Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.

Article de méthode

Une plateforme d’aide à la décision médicale pour l’identification de la thrombospondine 1 dans la stéatose hépatique non alcoolique par analyse d’immuno-infiltration

742 vues

⸱

DOI :

10.3791/67328

⸱

30 août 2024

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

Dans cet article

Résumé

Cette étude a examiné les relations entre la stéatose hépatique non alcoolique (NAFLD) et l’infarctus du myocarde (IM) par le biais de gènes co-exprimés, en identifiant la thrombospondine 1 (THBS1) comme biomarqueur. L’analyse de l’immuno-infiltration a révélé que les lymphocytes T CD8+ et les neutrophiles étaient des facteurs clés, tandis que THBS1 pourrait servir d’outil de diagnostic de la NAFLD et de l’IM.

Résumé

La stéatose hépatique non alcoolique (NAFLD) et l’infarctus du myocarde (IM) sont deux fardeaux majeurs pour la santé avec une prévalence et une mortalité importantes. Cette étude visait à explorer les gènes co-exprimés afin de comprendre la relation entre la NAFLD et l’IM et d’identifier des biomarqueurs cruciaux potentiels de l’IM lié à la NAFLD à l’aide de la bio-informatique et de l’apprentissage automatique. Une analyse d’enrichissement fonctionnel a été effectuée, un diagramme de réseau d’interaction co-protéine-protéine (IPP) a été construit, et les techniques d’élimination des caractéristiques récursives par machine du vecteur de support (SVM-RFE) et d’opérateur de moindre retrait absolu et de sélection (LASSO) ont été utilisées pour identifier un gène exprimé de manière différentielle (DEG), la thrombospondine 1 (THBS1). THBS1 a démontré de solides performances pour distinguer les patients atteints de NAFLD (AUC = 0,981) et les patients atteints d’IM (AUC = 0,900). L’analyse d’immuno-infiltration a révélé des lymphocytes T CD8+ significativement plus faibles et des taux de neutrophiles plus élevés chez les patients atteints de NAFLD et d’IM. Les lymphocytes T CD8+ et les neutrophiles étaient efficaces pour distinguer les NAFLD/MI des témoins sains. L’analyse de corrélation a montré que THBS1 était positivement corrélé avec le CCR (récepteur des chimiokines), la classe du CMH (classe du complexe majeur d’histocompatibilité), les neutrophiles, la parainflammation et le Tfh (lymphocytes T auxiliaires folliculaires), et négativement corrélé avec les lymphocytes T CD8+, l’activité cytolytique et les TIL (lymphocytes infiltrant la tumeur) chez les patients atteints de NAFLD et d’IM. THBS1 est apparu comme un nouveau biomarqueur pour diagnostiquer la NAFLD/MI par rapport aux témoins sains. Les résultats indiquent que les lymphocytes T CD8+ et les neutrophiles pourraient servir de caractéristiques immunitaires inflammatoires pour différencier les patients atteints de NAFLD/MI des individus en bonne santé.

Introduction

La stéatose hépatique non alcoolique (NAFLD) est un problème majeur de santé publique avec une prévalence de 25 à 30 %1. Il a été rapporté que la prévalence de la NAFLD est élevée chez les patients atteints de diabète2. Cependant, l’importance de la NAFLD chez les patients non diabétiques n’est pas encore claire. Des études ont suggéré que la NAFLD joue un rôle indépendant dans la pathogenèse de l’athérosclérose 3,4. De plus, une méta-analyse a montré que la NAFLD est étroitement associée à la calcification de l’artère coronaire, à la dysfonction endothéliale et à l’athérosclérose, et est apparue comme un facteur de risque cardiovasculaire indépendant5. Le lien entre la NAFLD et les maladies cardiovasculaires nécessite encore des recherches plus approfondies.

L’infarctus du myocarde (infarctus du myocarde) est une maladie catastrophique qui menace la santé et impose un fardeau économique important aux patients et à leurs familles dans le monde entier6. L’infarctus du myocarde est également une cause majeure de décès chez les patients atteints de NAFLD. Une étude clinique publiée dans le British Medical Journal a montré que le risque d’infarctus du myocarde chez les patients atteints de NAFLD est 1,17 fois plus élevé que chez les patients non atteints de NAFLD 7,8. Certaines études ont identifié des voies moléculaires, notamment l’inflammation, le stress oxydatif et le métabolisme des lipides, qui contribuent à l’IM 9,10,11 lié à la NAFLD. Cependant, les mécanismes sous-jacents qui lient la NAFLD et l’IM restent flous. Il est crucial d’identifier de nouveaux biomarqueurs liés au pronostic de la NAFLD et de l’IM.

La prévalence croissante de la NAFLD, qui touche un large segment de la population, souligne un problème de santé publique important, en particulier compte tenu de son association avec le diabète. Cependant, l’impact de la NAFLD sur les patients non diabétiques reste mal compris. La NAFLD a été impliquée dans la pathogenèse de l’athérosclérose et est reconnue comme un facteur de risque cardiovasculaire indépendant, étant étroitement liée à la calcification de l’artère coronaire, à la dysfonction endothéliale et à l’athérosclérose. Malgré ces associations, les mécanismes précis qui font le lien entre la NAFLD et les maladies cardiovasculaires telles que l’infarctus du myocarde (IM) nécessitent une élucidation plus approfondie. L’IM est l’une des principales causes de mortalité dans le monde et impose un fardeau économique important. Le risque d’infarctus du myocarde chez les patients atteints de NAFLD est nettement plus élevé que chez ceux qui n’en ont pas, ce qui souligne la nécessité d’une compréhension plus approfondie des voies moléculaires reliant ces conditions. Bien que l’inflammation, le stress oxydatif et le métabolisme des lipides aient été suggérés comme facteurs contributifs, les mécanismes exacts restent incertains. Il est urgent d’identifier de nouveaux biomarqueurs qui peuvent fournir des informations sur le pronostic et la prise en charge de l’IM lié à la NAFLD.

Par conséquent, dans cette étude, des ensembles de données de microréseaux d’ARN pour la NAFLD et l’IM ont été téléchargés à partir du National Center for Biotechnology Information-Gene Expression Omnibus (NCBI-GEO, voir Table of Materials) afin d’identifier et d’analyser l’interaction des gènes exprimés de manière différentielle (DEG) entre la NAFLD et l’IM. Analyse d’enrichissement, construction de diagrammes de réseau d’interaction protéine-protéine (IPP), élimination de caractéristiques récursives par machine de vecteurs de support (SVM-RFE), et les algorithmes LASO (Least Absolute Shrinkage and Selection operator) ont été utilisés pour identifier les gènes pivots 12,13,14,15,16,17,18,19. Une analyse d’immuno-infiltration a été réalisée pour examiner les cellules immunitaires chez les patients atteints de NAFLD et d’IM. En fin de compte, ces méthodes ont été intégrées pour élucider la relation entre la NAFLD et l’IM. La figure 1 illustre la séquence de conception suivie dans cette étude. En combinant la bioinformatique, l’apprentissage automatique et l’analyse d’immuno-infiltration, cette étude vise à contribuer au développement d’une nouvelle plateforme d’aide à la décision médicale.

Les principales contributions de cet article sont les suivantes : (1) Identification des gènes co-exprimés : L’étude met en évidence la relation entre la NAFLD et l’IM en identifiant les gènes co-exprimés, offrant une compréhension plus approfondie des liens moléculaires entre ces deux conditions. (2) Application de la bio-informatique et de l’apprentissage automatique : À l’aide de techniques de bio-informatique et d’apprentissage automatique, y compris l’élimination des caractéristiques récursives par machine du vecteur de support (SVM-RFE)17 et l’opérateur de sélection et de rétrécissement absolu minimal (LASSO)19, l’étude identifie THBS1 comme un gène exprimé de manière différentielle. THBS1 démontre une performance élevée pour distinguer les patients atteints de NAFLD et d’IM des témoins sains. (3) Analyse d’immuno-infiltration : L’étude effectue une analyse d’immuno-infiltration, révélant des niveaux significativement plus faibles de lymphocytes T CD8+ et des niveaux plus élevés de neutrophiles chez les patients atteints de NAFLD et d’IM. (4) Analyse de corrélation : La recherche démontre que THBS1 est positivement corrélé avec plusieurs facteurs immunitaires, y compris le CCR (récepteur des chimiokines), le CMH de classe I (complexe majeur d’histocompatibilité de classe I), les neutrophiles, para-inflammation et les cellules Tfh (T auxiliaires folliculaires). Il est négativement corrélé avec les lymphocytes T CD8+, l’activité cytolytique et les lymphocytes infiltrant la tumeur (TIL).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

Les détails des bases de données, des liens Web et des logiciels/progiciels utilisés sont répertoriés dans la table des matériaux. Les paramètres de simulation utilisés sont indiqués dans le Tableau 1.

1. Obtention d’ensembles de données de microréseaux d’ARN

  1. Téléchargez l’ensemble de données sur l’infarctus du myocarde (IM), GSE66360, à partir de la base de données NCBI-GEO .
  2. Téléchargez l’ensemble de données sur la stéatose hépatique non alcoolique (NAFLD), GSE89632, à partir de la base de données NCBI-GEO .
  3. Assurez-vous que les ensembles de données téléchargés comprennent 49 échantillons d’IM, 50 témoins sains pour les GSE66360, 39 échantillons de NAFLD et 24 contrôles sains pour GSE89632.

2. Identification des DEG

  1. Prétraitement des données et identification DEG
    1. Chargez les jeux de données dans RStudio à l’aide des fonctions R appropriées.
    2. Utilisez le package R limma pour identifier les DEG12 avec les seuils suivants : P < 0,05P et | log FC | > 1,5.
    3. Utilisez les packages R pheatmap, ggplot2 et Venn pour générer des cartes thermiques et des diagrammes de Venn pour visualiser les DEG.
  2. Créer des visualisations
    1. Utilisez pheatmap pour générer des cartes thermiques de DEG.
    2. Utilisez ggplot2 pour créer des diagrammes de Venn montrant le chevauchement des DEG entre NAFLD et MI.

3. Analyse de l’enrichissement

  1. Effectuer des analyses d’enrichissement GO, KEGG et DO
    1. Chargez les DEG dans le package R clusterProfiler13.
    2. Effectuez une analyse d’enrichissement par ontologie génétique (GO) pour classer les DEG en fonctions moléculaires, processus biologiques et composants cellulaires.
    3. Effectuer une analyse des voies de l’Encyclopédie de Kyoto des gènes et des génomes (KEGG) pour cartographier les DEG sur les voies biochimiques.
    4. Utilisez l’analyse d’enrichissement de l’ontologie de la maladie (DO) pour relier les DEG à des états cliniques spécifiques.

4. Analyse des IPP par la construction de réseaux d’IPP

  1. Utilisez la plateforme en ligne STRING 14 pour construire des diagrammes de réseau d’interaction protéine-protéine (IPP) de co-DEG avec un score de confiance de 0,4.
  2. Visualisez les réseaux d’IPP à l’aide de Cytoscape15.

5. Sélection des DEG du hub candidat en appliquant des algorithmes d’apprentissage automatique

  1. Utilisez les algorithmes de régression SVM-RFE (Support Vector Machine-Recursive Feature Elimination) et LASSO (Least Absolute Shrinkage and Selection Operator) dans RStudio pour sélectionner les DEG les plus pertinents 16,17,18.
  2. Assurez-vous que SVM-RFE classe et supprime les fonctionnalités de manière itérative, tandis que la régression LASSO19 applique la régularisation pour identifier un ensemble clairsemé de DEG.

6. Construction de la courbe ROC pour l’évaluation des performances diagnostiques

  1. Utilisez RStudio pour effectuer l’analyse de la courbe ROC (Receiver Operating Characteristic)20.
  2. Calculez l’aire sous la courbe (AUC) pour les co-DEG cruciaux.

7. Analyse de l’immuno-infiltration pour explorer l’immuno-infiltration

  1. Effectuer une analyse d’enrichissement d’ensemble de gènes (ssGSEA) à l’aide des packages R GSVA et GSEABase pour analyser l’infiltration immunitaire dans la NAFLD et le MI21.
  2. Comparez l’abondance relative des types de cellules immunitaires entre les échantillons de NAFLD et d’IM et les témoins sains.

8. Analyse statistique

  1. Effectuez toutes les analyses statistiques dans RStudio.
  2. Appliquez l’analyse de corrélation de Pearson pour examiner les modèles de co-expression des gènes.
  3. Assurez-vous de la signification statistique avec P < 0,05.
    REMARQUE : assurez-vous que tous les logiciels et packages R sont correctement installés et mis à jour vers leurs dernières versions avant de démarrer le protocole.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

Les principales conclusions de l’étude proposée sont présentées ici, englobant diverses analyses menées pour élucider les mécanismes moléculaires sous-jacents à la NAFLD et à l’IM.

Identification des DEG
Dans l’ensemble de données GSE89632, 76 gènes régulés à la hausse et 20 gènes régulés à la baisse ont été identifiés comme NAFLD-DEG (Figure 2B,D), tandis que l’ensemble de données GSE66360 a révélé 118 gènes régulés à la hauss...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

La méthode décrite dans cette étude a des implications importantes pour la recherche sur les mécanismes moléculaires sous-jacents à la NAFLD et à l’IM. En identifiant des biomarqueurs clés tels que THBS1, le protocole proposé offre des cibles potentielles pour des interventions diagnostiques et thérapeutiques. Cette approche peut être étendue à d’autres maladies complexes impliquant de multiples voies et réponses immunitaires, facilitant ainsi la découverte de nouveaux biomarqueurs et ci...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Remerciements

Cette étude a été soutenue par la Fondation nationale des sciences naturelles de Chine (n° 62271511, U21A200949), la Fondation Yucai de l’Hôpital général du Commandement du théâtre sud (2022NZC011), le projet de programme scientifique et technologique de Guangzhou (2023A03J0170), le Centre national de recherche clinique en gériatrie (NCRCG-PLAGH-2023006) et la Fondation de recherche fondamentale et appliquée du Guangdong (n° 2020A1515010288, n° 2021A1515220101).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
CytoscapeCytoscape ConsortiumVersion 3.6.1Utilisé pour la visualisation de l’interaction protéine-protéine (IPP) des réseaux
MI dataset GSE66360 (https://www.ncbi.nlm.nih.gov/geo/).Base de données NCBI-GEO  ;-Pour collecter des ensembles de données de microréseaux d’ARN pour l’analyse
Package R clusterProfilerBioconductor  ;-Utilisé pour les analyses d’enrichissement GO, KEGG et DO
Package R ggplot2CRAN  ;-Utilisé pour la création de diagrammes de Venn et d’autres visualisations
Package R GSEABaseBioconductor  ;-Utilisé conjointement avec GSVA pour l’analyse de l’enrichissement des ensembles de gènes
Package R GSVABioconductor  ;-Utilisé pour l’analyse de l’enrichissement des ensembles de gènes à échantillon unique (ssGSEA)
Package R limmaBioconductor  ;-Utilisé pour identifier les gènes exprimés de manière différentielle (DEG)
Package R pheatmapCRAN  ;-Utilisé pour générer des cartes thermiques
Package R vennCRAN  ;-Utilisé pour la création de diagrammes de Venn Ensembles de données de
microréseaux d’ARN (GSE66360, GSE89632)NCBI-GEO  ;-Ensembles de données de microréseaux d’ARN accessibles au public utilisés pour l’analyse
RStudioRStudio, PBCVersion 1.4.1717Environnement de développement intégré pour
base de données R StringSTRING (www.string-db.org/)--Outilen ligne pour la construction de réseaux PPI
la

Références

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

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Explorer plus d’articles

Analyse bioinformatiqueApprentissage automatiqueMachine à vecteurs de supportInteraction protéine-protéineGène différentiellement expriméLymphocytes T CD8+Niveaux de neutrophiles

Cet article a été publié

Vidéo bientôt disponible

Contactez-nous
Recommander à la bibliothèque

Confidentialité

Conditions d’utilisation

Politiques

Copyright © 2026 MyJoVE Corporation. Tous droits réservés.