulkandiagrammen und Heatmaps visualisiert und als deutlich hochreguliert, deutlich herunterreguliert oder nicht signifikant verändert klassifiziert.

2. Analyse der Genanreicherung durch einzelne Proben und das gewichtete Gen-Koexpressionsnetzwerk

Die Analyse der Genanreicherung mit einer Einzelprobe (ssGSEA) wurde unter Verwendung der 255 calmodulin-bezogenen Gene durchgeführt. Das GSVA-Paket wurde verwendet, um für jede AMI und Kontrollprobe einen calmodulin-bezogenen Genscore, bezeichnet als Calmodulin_score, zu berechnen. Unterschiede im Calmodulin_score zwischen der AMI- und Kontrollgruppe wurden mit dem Wilcoxon-Rangsummentest bewertet.

Die gewichtete Gen-Koexpressionsnetzwerkanalyse (WGCNA) wurde unter Verwendung der Bulk-Transkriptomdaten von Patienten mit AMI durchgeführt. Gene mit einem mittleren Fragment pro Kilobase des Transkripts pro Million kartierter Lesewerte von ≤0,5 wurden ausgeschlossen. Die Proben wurden gruppiert, um Ausreißer zu identifizieren und zu entfernen.

Eine Soft-Thresholding-Leistung, die eine skalenfreie Topologieanpassung von R² > 0,8 erreichte, wurde ausgewählt. Anschließend wurde eine topologische Überlappungsmatrix konstruiert. Genmodule wurden mit dem dynamischen Baumschnitt-Algorithmus mit einer Mindestmodulgröße von 200 identifiziert. Module mit sehr ähnlichen Eigengenen wurden mit einer Korrelationsschwelle von >0,75 zusammengeführt, was einem modulartigen Schwellenwert von 0,25 entspricht.

Beziehungen zwischen Moduleigengen und klinischen Merkmalen, einschließlich Calmodulin_score, wurden mittels Pearson-Korrelationsanalyse bewertet. Die resultierenden Modul-Trait-Beziehungen wurden in einer Heatmap dargestellt, die mit Korrelationskoeffizienten und entsprechenden P-Werten annotiert war. Modulzugehörigkeit und Gensignifizit wurden für jedes Gen berechnet. Streudiagramme der Modulzugehörigkeit im Vergleich zur Gensignifiklusion wurden erstellt, um Gene mit hoher intramodularer Konnektivität und Merkmalsrelevanz zu identifizieren.

3. Identifikation von AMI-assoziierten calmodulin-bezogenen Genen

AMI-assoziierte, calmodulin-bezogene Gene wurden identifiziert, indem die DEGs mit Genen aus WGCNA-Modulen geschnitten wurden, die signifikant mit Calmodulin_score korreliert sind. Die sich überlappenden Gene wurden für nachgelagerte Analysen beibehalten.

Die Analyse der funktionalen Anreicherung wurde mit dem clusterProfiler-Paket durchgeführt. Die Annotationen der Genontologie und der Kyoto Encyclopedia of Genes and Genomes wurden verwendet, um biologische Prozesse, molekulare Funktionen, zelluläre Komponenten und Signalwege zu identifizieren, die mit den sich überlappenden Genen verbunden sind.

4. Identifikation und Validierung von Schlüsselgenen mittels maschinellem Lernen

Eine Univariate logistische Regressionsanalyse wurde unter Verwendung der sich überlappenden Gene durchgeführt. Drei maschinelle Lernalgorithmen wurden dann unabhängig voneinander unter Verwendung folgender R-Pakete und Parameter angewendet: Random Forest, XGBoost und Support Vector Machine.

Jeder Algorithmus wurde verwendet, um Gene mit prädiktivem Wert für AMI zu priorisieren. Kandidaten-Schlüsselgene wurden als die Gene definiert, die von allen drei Algorithmen identifiziert wurden. Gene, die sowohl im GSE59867 Trainingsdatensatz als auch im GSE48060 externen Validierungsdatensatz eine signifikante und richtungskonsistente differentielle Expression aufwiesen, wurden als endgültige Schlüsselgene beibehalten.

5. Aufbau und Bewertung diagnostischer Modelle

Ein logistisches Regressionsmodell wurde unter Verwendung der identifizierten Schlüsselgene und der LRM-Funktion konstruiert. Ein Nomogramm wurde mit der Regplot-Funktion erstellt, um den Beitrag jedes Merkmalsgens zur vorhergesagten Wahrscheinlichkeit von AMI darzustellen.

Die Modelldiskriminierung wurde durch eine Analyse der Empfänger-Betriebseigenschaften mit dem pROC-Paket evaluiert. Die Fläche unter der Empfänger-Betriebscharakteristiekkurve wurde berechnet, um die Fähigkeit des Modells zu bewerten, AMI von Kontrollproben zu unterscheiden.

Kalibrierungskurven wurden erstellt, um vorhergesagte Wahrscheinlichkeiten mit den beobachteten Ergebnissen zu vergleichen. Die Entscheidungskurvenanalyse wurde durchgeführt, um den klinischen Nettonutzen des Modells über eine Reihe von Schwellenwahrscheinlichkeiten hinweg zu schätzen.

6. Genmengenanreicherungsanalyse und konkurrierende endogene RNA-Netzwerkkonstruktion

Die Analyse der Gensatzanreicherung wurde für jedes Schlüsselgen separat unter Verwendung seiner Genkorrelationsmatrix und des clusterProfiler-Pakets durchgeführt. Die Ergebnisse der Kyoto Encyclopedia of Genes and Genomes Pathway-Anreicherung wurden nach dem absoluten normalisierten Anreicherungsscore bewertet. Für jedes Gen wurden die fünf höchstrangigen Pfade angezeigt.

Funktionelle Assoziationen und Gen-Interaktionsnetzwerke wurden mit GeneMANIA untersucht. Potenzielle microRNA-Regulatoren der Schlüsselgene wurden mit miRanda, miRTarBase, TargetScan und miRDB vorhergesagt. Kandidaten-MikroRNA-mRNA-Interaktionen wurden identifiziert, indem die Vorhersagen aus den vier Datenbanken geschnitten wurden.

Lange nicht-kodierende RNA-MikroRNA-Interaktionen wurden aus spongeScan gewonnen. Die langen nicht-kodierenden RNA-mikroRNA- und microRNA-mRNA-Beziehungen wurden anschließend integriert, um ein konkurrierendes endogenes RNA-Regulationsnetzwerk zu konstruieren. Das Netzwerk wurde als Sankey-Diagramm unter Verwendung des Ggalluvialpakets visualisiert.

7. Arzneimittelprognose und molekulares Andocken

Arzneimittel-Gen-Interaktionen wurden mithilfe der Drug-Gene Interaction Database vorhergesagt. Das resultierende Interaktionsnetzwerk wurde mit Netzwerkanalyse-Software visualisiert.

Der UniProt-Protein-Identifikator für CCL4 wurde als P13236 abgerufen. Die entsprechende dreidimensionale Proteinstruktur wurde im Protein Data Bank-Format (PDB) unter der Zugangsnummer 1HUM (human MIP-1β, X-ray diffraction structure) erhalten, die für das Andocken ausgewählt wurde. Kette A, die das biologisch relevante Monomer repräsentiert, wurde für das Andocken ausgewählt. Die Proteinpräparation erfolgte mit dem Prepare Protein-Modul in CB-Dock2, was die Entfernung von Wassermolekülen, die Zugabe polarer Wasserstoffe und die Zuweisung von Gasteiger-Ladungen umfasst. Die dreidimensionalen chemischen Strukturen der Kandidatenverbindungen (Klonsäure und Epoetin Alfa) wurden aus der PubChem-Datenbank im Structure-Data File (SDF)-Format abgerufen. Andocksimulationen wurden mit der Online-Plattform CB-Dock2 durchgeführt, die den AutoDock Vina-Algorithmus für das Blindandocken verwendet. Die Andockstelle war so eingestellt, dass sie die gesamte Proteinoberfläche bedeckte, um eine unvoreingenommene Identifizierung potenzieller Bindungstaschen zu ermöglichen. Die Bindungsaffinität wurde als vorhergesagte freie Bindungsenergie (ΔG) in kcal/mol berechnet. Endgültige Andockpositionen und Protein-Ligand-Interaktionen (z. B. Wasserstoffbrücken, hydrophobe Kontakte) wurden mit PyMOL und dem integrierten Interaktionsviewer von CB-Dock2 visualisiert.

8. Vorverarbeitung von Einzelzell-RNA-Sequenzierungsdaten

Die Qualitätskontrolle wurde vor der nachgelagerten Einzelzell-RNA-Sequenzierungsanalyse durchgeführt. Zellen wurden erhalten, wenn die Anzahl der nachgewiesenen Gene zwischen 200 und 10.000 lag, die Gesamtzahl der eindeutigen molekularen Identifikatoren ≥1.000 betrug und der Anteil der mitochondrialen Transkripte ≤20 % betrug.
Zellen, die weniger als 200 Gene ausdrücken und in weniger als drei Zellen nachgewiesene Gene, wurden ausgeschlossen. Diese Filter wurden eingesetzt, um die Einbeziehung von minderwertigen Zellen und technischem Rauschen zu reduzieren. Genexpressionswerte wurden mit der Funktion NormalizeData im Seurat-Paket normalisiert. Sehr variable Gene wurden mit der Funktion FindVariableFeatures identifiziert. Die Expressionswerte der hochvariablen Gene wurden mittels der ScaleData-Funktion zentriert und standardisiert.

Batch-Effekte, die mit experimenteller oder sequenzierender Variation verbunden sind, wurden mit der RunHarmony-Funktion aus dem Harmony-Integrationsrahmen17 korrigiert.

9. Einzelzelldimensionalitätsreduktion, Clusterbildung und Annotation

Die Hauptkomponentenanalyse wurde zunächst angewandt, um die Dimensionalität des Einzelzell-RNA-Sequenzierungsdatensatzes zu reduzieren. Uniforme Mannigfaltigkeitsannäherung und -Projektion sowie t-verteilte stochastische Nachbareinbettung wurden anschließend verwendet, um zelluläre Heterogenität zu visualisieren.

Transkriptionell ähnliche Zellen wurden mit den Funktionen FindNeighbors und FindClusters in Seurat gruppiert. Differentiell exprimierte Markergene für jeden Cluster wurden mithilfe der FindAllMarkers-Funktion identifiziert, indem jeder Cluster mit allen übrigen Clustern verglichen wurde.

Zelltypen wurden anhand kanonischer Markergene zugeordnet, die aus veröffentlichter Literatur und etablierten Zellmarkerdatenbanken gewonnen wurden. Die räumliche Verteilung und die Expressionsniveaus von Schlüsselgenen wurden mit der FeaturePlot-Funktion18 visualisiert.

10. Quantitative Polymerase-Kettenreaktionsanalyse

Periphere Blutproben wurden von 8 Patienten mit AMI und 8 gesunden Kontrollpersonen im Anhui Public Health Clinical Center entnommen. Die AMI-Gruppe umfasste Patienten, die nach der vierten universellen Definition des Myokardiinfarkts diagnostiziert wurden, mit Symptomen, die mit Myokardischämie übereinstimmen, und erhöhten kardialen Troponin-I-Werten oberhalb der oberen Referenzgrenze des 99. Perzentils. Die Kontrollgruppe bestand aus gesunden Personen mit alters- und geschlechtsabgleichbarem Alter, ohne Vorgeschichte von Herz-Kreislauf-Erkrankungen, normalen Elektrokardiogramen und ohne Auffälligkeiten bei routinemäßigen Blutuntersuchungen, Leberfunktion oder Nierenfunktion. Bei Patienten mit AMI wurden innerhalb von 24 Stunden nach der Krankenhausaufnahme 3 ml Ethylendiaminetetraessigsäure-antikoaguliertes Blut entnommen. Das gleiche Volumen wurde während des entsprechenden Studienzeitraums von gesunden Kontrollpersonen gesammelt.

Die Gesamt-RNA wurde aus peripherem Blut gemäß dem mit dem Blut-RNA-Isolierungskit gelieferten Protokoll isoliert. RNA-Konzentration und Reinheit wurden mit einem NanoDrop-Spektrophotometer bewertet, und die RNA-Integrität wurde durch Agarose-Gelelektrophorese überprüft. Für nachfolgende Analysen wurden nur Proben mit einem A260/A280-Verhältnis zwischen 1,8 und 2,1 verwendet. Insgesamt wurden 500 ng RNA rückwärts in komplementäre DNA mit einem Erststrang-komplementären DNA-Synthesereagenz transkribiert. Die resultierende komplementäre DNA wurde auf eine Endkonzentration von 150 ng/mL verdünnt. Die quantitative Polymerase-Kettenreaktionsamplifikation erfolgte bei einem Gesamtreaktionsvolumen von 10 μL unter Verwendung eines SYBR Green-basierten Master-Mix ohne passives Referenzfarbstoff. Alle qPCR-Reaktionen wurden zweimal in technischen Duplikaten durchgeführt, und die anschließenden Berechnungen basierten auf den durchschnittlichen CT-Werten.

Die Verstärkung erfolgte mit einem Echtzeit-Polymerase-Kettenreaktionsinstrument. Die Zyklusbedingungen bestanden aus einer anfänglichen Denaturierung bei 95 °C für 5 Minuten, gefolgt von 40 Denaturierungszyklen bei 95 °C für 10 Sekunden, Glühen bei 60 °C für 30 Sekunden und Verlängerung bei 72 °C für 30 Sekunden. Die Schmelzkurvenanalyse wurde nach der Amplifikation durchgeführt.

Die Genexpressionswerte wurden auf β-Aktin normalisiert. Die relative Expression wurde mit der 2−ΔΔCt-Methode berechnet.

11. Statistische Analyse

Statistische Analysen wurden in R durchgeführt. Netzwerkvisualisierungen wurden mit Netzwerkanalysesoftware erstellt. Unterschiede zwischen zwei Gruppen wurden mit dem Wilcoxon-Test bewertet, sofern nicht anders angegeben. Kontinuierliche Variablen mit Normalverteilung wurden mit dem Student's t-Test verglichen. Nicht-normalverteilte stetige Variablen wurden mit dem Mann-Whitney-U-Test verglichen, auch als Wilcoxon-Rangsummentest bezeichnet. Alle statistischen Tests waren zweiseitig. Ein P-Wert von <0,05 wurde als statistisch signifikant19 angesehen.

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

Ergebnisse

Identifikation und Anreicherungsanalyse calmodulin-bezogener Gene, die mit AMI assoziiert sind
Die Korrektur des Batch-Effekts wurde zunächst am GSE59867-Datensatz durchgeführt, um die Kreuzprobenvergleichbarkeit sicherzustellen (Abbildung 1A). Insgesamt wurden anschließend 168 differenziell exprimierte Gene (DEGs) identifiziert, darunter 77 hochregulierte und 91 herunterregulierte Gene in AMI-Proben im Vergleich zu Kontrollen (

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

Diskussion

Der akute Myokardinfarkt (AMI) entsteht durch eine akute Koronararterienokklusion, was zu myokämischer Nekrose sowie einer weltweiten hohen Morbidität und Mortalität führt. Calmodulin, ein calciumabhängiges regulatorisches Protein, spielt eine entscheidende Rolle bei der intrazellulären Signaltransduktion. Frühere Studien haben gezeigt, dass Calmodulin die Apoptose, entzündliche Reaktionen und die Kalziumhomöostase während der AMI reguliert, was darauf hindeutet, dass es ein wichtiges Mo...

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

Offenlegungen

Die Autoren erklären keine Interessenkonflikte.

Danksagungen

Diese Arbeit wurde vom Anhui Medical University Research Fund (Fördernummer 2022xkj059) und dem Anhui Institute of Translational Medicine (Förderzuschuss Nr. 2021zhyx-C71) unterstützt. Die Autoren danken allen Kollegen, die bei dieser Forschung geholfen und sie unterstützt haben.

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/AForward: 5′-CATGTACGTTGCTATCCAGGC-3′
Reverse: 5′-CTCCTTAATGTCACGCACGAT-3′
calibratermsN/AParameters: lrmModel, method = "boot", B = 1000
CB-Dock2CB-Dock2 ServerOnline toolhttps://cadd.labshare.cn/cb-dock2/
CCL4 primerTsingkeN/AForward: 5′-CTGTGCTGATCCCAGTGAATC-3′
Reverse: 5′-TCAGTTCAGTTCCAGGTCATACA-3′
CIBERSORTStanford UniversityOnline toolParameters: function(sig_matrix, mixture_file, perm = 0, QN = TRUE)Spearman correlation analysis was performed between immune-cell abundance and gene expression.
clusterProfilerBioconductor4.12.6https://bioconductor.org/packages/clusterProfiler
CytoscapeCytoscape Consortium3.9.1https://cytoscape.org/
Drug-Gene Interaction DatabaseDGIdbOnline databasehttps://www.dgidb.org/
Gene Expression OmnibusNCBIOnline databasehttps://www.ncbi.nlm.nih.gov/geo/
Gene Ontology databaseGene Ontology ConsortiumOnline databasehttp://geneontology.org/
GeneMANIAUniversity of TorontoOnline toolhttps://genemania.org/
GBP4 primerTsingkeN/AForward: 5′-AGGCTGCTAAAACACAAGCTG-3′
Reverse: 5′-CCCCAGGTAGAGTGACAATCAT-3′
ggalluvialCRAN0.12.5Sankey diagram generation
GSVABioconductor1.52.3Parameter: P < 0.05
Harmony integration frameworkCRAN1.2.0https://github.com/immunogenomics/harmony
Hifair III 1st Strand cDNA Synthesis SuperMixYEASEN11141ES10Reverse-transcription reagent
Hieff qPCR SYBR Green Master MixYEASEN11201ESqPCR reagent
Human Protein AtlasHuman Protein Atlas ConsortiumOnline databasehttps://www.proteinatlas.org/
KPNA5 primerTsingkeN/AForward: 5′-TCAAGAGATGCGTAGACGAAGA-3′
Reverse: 5′-ACATTTCTGCGTTTGAACAACTG-3′
Kyoto Encyclopedia of Genes and Genomes databaseKanehisa LaboratoriesOnline databasehttps://www.kegg.jp/
LightCycler 480 Instrument IIRocheLightCycler 480 IIReal-time PCR instrument
limmaBioconductor3.60.6Differentially expressed gene screening
lrmrmsN/AParameters: Type ~ SOCS3 + GBP4 + ST14 + KPNA5 + STAB1 + CCL4, data = aSAH, maxit = 100
miRandaMicroRNA.orgOnline toolhttp://www.microrna.org/microrna/home.do
miRDBmiRDBOnline toolhttp://mirdb.org/
miRTarBaseNational Chiao Tung UniversityOnline databasehttps://mirtarbase.cuhk.edu.cn/
Protein Data BankRCSBOnline databasehttps://www.rcsb.org/
PubChemNCBIOnline databasehttps://pubchem.ncbi.nlm.nih.gov/
PyMOLSchrödinger, LLC2.5.4Visualization of molecular docking results
pROCCRAN1.18.5Receiver operating characteristic curve generation and visualization
Random forest packageCRAN3.3.1Parameters: ntree = 100, seed = 200
R softwareR Foundation4.2.2Bioinformatics and statistical analyses
regplotCRAN1.1Parameters: glm(Status ~ gene, family = binomial(), data = merged_data)lrm(Type ~ SOCS3 + GBP4 + ST14 + KPNA5 + STAB1 + CCL4, data = aSAH, maxit = 100)
rmdaCRAN1.6Parameters: decision_curve(Type ~ SOCS3 + GBP4 + ST14 + KPNA5 + STAB1 + CCL4, data = aSAH, family = binomial(link = "logit"), thresholds = seq(0, 1, by = 0.01), confidence.intervals = 0.95)
RNA isolater MolPure Blood RNA KitYEASEN19241ES50RNA isolation kit
SeuratSatija Lab5.1.0Marker genes used for cell annotation:Monocytes: FCN1, S100A9, S100A8B cells: CD79B, MS4A1T cells: LDHB, CD4, CD3DNK cells: FGFBP2, GZMB, NKG7, KLRD1Megakaryocytes: CD163, CD36, PF4, PPBPBlood cells: ALAS2, AHSP, CA1Plasma cells: IGHA1, CD79A, MZB1, JCHAINDendritic cells: HLA-DMB, HLA-DPA1, HLA-DQB1Mast cells: FCER1A, MS4A2
SOCS3 primerTsingkeN/AForward: 5′-CCTGCGCCTCAAGACCTTC-3′
Reverse: 5′-GTCACTGCGCTCCAGTAGAA-3′
spongeScanspongeScanOnline toolhttp://spongescan.rc.ufl.edu/
ST14 primerTsingkeN/AForward: 5′-TTCCTGCCAGTCAACAACGTC-3′
Reverse: 5′-GGTACTGCAAATGCCACACC-3′
STAB1 primerTsingkeN/AForward: 5′-CCGGGAAATCCTTACCACAGC-3′
Reverse: 5′-ACCTTCGTGTTTGTTGGGTCC-3′
Support vector machine packageCRAN1.7-13Parameters: input, k = 10, halve.above = 100
survminerCRAN0.5.0Survival curve plotting
TargetScanTargetScanOnline toolhttp://www.targetscan.org/
UniProtUniProt ConsortiumOnline databasehttps://www.uniprot.org/
Weighted gene co-expression network analysis packageCRAN1.73Parameters: R² > 0.8, minModuleSize = 200
XGBoost packageCRAN1.7.8.1Parameters: nrounds = c(50, 200), max_depth = c(3, 8), eta = c(0.01, 0.3)

Referenzen

  1. Buja LM. Pathobiology of myocardial ischemia and reperfusion injury: models, modes, molecular mechanisms, modulation, and clinical applications. Cardiol Rev. 2023;31(5):252–264. https://doi.org/10.1097/CRD.0000000000000440
  2. Salari N, et al. The global prevalence of myocardial infarction: a systematic review and meta-analysis. BMC Cardiovasc Disord. 2023;23:206. https://doi.org/10.1186/s12872-023-03231-w
  3. Młynarska E, et al. From atherosclerotic plaque to myocardial infarction-the leading cause of coronary artery occlusion. Int J Mol Sci. 2024;25(13):7295. https://doi.org/10.3390/ijms25137295
  4. Krittanawong C, et al. Acute myocardial infarction: etiologies and mimickers in young patients. J Am Heart Assoc. 2023;12(18). https://doi.org/10.1161/JAHA.123.029971
  5. Sood A, Singh A, Gadkari C. Myocardial infarction in young individuals: a review article. Cureus. 2023;15(4). https://doi.org/10.7759/cureus.37102
  6. Galli M, et al. Guided versus standard antiplatelet therapy in patients undergoing percutaneous coronary intervention: a systematic review and meta-analysis. Lancet. 2021;397(10283):1470–1483. https://doi.org/10.1016/S0140-6736(21)00533-X
  7. Ai X, et al. Dynamic profiles of 25 serum biomarkers in acute myocardial infarction. Front Cardiovasc Med. 2025;12:1631648. https://doi.org/10.3389/fcvm.2025.1631648
  8. Yang Z, Zhou DM. Cardiac markers and their point-of-care testing for diagnosis of acute myocardial infarction. Clin Biochem. 2006;39(8):771–780.
  9. Yang CF, Tsai WC. Calmodulin: the switch button of calcium signaling. Tzu Chi Med J. 2022;34(1):15–22. https://doi.org/10.4103/tcmj.tcmj_285_20
  10. Tokumitsu H, Sakagami H. Molecular mechanisms underlying Ca²⁺/calmodulin-dependent protein kinase kinase signal transduction. Int J Mol Sci. 2022;23(19):11025. https://doi.org/10.3390/ijms231911025
  11. Ketehouli T, et al. Overview of the roles of calcium sensors in plants’ response to osmotic stress signalling. Funct Plant Biol. 2022;49(7):589–599.
  12. Beghi S, et al. Calcium signalling in heart and vessels: role of calmodulin and downstream calmodulin-dependent protein kinases. Int J Mol Sci. 2022;23(24):16139. https://doi.org/10.3390/ijms232416139
  13. Tran N, et al. Endothelial nitric oxide synthase and the cardiovascular system: in physiology and in disease states. Am J Biomed Sci Res. 2022;15(2):153–177.
  14. Hua Y, et al. Ca²⁺/calmodulin-dependent protein kinase II regulation by inhibitor of receptor-interacting protein kinase 3 alleviates necroptosis in glycation end products-induced cardiomyocyte injury. Int J Mol Sci. 2022;23(13).
  15. Zhang J, et al. Ca²⁺/calmodulin-dependent protein kinase II regulation by inhibitor of RIPK3 protects against cardiac hypertrophy. Oxid Med Cell Longev. 2022;2022:7941374. https://doi.org/10.1155/2022/7941374
  16. Zi C, Ma X, Zheng M, Zhu Y. VDAC1-NF-κB/p65-mediated S100A16 contributes to myocardial ischemia/reperfusion injury by regulating oxidative stress and inflammatory response via the calmodulin/CaMKK2/AMPK pathway. Eur J Pharmacol. 2025;987:177158. https://doi.org/10.1016/j.ejphar.2024.177158
  17. Song Z, et al. Identification of five hub genes based on single-cell RNA sequencing data and network pharmacology in patients with acute myocardial infarction. Front Public Health. 2022;10:894129. https://doi.org/10.3389/fpubh.2022.894129
  18. Qu S, et al. Integrated multi-omics and experimental validation for identifying novel biomarkers of acute myocardial infarction. Naunyn Schmiedebergs Arch Pharmacol. 2026;399(9):14067–14089. https://doi.org/10.1007/s00210-026-05281-1
  19. Fan H, et al. Early diagnostic biomarkers for acute myocardial infarction unveiled by metabolomics, Mendelian randomization, and machine learning. Mol Biomed. 2026;7(1):5.
  20. Yang Y, et al. CaMKII in regulation of cell death during myocardial reperfusion injury. Front Mol Biosci. 2021;8:668129. https://doi.org/10.3389/fmolb.2021.668129
  21. Rosenstock P, Kaufmann T. Sialic acids and their influence on human natural killer cell function. Cells. 2021;10(2):263.
  22. Li G, et al. Decoding glycosylation in cardiovascular diseases: mechanisms, biomarkers, and therapeutic opportunities. 2025;16.
  23. Yang M, et al. lncRNAfunc: a knowledgebase of lncRNA function in human cancer. Nucleic Acids Res. 2022;50(D1)–D1306.
  24. Zhang W, et al. Identification of plasma exosomes hsa_circ_0001360 and hsa_circ_0000038 as key biomarkers of coronary heart disease. 2024;2024.
  25. Cheng W, et al. NF-κB, a potential therapeutic target in cardiovascular diseases. Cardiovasc Drugs Ther. 2023;37(3):571–584.
  26. Liang B, Liang Y, Gu N. Pharmacological mechanisms of sodium-glucose cotransporter 2 inhibitors in heart failure with preserved ejection fraction. BMC Cardiovasc Disord. 2022;22(1):261.
  27. Qiu D, et al. Evaluating the diagnostic potential of SOCS3 in copper metabolism for acute myocardial infarction. Pathol Res Pract. 2024;264:155688.
  28. Zhang J, Zhang L. Bioinformatics approach to identify the influences of SARS-CoV-2 infections on atherosclerosis. Front Cardiovasc Med. 2022;9:907665.
  29. Zhang J, et al. CXCL16 promotes Ly6Chigh monocyte infiltration and impairs heart function after acute myocardial infarction. J Immunol. 2023;210(6):820–831.
  30. Tsuruno Y, et al. Favorable inhibitory effect of clodronate on hepatic steatosis in short bowel syndrome model rats. Pediatr Surg Int. 2024;40(1):307.
  31. Kim DH, et al. Bisphosphonates and risk of cardiovascular events: a meta-analysis. PLoS One. 2015;10(4).
  32. Kittithaworn A, Toro-Tobon D, Sfeir JG. Cardiovascular benefits and risks associated with calcium, vitamin D, and antiresorptive therapy in the management of skeletal fragility. Womens Health. 2023;19:17455057231170059.
  33. Anand S, Al-Mondhiry J, Fischer K, Glaspy J. Epoetin alfa-epbx: a new entrant into a crowded market-a historical review of the role of erythropoiesis-stimulating agents and the development of the first epoetin biosimilar in the United States. Expert Rev Clin Pharmacol. 2021;14(1):1–8.
  34. Yin W, Noguchi CT. The role of erythropoietin in metabolic regulation. 2025;14(4):280.
  35. Sung PH, Luo CW, Chiang JY, Yip HK. The combination of G9a histone methyltransferase inhibitors with erythropoietin protects the heart against damage from acute myocardial infarction. Am J Transl Res. 2020;12(7):3255–3271.
  36. Jean-Baptiste W, et al. Are there any cardioprotective effects or safety concerns of erythropoietin in patients with myocardial infarction? A systematic review. Cureus. 2022;14(6).
  37. Liu J, Chen L, Zheng X, Guo C. Identification of immune-related genes in acute myocardial infarction based on integrated bioinformatic methods and experimental verification. PeerJ. 2023;11.
  38. Feng L, et al. Identification of genes linking natural killer cells to apoptosis in acute myocardial infarction and ischemic stroke. Front Immunol. 2022;13:817377.
  39. Wang Q, et al. Atorvastatin-induced tolerogenic dendritic cells improve cardiac remodeling by suppressing TLR-4/NF-κB activation after myocardial infarction. Inflamm Res. 2023;72(1):13–25.

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

Nachdrucke und Genehmigungen

Tags

Calmodulin-assoziierte Genedifferenzielle ExpressionImmuninfiltrationgewichtete KoexpressionT-ZellenNK-Zellen
Kontaktieren Sie uns
Der Bibliothek empfehlen

Datenschutz

Nutzungsbedingungen

Richtlinien

Urheberrecht © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.