Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.

Artículo de investigación

Identificación de genes centro relacionados con el envejecimiento y las mitocondrias en la miocardiopatía dilatada

55 visualizaciones

⸱

DOI:

10.3791/72286

⸱

25 de agosto de 2026

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

En este artículo

Resumen

Este protocolo integra datos transcriptómicos multidimensionales con aprendizaje automático para identificar genes relacionados con el envejecimiento y las mitocondrias en la miocardiopatía dilatada, con el fin de descubrir biomarcadores y realizar subtipos moleculares.

Resumen

La miocardiopatía dilatada (DCM) se caracteriza por la dilatación del ventrículo izquierdo y disfunción sistólica, y está asociada con disfunción mitocondrial y activación inmuno-inflamatoria. Sin embargo, las firmas moleculares relacionadas con el envejecimiento y las vías reguladoras mitocondriales en la DCM aún no se comprenden completamente. Este estudio analizó seis conjuntos de datos transcriptómicos masivos y un conjunto de datos de secuenciación de ARN de una sola célula procedentes de la base de datos Gene Expression Omnibus. Tras la normalización de los datos, la corrección por lotes y la anotación de tipos celulares, se identificaron genes candidatos relacionados con el envejecimiento y las mitocondrias mediante análisis de expresión diferencial, análisis de redes coexpresadas de genes ponderadas y construcción de redes de interacción proteína-proteína. Los genes centrales se seleccionaron posteriormente utilizando regresión por operador de contracción y selección absoluta mínima, bosque aleatorio y eliminación recursiva de características mediante máquina de vectores de soporte. Se realizaron análisis de infiltración de células inmunitarias, comunicación célula-célula y subtipificación molecular para caracterizar el microentorno inmunitario cardíaco en la DCM. Un total de 66 genes relacionados con el envejecimiento y 16 genes relacionados con mitocondrias se asociaron con la DCM y se enriquecieron principalmente en las vías de señalización del factor inducible por hipoxia-1, fosforilación oxidativa y óxido nítrico sintasa. Los análisis mediante aprendizaje automático y secuenciación de ARN de una sola célula identificaron SERPINE1, TGFB2, CYBB y TLR2 como genes centrales. CYBB y TLR2 se expresaron altamente en monocitos y macrófagos, mientras que SERPINE1 y TGFB2 se expresaron predominantemente en células estromales. El análisis del paisaje inmunitario mostró una activación aumentada de macrófagos proinflamatorios y una comunicación alterada entre células en muestras de DCM. Basándose en la expresión de los genes centrales, las muestras de DCM se dividieron en dos subtipos moleculares asociados con la señalización del factor de crecimiento endotelial vascular y la biosíntesis de ácidos biliares primarios, respectivamente. Este protocolo proporciona un marco integrado para identificar biomarcadores candidatos y subtipos moleculares en la DCM.

Introducción

La miocardiopatía dilatada (DCM) es un trastorno miocárdico caracterizado por la dilatación del ventrículo izquierdo y la alteración de la función sistólica. Es la tercera causa más común de insuficiencia cardíaca y la principal indicación para el trasplante cardíaco en todo el mundo1. Estudios basados en poblaciones estiman una prevalencia de aproximadamente 1 caso por cada 250 adultos, con una mayor prevalencia en hombres y una proporción sustancial de casos atribuibles a variantes monogénicas2. Estos hallazgos indican que tanto la predisposición genética como los factores ambientales contribuyen al inicio y progresión de la DCM.

La patogénesis de la miocardiopatía dilatada (DCM) implica procesos interconectados, como la activación inflamatoria, el estrés oxidativo, la apoptosis de los miocardiocitos y una señalización profibrótica desregulada. Se ha asociado polimorfismos genéticos inflamatorios, incluidas variantes del promotor del factor de necrosis tumoral-α, con la susceptibilidad a la DCM de origen viral3. Asimismo, se ha relacionado un mayor estrés oxidativo con la muerte de miocardiocitos y la disfunción del ventrículo izquierdo en subtipos humanos de DCM4. Además, la activación aberrante de las vías de señalización Wnt/β-catenina y calcineurina/factor nuclear de linfocitos T activados promueve la hipertrofia miocárdica y la fibrosis intersticial, contribuyendo así a la progresión de la enfermedad5,6. La disfunción mitocondrial es otro componente importante de la DCM debido a las elevadas demandas energéticas de los miocardiocitos. La alteración de la biogénesis mitocondrial, la homeostasis del calcio, la mitofagia y la integridad del ADN mitocondrial puede afectar la fosforilación oxidativa y contribuir a una disfunción cardíaca progresiva7,8,9,10.

A pesar de estos hallazgos mecanicistas, persisten importantes lagunas de conocimiento. En particular, las relaciones temporales y causales entre la remodelación estructural mitocondrial y la disfunción bioenergética durante la iniciación y progresión de la miocardiopatía dilatada no se han definido completamente11. Se han investigado varias estrategias terapéuticas. La terapia con células madre ha mostrado potencial regenerativo mediante efectos paracrinos, citoprotectores e inmunomoduladores, pero aún es necesario optimizar las fuentes celulares, las vías de administración y la supervivencia tras el trasplante12. Los enfoques de terapia génica, incluyendo la administración basada en virus asociados a adenovirus y la edición del genoma basada en repeticiones palindrómicas cortas agrupadas y regularmente intercaladas, también ofrecen estrategias de tratamiento de precisión. Sin embargo, limitaciones relacionadas con el tropismo cardíaco, la inmunogenicidad del vector y la seguridad a largo plazo aún no se han resuelto13.

Los conjuntos de datos transcriptómicos públicos procedentes de repositorios como el Gene Expression Omnibus (GEO) se utilizan ampliamente para el descubrimiento de biomarcadores en la miocardiopatía dilatada (DCM). Estos recursos proporcionan acceso a cohortes clínicas multicéntricas, apoyan investigaciones rentables y reproducibles, y pueden mejorar el poder estadístico mediante la integración cruzada de conjuntos de datos14. El perfilado transcriptómico también permite la selección de genes candidatos a nivel del genoma completo, la subtipificación molecular y el análisis a nivel de vías metabólicas15. Sin embargo, los conjuntos de datos públicos tienen limitaciones inherentes, incluyendo efectos técnicos por lotes, heterogeneidad clínica y etiológica, capacidad limitada para inferir causalidad e información longitudinal o pronóstica incompleta16. Por lo tanto, los hallazgos derivados de conjuntos de datos transcriptómicos públicos son más adecuados para la generación de hipótesis y la priorización de biomarcadores candidatos, y requieren validación en cohortes independientes y modelos experimentales.

Muchos estudios bioinformáticos de la miocardiopatía dilatada (DCM) dependen principalmente del análisis de expresión diferencial, el cual puede generar resultados falsos positivos y no caracteriza completamente las redes de coexpresión génica ni la heterogeneidad celular dentro del tejido cardíaco. Para abordar estas limitaciones, el presente estudio empleó una estrategia analítica integrada que combina métodos complementarios. El análisis transcriptómico masivo proporciona perfiles de expresión a nivel de tejido, adecuados para comparaciones entre casos y controles. El análisis de redes ponderadas de coexpresión génica (WGCNA) identifica módulos de genes asociados con rasgos fenotípicos y permite la priorización de conjuntos de genes funcionalmente relacionados en lugar de genes individualmente diferencialmente expresados. El análisis de redes de interacción proteína-proteína (PPI) identifica genes altamente conectados en función de la topología de la red. Tres algoritmos de aprendizaje automático —regresión mediante operador de contracción y selección absoluta (least absolute shrinkage and selection operator), bosque aleatorio (random forest) y máquina de vectores de soporte con eliminación recursiva de características (support vector machine-recursive feature elimination)— se utilizaron para identificar biomarcadores candidatos en los conjuntos de datos integrados¹⁷. Luego, se empleó la secuenciación de ARN a nivel de célula individual (scRNA-seq) para examinar los patrones de expresión específicos de tipo celular y las redes de comunicación intercelular18.

Aunque la disfunción mitocondrial y los cambios moleculares relacionados con el envejecimiento se han investigado por separado en la miocardiopatía dilatada, sus asociaciones combinadas con cambios transcripcionales relacionados con la enfermedad permanecen poco exploradas. El presente estudio integró múltiples conjuntos de datos transcriptómicos masivos y de secuenciación de ARN a nivel de célula individual para identificar genes centrales relacionados con el envejecimiento y las mitocondrias en la miocardiopatía dilatada, caracterizar el microambiente inmunitario cardíaco y examinar subtipos moleculares basados en los genes identificados. Este enfoque integrado se utilizó para priorizar biomarcadores candidatos y proporcionar una base para estudios mecanicistas y de validación posteriores.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

Todos los procedimientos con animales fueron revisados y aprobados por el Comité de Ética en Animales de Laboratorio del Segundo Hospital Afiliado de la Universidad de Medicina China de Henan (Número de aprobación: HNSZYYYJS2023011150). Todos los procedimientos se llevaron a cabo de acuerdo con las Guías para la Revisión Ética del Bienestar de los Animales de Laboratorio (GB/T 35892-2018) y los principios 3R de Sustitución, Reducción y Refinamiento. Los reactivos, bases de datos, software y equipos utilizados en este estudio se enumeran en la Tabla de Materiales. 

1. Recursos de datos y materiales experimentales
Se utilizaron ratones transgénicos machos de grado SPF CTNTR141W con un fenotipo espontáneo de miocardiopatía dilatada (DCM) y un peso corporal de 25 ± 2 g como grupo modelo. Se utilizaron ratones machos C57BL/6J de grado SPF, emparejados por edad, con un peso corporal de 25 ± 2 g como grupo control. Cada grupo incluyó 12 ratones. Todos los animales provinieron de instituciones que poseen licencias válidas de producción de animales de laboratorio y se mantuvieron en un ambiente de barrera de grado SPF a 22 ± 2 °C y una humedad relativa del 40%–60%, bajo un ciclo de 12 h luz/12 h oscuridad, con acceso libre a alimento y agua esterilizados. Después de una semana de aclimatación, todos los ratones se mantuvieron bajo las mismas condiciones durante 4 semanas adicionales antes de la evaluación de la función cardíaca y la recolección de muestras. Todos los ratones tenían entre 6 y 8 semanas de edad al inicio del experimento. Los ratones fueron anestesiados profundamente y sacrificados mediante dislocación cervical.

Se recuperaron siete conjuntos de datos transcriptómicos públicos de tejido miocárdico del ventrículo izquierdo de pacientes con miocardiopatía dilatada (DCM) desde la base de datos Gene Expression Omnibus (GEO)19. Estos conjuntos de datos incluyeron seis conjuntos de datos transcriptómicos masivos y un conjunto de datos de secuenciación de ARN a nivel de una sola célula (scRNA-seq), GSE145154. Tanto las fracciones positivas como negativas para CD45 se incluyeron en el análisis. Ambas fracciones celulares positivas y negativas para CD45 se combinaron antes del agrupamiento. La identidad de la muestra se utilizó como la principal variable de lote para la integración mediante Harmony. Se incluyeron muestras del ventrículo izquierdo normales y del ventrículo izquierdo con DCM del conjunto de datos GSE145154, específicamente GSM4307515, GSM4307516, GSM4307520 y GSM4307521. Los conjuntos de datos utilizados en este estudio fueron GSE145154, GSE5406, GSE42955, GSE57338, GSE79962, GSE116250 y GSE141910. Se excluyeron todas las muestras que no correspondían a DCM, y solo se conservaron las muestras de control (grupo Control) y las muestras con DCM (grupo DCM). No se eliminó ninguna muestra tras el control de calidad. La información de las muestras de los conjuntos de datos GEO incluidos se resume a continuación: GSE5406 contenía 102 muestras (16 de control y 86 de DCM); GSE42955 contenía 17 muestras (5 de control y 12 de DCM); GSE57338 contenía 231 muestras (136 de control y 95 de DCM); GSE79962 contenía 20 muestras (11 de control y 9 de DCM); GSE116250 contenía 51 muestras (14 de control y 37 de DCM); y GSE141910 contenía 322 muestras (161 de control y 161 de DCM).

2. Preprocesamiento de datos de transcriptómica de conjunto
Las matrices de expresión en bruto y los archivos de anotación clínica para los seis conjuntos de datos de conjunto se descargaron utilizando el paquete GEOquery20. Se recuperaron los archivos CEL en bruto para los conjuntos de datos de microarreglos Affymetrix, y se obtuvieron las matrices de conteos en bruto para los conjuntos de datos de RNA-seq. La corrección de fondo, la normalización por cuantiles y el cálculo de expresión para los datos de microarreglos se realizaron utilizando el algoritmo de promedio robusto de microarreglos múltiples implementado en el paquete affy21.

Los datos de conteo de RNA-seq se normalizaron utilizando el método de la media recortada de valores M en el paquete edgeR22 y se convirtieron en valores de conteo por millón transformados con log₂. Los identificadores de sondas se convirtieron en símbolos génicos oficiales utilizando archivos de anotación específicos de la plataforma. Cuando múltiples sondas se asignaron al mismo gen, se calculó el valor medio de expresión.

Los efectos técnicos por lotes entre conjuntos de datos se eliminaron utilizando el algoritmo ComBat del paquete sva23. Se especificaron la fuente del conjunto de datos y la plataforma de detección como factores de lote. Se realizó un análisis de componentes principales antes y después de la corrección por lotes para evaluar la eficacia de la eliminación de los efectos por lotes.

3. Preprocesamiento de datos de transcriptómica de una sola célula y anotación celular
La matriz de expresión génica de GSE145154 se importó a Seurat para construir un objeto Seurat utilizando la versión 5 de Seurat24. Las células de baja calidad se excluyeron utilizando los siguientes umbrales: entre 200 y 6.000 genes detectados por célula, recuento total de identificadores moleculares únicos mayor a 500 y porcentaje de genes mitocondriales inferior al 25 %. Las células que se encontraban fuera de estos umbrales de control de calidad se excluyeron por considerarse de baja calidad o rotas. Excluimos las células de baja calidad únicamente mediante los umbrales de control de calidad descritos anteriormente.

Se realizó la normalización logarítmica utilizando la función NormalizeData con un factor de escala de 10,000. Se seleccionaron los 3,000 genes más variables mediante la función FindVariableFeatures con el método vst. Los datos se escalaron utilizando ScaleData, seguido de un análisis de componentes principales para la reducción lineal de dimensionalidad.

Los efectos por lotes se corrigieron utilizando el algoritmo Harmony25 mediante la función RunHarmony, especificando la identidad de la muestra como la variable de agrupamiento. Los primeros 15 componentes principales se utilizaron para agrupar las células mediante las funciones FindNeighbors y FindClusters. El agrupamiento se realizó utilizando el algoritmo Leiden con una resolución de 0,15. La reducción no lineal de dimensionalidad y la visualización se llevaron a cabo mediante la aproximación uniforme de variedades y proyección.

Los tipos de células se anotaron utilizando genes marcadores canónicos junto con la anotación automatizada mediante el paquete SingleR26. Los genes marcadores fueron los siguientes: células B, IGKC, MS4A1 y CD79A; cardiomiocitos, TNNI3, MYL2 y ACTC1; células endoteliales, VWF, PECAM1 y EGFL7; macrófagos, C1QC, C1QB y C1QA; monocitos, S100A8, S100A9 y G0S2; células asesinas naturales, NKG7, GNLY y CCL5; células musculares lisas, MYL9, TAGLN y ACTA2; células estromales, FBLN1, LUM y DCN; y células T, CD3E, CD3G y CD3D.

4. Análisis de expresión diferencial y puntuación de enriquecimiento de conjuntos de genes
Se construyó un modelo lineal utilizando el paquete limma27 para comparar la expresión génica entre los grupos con miocardiopatía dilatada y controles sanos. Se definieron como diferencialmente expresados de forma significativa los genes con un valor de P < 0,05 y un cambio de expresión absoluto mayor que 1,5, lo que corresponde a un cambio absoluto en el log₂ mayor que 0,58.

Se realizó un análisis de enriquecimiento de conjuntos de genes en una sola muestra para calcular las puntuaciones de enriquecimiento de los conjuntos de genes relacionados con el envejecimiento y con las mitocondrias en cada muestra28. Las diferencias en las puntuaciones de enriquecimiento entre los grupos de DCM y controles sanos se evaluaron mediante la prueba de suma de rangos de Wilcoxon, considerándose estadísticamente significativas las puntuaciones con un valor de P < 0,05.

A nivel de célula individual, los puntajes de los módulos relacionados con el envejecimiento y mitocondriales se calcularon utilizando la función AddModuleScore en Seurat. Las diferencias en los puntajes de los módulos entre grupos se evaluaron mediante la prueba de suma de rangos de Wilcoxon.

Las firmas génicas relacionadas con el envejecimiento se recuperaron de la base de datos CellAge (https://genomics.senescence.info/cells/), y los conjuntos de genes relacionados con las mitocondrias se obtuvieron de GeneCards (https://www.genecards.org/). Las listas completas de genes utilizadas para la puntuación se proporcionan en el Archivo Suplementario 1.

5. Construcción de la red de coexpresión génica ponderada
Se conservaron los 5000 genes codificadores de proteínas con la mayor varianza de expresión en los datos transcriptómicos de tipo masivo para la construcción de la red. Se aplicó la función pickSoftThreshold para calcular el índice de ajuste de la topología libre de escala bajo múltiples potencias de umbralización suave. El umbral óptimo se determinó como la potencia mínima que produce una red libre de escala con un valor de R2 superior a 0,9. Por consiguiente, se adoptó una potencia de umbralización suave de β = 5 para el análisis subsiguiente de la red.

Se construyó una red de coexpresión ponderada firmada utilizando la función blockwiseModules con un tamaño mínimo de módulo de 30. Se calcularon los coeficientes de correlación de Pearson entre cada eigengen de módulo y la puntuación de enriquecimiento relacionada con el envejecimiento o mitocondrial. Se consideraron módulos significativamente asociados aquellos con un coeficiente de correlación absoluto mayor que 0,4 y un valor de P < 0,001.

Los genes dentro de los módulos significativamente asociados se intersectaron con los genes diferencialmente expresados para identificar genes candidatos relacionados con el envejecimiento asociado a la MCD y genes candidatos mitocondriales asociados a la MCD.

6. Análisis de enriquecimiento funcional
Los análisis de enriquecimiento funcional, incluyendo los análisis de Ontología Genética (GO) y de rutas metabólicas del Kyoto Encyclopedia of Genes and Genomes (KEGG), se realizaron sobre los genes candidato utilizando el paquete clusterProfiler29. El enriquecimiento GO cubrió tres categorías estándar: proceso biológico, componente celular y función molecular.

Todos los análisis se realizaron con anotación de la especie humana, tasa de falsos descubrimientos (FDR) para la corrección del valor P y un umbral de valor q de 0,05. Los conjuntos de genes se limitaron a un rango de tamaño de 10 a 500 genes, y los términos con un FDR < 0,05 se definieron como estadísticamente significativos. Finalmente, los resultados de enriquecimiento de GO se visualizaron mediante gráficos de barras agrupadas, mientras que los resultados de enriquecimiento de KEGG se mostraron utilizando gráficos de burbujas.

7. Construcción de la red PPI y selección de genes centrales
Los genes candidatos se enviaron a la base de datos STRING versión 11.530, con el organismo establecido en Homo sapiens y el umbral de confianza de interacción definido como un puntaje combinado mayor a 0,7. Se ocultaron los nodos desconectados y los datos de interacción se exportaron en formato de valores separados por tabulaciones.

Los datos de interacción se importaron a Cytoscape versión 3.9.1 para su visualización31. Las puntuaciones topológicas de los nodos se calcularon utilizando el complemento CytoHubba32 con tres algoritmos: grado, componente máximo del vecindario y centralidad de la clique máxima.

Los módulos funcionales principales dentro de la red se identificaron utilizando el complemento MCODE33 con los siguientes parámetros predeterminados: umbral de grado, 2; k-core, 2; umbral de puntuación del nodo, 0,2; y profundidad máxima, 100. Los genes clasificados entre los 10 primeros por los tres algoritmos topológicos se intersectaron con los genes en la subred principal de MCODE para identificar los genes centrales finales de interacción proteína-proteína.

8. Selección de genes centrales basada en aprendizaje automático y construcción del modelo diagnóstico
Para garantizar la reproducibilidad y una representación equilibrada, el conjunto de datos transcriptómicos integrales se dividió aleatoriamente en conjuntos de entrenamiento y validación en una proporción de 7:3 utilizando una semilla aleatoria fija (semilla = 123456). Esta división se estratificó por grupo de enfermedad (miocardiopatía dilatada frente a control) para mantener proporciones de clases consistentes en ambos conjuntos. Antes de la división, los efectos de lote provenientes de diferentes fuentes de conjuntos de datos se corrigieron utilizando el paquete sva, y las muestras integradas se trataron como una cohorte unificada durante la asignación aleatoria.

Tres algoritmos de aprendizaje automático se aplicaron para seleccionar genes candidatos. Primero, se realizó una regresión logística LASSO mediante la función cv.glmnet en el paquete glmnet34Se construyó un modelo de clasificación binaria con validación cruzada de 5 pliegues, utilizando el AUC como métrica de evaluación. Los genes con coeficientes distintos de cero en lambda.min se reservaron como genes candidatos.

En segundo lugar, se construyó un modelo de clasificación de bosque aleatorio con 500 árboles de decisión utilizando el paquete randomForest35. El número de variables muestreadas para cada división se estableció en la raíz cuadrada del número total de características. La importancia de los genes se cuantificó en función del coeficiente de Gini, y se conservaron los 10 genes principales con las puntuaciones de importancia más altas.

Tercero, se implementó el análisis SVM-RFE utilizando la función rfe del paquete caret36. Se estableció un rango de números de características desde 1 hasta 10, y se utilizó una validación cruzada de 5 pliegues para el entrenamiento del modelo. Finalmente, se seleccionó el subconjunto de genes con la precisión óptima en la validación cruzada.

Los genes identificados por los tres algoritmos se definieron como los genes finales del núcleo relacionados con el envejecimiento y las mitocondrias en la MCD. Luego, se construyeron modelos diagnósticos utilizando 10 algoritmos de clasificación: árbol de decisiones, máquina de incremento de gradiente, modelo lineal generalizado potenciado, k vecinos más cercanos, regresión logística, red neuronal, mínimos cuadrados parciales, bosque aleatorio, máquina de vectores de soporte y potenciación extrema de gradiente.

Se generaron curvas de característica operativa del receptor utilizando el paquete pROC37. Se calculó el área bajo la curva, la exactitud, la sensibilidad y la especificidad para evaluar el rendimiento diagnóstico en los conjuntos de entrenamiento y validación.

Se realizó un análisis de SHapley Additive exPlanations para calcular la contribución de cada gen esencial a las predicciones del modelo38. Se generaron gráficos de resumen y gráficos de cascada por muestra. Se consideró que un modelo diagnóstico final con un área bajo la curva mayor a 0,8 en el conjunto de validación presentaba un buen rendimiento diagnóstico.

9. Inferencia de la comunicación entre células
Las redes de comunicación entre células en el microentorno cardíaco se infirieron utilizando el paquete CellChat39. Se construyó un objeto CellChat usando la base de datos CellChatDB.human. Se identificaron ligandos y receptores diferencialmente expresados mediante identifyOverExpressedGenes, y los pares de interacción significativos se filtraron utilizando identifyOverExpressedInteractions.

Las probabilidades de comunicación entre tipos celulares se calcularon utilizando computeCommunProb. La red global de comunicación a nivel de tipo celular se agrupó utilizando aggregateNet. El número de interacciones y la intensidad de la comunicación entre cada par de tipos celulares se cuantificaron y visualizaron mediante mapas de calor y gráficos de barras.

10. Cuantificación de la infiltración de células inmunitarias
Se calcularon puntuaciones de enriquecimiento para 28 tipos de células inmunitarias en cada muestra total mediante un análisis de enriquecimiento de conjuntos de genes de una sola muestra28 y un conjunto de genes de firma de células inmunitarias40. Se utilizó la prueba de suma de rangos de Wilcoxon para comparar los puntajes de enriquecimiento de células inmunitarias entre los grupos de miocardiopatía dilatada y controles sanos. P < Se consideró estadísticamente significativo un valor de 0,05.

Se realizó un análisis de correlación de Pearson para evaluar la asociación entre los niveles de expresión génica central y las puntuaciones de enriquecimiento de células inmunitarias. Todas las correlaciones con P < 0,05 se consideraron estadísticamente significativas.

11. Agrupamiento por consenso para subtipificación molecular
Se realizó una agrupación de consenso no supervisada de muestras de MCD utilizando perfiles de expresión génica principales vía el paquete ConsensusClusterPlus41Los parámetros de agrupamiento se establecieron como un número máximo de grupos de 6, 1000 iteraciones de remuestreo y una proporción de remuestreo de 0,8. Para la agrupación se utilizó el método de partición alrededor de medoides con distancia euclidiana, y se empleó una semilla aleatoria fija para garantizar la reproducibilidad.

El número óptimo de subtipos se determinó según la gráfica de área delta y las puntuaciones de estabilidad del agrupamiento por consenso, identificándose finalmente K = 2. Se realizó un análisis de componentes principales para verificar la separación clara de los dos subtipos moleculares.

Se aplicó un análisis de variación de conjuntos de genes42 para calcular las puntuaciones de enriquecimiento de vías KEGG específicas para cada muestra. Se utilizó el paquete limma27 para detectar la activación diferencial de vías entre subtipos, y se consideró estadísticamente significativo un valor de P inferior a 0,05.

12. Evaluación ecocardiográfica de la función cardíaca
Los ratones fueron anestesiados vía inyección intraperitoneal de pentobarbital sódico al 1% (30 mg/kg) y fijado en posición supina sobre una mesa de operaciones termoestática. Tras la eliminación del vello torácico, se aplicó uniformemente gel acoplante de ultrasonido en la zona precordial.

Se realizó ecocardiografía en modo M guiada por imagen bidimensional a nivel de los músculos papilares ventriculares izquierdos utilizando un sistema de ultrasonido para pequeños animales. Se capturaron tres ciclos cardíacos estables consecutivos para medir el diámetro diastólico final, el diámetro sistólico final, la fracción de eyección y el acortamiento fraccional del ventrículo izquierdo. Todas las evaluaciones ecocardiográficas se realizaron de forma ciega por un ultrasonógrafo profesional.

Se seleccionaron aleatoriamente tres ratones de cada grupo para el examen ecocardiográfico, y estos seis animales en total fueron posteriormente sacrificados para la recolección de tejido miocárdico y la medición mediante ELISA. Los animales experimentales restantes fueron sometidos a ensayos de laboratorio adicionales paralelos, y sus datos no se incluyeron en el presente estudio.

13. Recolección de tejido miocárdico, extracción de proteínas y ensayo inmunoenzimático (ELISA)
Tras la evaluación ecocardiográfica, los ratones fueron sacrificados bajo anestesia profunda. Los tejidos cardíacos se obtuvieron rápidamente mediante toracotomía mediana, y el miocardio del ventrículo izquierdo se disecó sobre hielo. Los tejidos aislados se enjuagaron exhaustivamente con solución salina tamponada con fosfato fría para eliminar la sangre intracardíaca residual. Tras eliminar el exceso de líquido con papel filtro estéril, las muestras se congelaron rápidamente en nitrógeno líquido y se almacenaron a −80 °C para extracción subsecuente de proteínas, evitando estrictamente ciclos repetidos de congelación-descongelación.

Los tejidos miocárdicos congelados se pesaron y cortaron en fragmentos de aproximadamente 1 mm3 sobre hielo. Los tejidos se lisaron en tampón de lisis RIPA frío que contenía inhibidores de proteasas y fosfatasas, en una proporción estandarizada de 100 µL de tampón por cada 10 mg de tejido. Las muestras se homogenizaron completamente mediante métodos mecánicos sobre hielo e incubadas durante 30 min para lograr la lisis celular completa.

Los lisados se centrifugaron a 12.000 × g durante 15 min a 4 °C. Los sobrenadantes resultantes se recogieron en tubos libres de enzimas, y la concentración total de proteína se cuantificó utilizando un kit de ensayo de proteína con ácido bicinconínico siguiendo los protocolos del fabricante. Todas las muestras se normalizaron a una concentración idéntica de proteína con tampón de lisis.

Los niveles de expresión proteica de los cuatro genes centrales en lisados miocárdicos se midieron utilizando los correspondientes kits de ensayo inmunoabsorbente ligado a enzimas (ELISA). Se añadieron en duplicado (100 µL por pocillo) estándares diluidos en serie y lisados tisulares normalizados a microplacas previamente recubiertas. Las placas se incubaron durante 2 h a temperatura ambiente y se lavaron exhaustivamente con el tampón de lavado suministrado con el kit.

A cada pocillo se le agregó anticuerpo conjugado con enzima y se incubó durante 1 h a temperatura ambiente, seguido de un lavado exhaustivo. Luego se añadió la solución cromógena de sustrato, y las placas se incubaron durante 20 min a temperatura ambiente en la oscuridad. La reacción de color se detuvo con la solución de parada, y los valores de absorbancia se midieron a 450 nm (longitud de onda de referencia: 570 nm) utilizando un lector de microplacas de longitud de onda completa.

14. Análisis estadístico
Todos los análisis estadísticos y visualizaciones de datos se realizaron utilizando la versión 4.2.3 de R. Para las mediciones de concentración por ELISA de cada gen diana (TGFB2, SERPINE1, CYBB, TLR2), primero se aplicó la prueba de normalidad de Shapiro-Wilk para evaluar la distribución normal de los datos en los grupos Control y CMID por separado. Posteriormente, se utilizó una prueba F para evaluar la homogeneidad de las varianzas entre ambos grupos. El método para la comparación entre grupos se determinó según los resultados de la prueba de homogeneidad de varianzas: si las varianzas eran homogéneas (P ≥ 0.05), se empleó una prueba t de Student no pareada para comparar los valores medios entre grupos; si las varianzas eran heterogéneas (P < 0.05), se utilizó la prueba t de Welch corregida para el análisis. Todas las pruebas fueron bilaterales y el umbral de significancia estadística se estableció en P < 0.05. Los datos se representaron mediante diagramas de caja superpuestos con puntos individuales dispersos. Los valores de P de todas las pruebas y el tipo de prueba t utilizada se indicaron detalladamente en cada gráfico.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

Preprocesamiento de datos y análisis de expresión diferencial
Los seis conjuntos de datos transcriptómicos de tipo masivo fueron sometidos a un preprocesamiento estandarizado y corrección de efectos por lotes antes del análisis posterior. Los datos de microarreglos se normalizaron utilizando el algoritmo de promedio robusto de microarreglos, mientras que los datos de conteo de RNA-seq se normalizaron mediante el método del promedio recortado de valores M. Se aplicó el algoritmo ComBat para eliminar l...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

El flujo de trabajo integrado y multicapa combinó metaanálisis transcriptómico masivo, construcción de redes ponderadas de coexpresión génica, aprendizaje automático conjunto, validación transcriptómica a nivel de célula individual y verificación in vivo en modelos animales. Se identificaron cuatro genes centrales relacionados con el envejecimiento y las mitocondrias —CYBB, SERPINE1, TGFB2 y TLR2— como biomarcadores diagnósticos candidatos para la miocardiopatía dilatada (DCM). La integración de seis conjuntos d...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

El autor declara que no tiene intereses competidores.

Agradecimientos

Se agradece el acceso a los datos disponibles públicamente a través de la base de datos Gene Expression Omnibus. Asimismo, se agradecen a los revisores y editores sus comentarios constructivos sobre el manuscrito. Este trabajo fue financiado por el Proyecto Científico de Investigación a Nivel Provincial (n.º de beca 2021JDZX2026), «Mecanismo de la Fórmula Yiqi Huoxue en la Atenuación del Remodelado Vascular Aterosclerótico mediado por la Regulación Inflamatoria KLF2-Nrf2».

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
Gel ultrasónico claro AquasonicParker Laboratories, Inc.Mar-34Utilizado para imágenes ecocardiográficas en pequeños animales.
Kit de ensayo de proteínas BCAThermo Fisher Scientific23227Detección a 562 nm; rango, 20–2,000 µg/mL; utilizado para la cuantificación de proteínas totales en lisados de corazón de ratón.
Base de datos CellAgeRecursos Genómicos sobre el Envejecimiento Humanohttps://genomics.senescence.info/cells/Fuente de firmas génicas relacionadas con el envejecimiento.
CytoHubba, complemento de CytoscapeTienda de aplicaciones de CytoscapeVersión 0.1Utilizado para la puntuación de topología de nodos en redes de interacción proteína-proteína.
CytoscapeConsortium CytoscapeVersión 3.9.1Utilizado para la visualización de redes de interacción proteína-proteína.
Lector de microplacas de longitud de onda completaThermo Fisher ScientificMultiskan FCUtilizado para medir la absorbancia en ensayos ELISA.
Gene Expression OmnibusCentro Nacional de Información sobre Biotecnologíahttps://www.ncbi.nlm.nih.gov/geo/Repositorio público utilizado para obtener conjuntos de datos transcriptómicos.
GeneCardsInstituto Weizmann de Cienciahttps://www.genecards.org/Fuente de conjuntos de genes relacionados con mitocondrias.
Cóctel inhibidor de proteasas y fosfatasas Halt, 100×, libre de EDTAThermo Fisher Scientific78441Almacenado a 4 °C; se añade al tampón RIPA a 10 µL/mL inmediatamente antes de su uso.
Nitrógeno líquidoProveedor local de gases de laboratorioNo aplicableUtilizado para la congelación rápida de tejido miocárdico.
Ratones macho C57BL/6J de grado SPF, de 6–8 semanas de edad, 25 ± 2 gBeijing Vital River Laboratory Animal Technology Co., Ltd.No aplicableLicencia de producción animal No. SCXK (Jing) 2021-0006; utilizados como controles normales.
Ratones macho transgénicos CTNTR141W de miocardiopatía dilatada (DCM), de grado SPF, de 6–8 semanas de edad, 25 ± 2 gInstituto de Ciencias de Animales de Laboratorio, Academia China de Ciencias MédicasNo aplicableLicencia de producción animal No. SCXK (Jing) 2021-0065; utilizados como modelo espontáneo de DCM.
MCODE, complemento de CytoscapeTienda de aplicaciones de CytoscapeVersión 2.0.2Utilizado para identificar subredes funcionales centrales en redes de interacción proteína-proteína.
Kit ELISA de CYBB de ratónBiogradetechA-QEK09250-96wellsUtilizado en este estudio para medir CYBB en lisados de tejido miocárdico de ratón.
Kit ELISA de PAI-1 de ratónEK-BIOML30970Utilizado en este estudio para medir PAI-1, la proteína codificada por SERPINE1, en lisados de tejido miocárdico de ratón.
Kit ELISA de TGF-β2 de ratónElaBoXSEKM-0036Utilizado en este estudio para medir TGF-β2 en lisados de tejido miocárdico de ratón.
Kit ELISA de TLR-2 de ratónSolarbioSEKM-0163Utilizado en este estudio para medir TLR-2 en lisados de tejido miocárdico de ratón.
Solución salina tamponada con fosfato, pH 7.4, sin calcio ni magnesioBiological Industries02-024-1ACSSolución estéril 1×; almacenada a 4 °C; utilizada para lavado y dilución del tejido.
Paquete R: caretCRANVersión 6.0-94Utilizado para la eliminación recursiva de características mediante máquinas de vectores de soporte.
Paquete R: CellChatDesarrolladores de CellChatVersión 1.6.1Utilizado para inferir la comunicación entre células a partir de datos de secuenciación de ARN de célula única.
Paquete R: clusterProfilerBioconductorVersión 4.8.3Utilizado para análisis de enriquecimiento funcional.
Paquete R: ConsensusClusterPlusBioconductorVersión 1.64.0Utilizado para agrupamiento por consenso no supervisado.
Paquete R: edgeRBioconductorVersión 3.42.4Utilizado para la normalización de datos de secuenciación de ARN mediante el método de la media recortada de valores M.
Paquete R: GEOqueryBioconductorVersión 2.68.0Utilizado para descargar datos del Gene Expression Omnibus.
Paquete R: glmnetCRANVersión 4.1-8Utilizado para regresión logística mediante el operador de contracción y selección absoluta mínima.
Paquete R: limmaBioconductorVersión 3.56.2Utilizado para análisis de expresión diferencial y modelado estadístico.
Paquete R: pROCCRANVersión 1.18.5Utilizado para análisis de curvas ROC (característica operativa del receptor).
Paquete R: randomForestCRANVersión 4.7-1.2Utilizado para aprendizaje automático mediante bosques aleatorios.
Paquete R: SeuratCRANVersión 5.0.1Utilizado para el análisis de datos de secuenciación de ARN de célula única.
Paquete R: SingleRBioconductorVersión 2.2.0Utilizado para anotación automatizada de tipos celulares.
Paquete R: svaBioconductorVersión 3.48.0Utilizado para la corrección de efectos por lotes mediante ComBat.
Centrífuga refrigeradaSigma-AldrichSIGMA 3-KUtilizada para la centrifugación de lisados de tejido miocárdico.
Tampón de lisis y extracción RIPAThermo Fisher Scientific89900Solución lista para usar 1×; almacenada a 4 °C; suplementada con inhibidores de proteasas y fosfatasas antes de su uso.
Sistema de imagen por ultrasonido para pequeños animalesVINNO Technology Co., Ltd.VINN06LABUtilizado para la evaluación ecocardiográfica de la función cardíaca.
Pentobarbital sódicoSinopharm Chemical Reagent Co.20040428Preparado como solución al 1%, 10 mg/mL, en solución salina estéril; utilizado como anestesia intraperitoneal a 30 mg/kg.
Base de datos STRINGConsortium STRINGVersión 11.5Utilizada para la construcción de redes de interacción proteína-proteína.
Homogeneizador de tejidos TGrinder H24TIANGENOSE-TH-01Utilizado para homogeneizar tejido miocárdico de ratón en tampón RIPA a 6,0 m/s durante 30–60 s en 2–3 ciclos.
Plataforma animal termorregulada/mesa quirúrgica calefaccionada para pequeños animalesShanghai Yuyan Scientific Instrument Co., Ltd.T-30350Utilizada para mantener a los ratones a 37 °C durante la ecocardiografía; rango de funcionamiento, desde temperatura ambiente hasta 50 °C.

Referencias

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

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Explorar más artículos

Disfunción mitocondrialgenes relacionados con el envejecimientoómica masivaARN de célula únicacoexpresión génicared de interacción de proteínasinfiltración de células inmunitariasbiomarcadores de aprendizaje automáticosubtipificación molecular
Contáctenos
Recomendar a la biblioteca

Privacidad

Términos de uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos los derechos reservados.