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

704 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).

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.

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 hausse et 8 gènes régulés à la baisse comme MI-DEG (Figure 2C,E). Par la suite, des co-DEG ont été dérivées du chevauchement entre les NAFLD-DEG et les MI-DEG, identifiant 13 DEG régulés à la hausse et 1 DEG régulés à la baisse parmi les co-DEG (Figure 2A).

L’identification des DEG propres à la NAFLD et à l’IM, ainsi que celles communes aux deux troubles, fournit des informations précieuses sur les processus moléculaires sous-jacents à ces maladies. La compréhension des modèles d’expression génique distincts et partagés liés aux deux affections permet de clarifier la physiopathologie de la NAFLD et de l’IM et peut identifier des cibles moléculaires potentielles pour une intervention thérapeutique. Une enquête plus approfondie sur les co-DEG pourrait révéler des régulateurs ou des voies critiques essentiels à l’interaction entre ces deux troubles, facilitant ainsi le développement de thérapies ciblées visant à atténuer les effets négatifs sur la santé associés à la NAFLD et à l’IM.

Analyse d’enrichissement
L’analyse GO a révélé que les DEG de la NAFLD étaient principalement enrichis dans les processus biologiques suivants (BP) : différenciation des cellules adipeuses, réponse aux lipopolysaccharides et processus multicellulaires de l’organisme (p < 0,05, Figure 3A). Pour les composants cellulaires (CC), les DEG de la NAFLD étaient principalement associés au complexe phosphatidylinositol 3-kinase, à la lumière granulaire sécrétoire et à la lumière de la vésicule cytoplasmique (p < 0,05, Figure 3A). En termes de fonction moléculaire (MF), les principales activités comprenaient l’activité régulatrice de la phosphatidylinositol-3-kinase, l’activité de l’activateur de la transcription de liaison à l’ADN (spécifique de l’ARN polymérase) et l’activité générale de l’activateur de la transcription de liaison à l’ADN (p < 0,05, Figure 3A).

Pour les MI-DEG, l’analyse de la PA a montré un enrichissement dans la chimiotaxie leucocytaire, l’activation des leucocytes myéloïdes et la chimiotaxie cellulaire (p < 0,05, Figure 3B). L’analyse CC a mis en évidence un enrichissement en granules tertiaires, en granules riches en ficoline-1 et en lumière granulaire sécrétoire (p < 0,05, Figure 3B). L’analyse MF a révélé un enrichissement de l’activité des récepteurs de reconnaissance de formes, de la liaison des récepteurs RAGE et de l’activité des récepteurs immunitaires (p < 0,05, figure 3B).

L’analyse de l’enrichissement de KEGG a indiqué que les NAFLD-DEG étaient significativement enrichis dans les voies suivantes : IL-17, AGE-RAGE, TNF, différenciation des ostéoclastes, paludisme, polyarthrite rhumatoïde, maladie de Chagas et voies de signalisation JAK-STAT (p < 0,05, Figure 3C). Les MI-DEG ont été enrichis en IL-17, TNF, métabolisme des lipides et athérosclérose, signalisation des récepteurs de type Toll, signalisation des récepteurs de lectine de type C, légionellose, polyarthrite rhumatoïde et voies de signalisation NF-κB (p < 0,05, Figure 3D). L’analyse de l’enrichissement de l’ontologie de la maladie (OD) a démontré que les trois principaux DEG pour la NAFLD et l’IM étaient significativement associés à l’athérosclérose, à la maladie cardiovasculaire artérioscléreuse et à l’artériosclérose (p < 0,05, Figure 3E-F).

Analyse des diagrammes de réseau PPI
Dans le diagramme de réseau PPI pour la NAFLD, 92 nœuds et 250 arêtes ont été identifiés, reflétant un réseau complexe d’interactions entre les protéines associées à cette maladie. De même, le diagramme de réseau PPI pour l’IM a révélé 117 nœuds et 587 bords, indiquant un réseau plus complexe caractéristique du paysage moléculaire de l’infarctus du myocarde. De plus, les diagrammes de réseau PPI pour les co-DEG ont identifié 14 nœuds et 21 bords, mettant en évidence les interactions clés potentielles entre les protéines partagées entre la NAFLD et l’IM (Figure 4A-F).

Les réseaux d’IPP sont précieux pour la construction et l’analyse de cibles thérapeutiques et fournissent des informations importantes sur les connexions moléculaires sous-jacentes à la NAFLD et à l’IM. Les topologies de réseau uniques observées dans la NAFLD et l’IM mettent l’accent sur les mécanismes physiopathologiques distincts impliqués dans ces maladies. De plus, la découverte de connexions partagées entre les co-DEG suggère des voies partagées potentielles ou des réseaux de régulation qui médient l’interaction entre l’IM et la NAFLD. Des recherches plus approfondies sur ces liens pourraient révéler de nouvelles cibles moléculaires pour l’intervention et le développement de thérapies, offrant potentiellement de nouvelles options de traitement pour ces maladies complexes.

Sélection des DEG du pôle candidat
L’algorithme SVM-RFE17 a été utilisé pour dépister des DEG cruciaux potentiels, ce qui a permis d’identifier 6 gènes chez GSE89632 et 4 gènes chez GSE66360 (Figure 5A,B). De même, l’algorithme LASSO19 a été utilisé pour identifier les DEG cruciaux candidats, produisant 4 gènes chez GSE89632 et 5 gènes chez GSE66360 (Figure 5C,D). Notamment, un diagramme de Venn a représenté l’intersection de la DEG centrale (THBS1) identifiée par les analyses de réseau SVM-RFE, LASSO et co-PPI, soulignant son importance dans la pathogenèse de la NAFLD et de l’IM (Figure 5F).

Ces algorithmes avancés d’apprentissage automatique ont fourni un cadre solide pour identifier les principaux DEG associés à l’IM et à la NAFLD et ont fourni des informations précieuses sur leur potentiel en tant que cibles thérapeutiques ou diagnostiques. L’identification de THBS1 en tant que gène pivot par de multiples techniques analytiques met en évidence son importance dans les voies moléculaires sous-jacentes aux deux maladies. Des recherches plus approfondies sur la signification fonctionnelle de THBS1 et ses interactions au sein du réseau co-IPP pourraient élucider de nouveaux mécanismes reliant la NAFLD et l’IM, ouvrant potentiellement la voie à des thérapies ciblées et à des stratégies de médecine de précision.

Valeur de diagnostic des DEG d’une centrale
Une analyse ROC a été effectuée pour évaluer l’efficacité diagnostique des DEG de hub identifiés dans les ensembles de données NAFLD et MI. Comme le montrent les figures 6A, B, THBS1 a démontré un pouvoir discriminant élevé, avec une AUC de 0,981 (IC à 95 % : 0,949-1,000) chez les patients atteints de NAFLD et de 0,900 (IC à 95 % : 0,834-0,956) chez les patients atteints d’IM. La forte performance de THBS1 en tant que biomarqueur diagnostique souligne son utilité potentielle pour différencier la NAFLD, l’IM et les témoins sains.

Ces résultats suggèrent que THBS1 pourrait servir de marqueur précieux de l’état de la maladie, offrant aux cliniciens un outil utile pour l’évaluation des risques et l’identification précoce. Afin de faciliter l’intégration de THBS1 dans la pratique clinique et d’améliorer les soins et la prise en charge des patients, d’autres études de validation sont nécessaires pour confirmer sa précision diagnostique dans diverses populations de patients et contextes cliniques.

Analyse de l’infiltration immunitaire
La ssGSEA a été menée pour analyser 29 gènes liés au système immunitaire entre la NAFLD/MI et le groupe témoin (CON). Par rapport au groupe CON, l’infiltration des cellules immunitaires a été significativement augmentée dans les groupes NAFLD et MI, en particulier pour le CCR, le CMH de classe I, les neutrophiles, la parainflammation et les cellules Tfh (p < 0,05, Figure 7A,B). À l’inverse, l’infiltration des cellules immunitaires a diminué de manière notable dans les groupes NAFLD et MI par rapport au groupe CON, en particulier pour les lymphocytes T CD8+, l’activité cytolytique et les lymphocytes infiltrant la tumeur (TIL) (p < 0,05, Figure 7C,D).

Ces résultats suggèrent une dérégulation de l’infiltration des cellules immunitaires dans la NAFLD et l’IM, mettant en évidence le paysage immunologique complexe associé à ces conditions. Les changements observés dans la composition des cellules immunitaires fournissent des informations précieuses sur les processus immunologiques sous-jacents au développement et à la physiopathologie de ces maladies. Une meilleure compréhension de ces caractéristiques immunitaires pourrait révéler de nouvelles cibles thérapeutiques pour l’intervention et soutenir l’élaboration de plans de traitement individualisés basés sur les profils immunologiques des patients atteints de NAFLD et d’IM.

figure-results-1
Figure 1 : La séquence de conception du système d’aide à la décision médicale pour l’identification de THBS1. Veuillez cliquer ici pour voir une version agrandie de cette figure.

figure-results-2
Figure 2 : Diagrammes de Venn, diagrammes de volcans et cartes thermiques. (A) Diagramme de Venn pour GSE89632 et GSE66360. (B) Un diagramme volcanique des gènes exprimés de manière différentielle (DEG) dans GSE89632. (C) Un diagramme volcanique des DEG en GSE66360. (D) Un diagramme de carte thermique des DEG en GSE89632. (E) Un diagramme de carte thermique des DEG en GSE66360. Veuillez cliquer ici pour voir une version agrandie de cette figure.

figure-results-3
Figure 3 : Analyse d’enrichissement des gènes exprimés différentiellement (DEG). (A) Les cinq principales ontologies génétiques enrichies (GO) NALFD-DEG dans le processus biologique (BP), le composant cellulaire (CC) et la fonction moléculaire (MF). (B) Les cinq premiers MI-DEG ont enrichi le GO en BP, CC et MF. (C) Les huit premiers NALFD-DEG ont enrichi les voies de signalisation de l’encyclopédie de Kyoto des gènes et des génomes (KEGG). (D) Les huit premiers MI-DEG ont enrichi les voies de signalisation de KEGG. (E) Les cinq principales ontologies enrichies de la NALFD-DEG (OD). (F) Les cinq premiers MI-DEG enrichis DO. Veuillez cliquer ici pour voir une version agrandie de cette figure.

figure-results-4
Figure 4 : Diagrammes de réseau d’interaction protéine-protéine (IPP). (A) Un diagramme du réseau IPP de la stéatose hépatique non alcoolique (NAFLD) obtenu à partir de la plateforme en ligne String. (B) Un diagramme de réseau IPP de la NAFLD obtenu à partir de Cytoscape. (C) Un diagramme du réseau IPP de l’infarctus du myocarde (IM) obtenu à partir de la plateforme en ligne String. (D) Un diagramme de réseau IPP de l’IM obtenu Cytoscape. (E) Un diagramme de réseau IPP des interactions protéiques. (F) Un schéma de réseau PPI de l’IL1B et du FOS. Veuillez cliquer ici pour voir une version agrandie de cette figure.

figure-results-5
Figure 5 : Sélection des DEG des hubs candidats. (A) Six DEG cruciaux obtenus par SVM-RFE dans la NAFLD. (B) Quatre DEG cruciaux obtenus par SVM-RFE dans l’infarctus du myocarde (IM). (C) Quatre DEG cruciaux obtenus par LASSO dans la NAFLD. (D) Cinq DEG cruciaux obtenus par LASSO dans l’IM. (E) Un seul DEG acquis à partir de ce qui précède donne des résultats dans le diagramme de Venn. Veuillez cliquer ici pour voir une version agrandie de cette figure.

figure-results-6
Figure 6 : Valeur diagnostique d’un gène exprimé de manière différentielle (DEG) d’un hub. (A) Courbes ROC dans la NAFLD. (B) Courbes ROC en MI. Veuillez cliquer ici pour voir une version agrandie de cette figure.

figure-results-7
Figure 7 : Distribution des cellules immunitaires infiltrantes et corrélation entre THBS1 et les cellules immunitaires infiltrantes dans la stéatose hépatique non alcoolique (NAFLD) et l’infarctus du myocarde (IM). (A) Distribution des cellules immunitaires infiltrantes dans la NAFLD. (B) Distribution des cellules immunitaires infiltrantes dans l’IM. (C) Corrélation entre THBS1 et les cellules immunitaires infiltrantes dans la NAFLD. (D) Corrélation entre THBS1 et les cellules immunitaires infiltrantes dans l’IM. Veuillez cliquer ici pour voir une version agrandie de cette figure.

AbréviationNomenclature
AUCAire sous la courbe
BPProcessus biologique
CCComposant cellulaire
DUPERContrôles
DEGGènes exprimés différentiellement
FAIREOntologie de la maladie
ALLEROntologie génétique
KEGGEncyclopédie des gènes et des génomes de Kyoto
LASSOOpérateur de rétrécissement et de sélection le moins absolu
MFFonction moléculaire
MIInfarctus du myocarde
NAFLDStéatose hépatique non alcoolique
PPIInteraction protéine-protéine
ROCCourbes caractéristiques de l’opérateur du récepteur
ssGSEAAnalyse d’enrichissement d’ensemble de gènes à échantillon unique
SVM-RFEÉlimination des caractéristiques récursives du vecteur de support
THBS1Thrombospondine 1

Tableau 1 : Paramètres de simulation utilisés dans l’expérimentation.

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 cibles thérapeutiques. De plus, l’intégration de techniques de bio-informatique et d’apprentissage automatique fournit un cadre polyvalent pour la médecine personnalisée, permettant des stratégies de traitement sur mesure basées sur des profils moléculaires individuels. Cette méthode peut également être adaptée pour être utilisée en milieu clinique afin d’améliorer la précision du diagnostic et les résultats pour les patients grâce à des interventions ciblées.

La NAFLD et l’infarctus du myocarde (IM) sont deux fardeaux majeurs pour la santé avec une prévalence et une mortalité importantes. La NAFLD se caractérise par l’accumulation de lipides dans le foie1. De plus en plus de preuves suggèrent que la NAFLD affecte négativement non seulement l’intégrité structurelle du cœur, mais aussi sa fonction, en particulier dans le contexte de l’IM 22,23,24. De plus, il existe des preuves convaincantes indiquant une forte corrélation entre la NAFLD et l’athérosclérose. Des études ont montré que la prévalence et la gravité de la NAFLD chez les patients atteints d’IM non diabétique sont liées à la maladie coronarienne25. Il a été démontré que la NAFLD modérée à sévère est un facteur de risque indépendant, multipliant par trois le risque de lésions multiples des artères coronaires4. Cependant, ces études se concentrent principalement sur la NAFLD et l’IM, laissant les mécanismes sous-jacents de l’association entre la NAFLD et l’athérosclérose encore incertains. Il est donc crucial d’explorer ces mécanismes pour prévenir l’IM lié à la NAFLD.

Dans cette étude, deux ensembles de données ont été obtenus du NCBI-GEO. L’analyse a révélé 13 DEG régulés à la hausse et 1 DEG régulés à la baisse entre NAFLD et MI. Une analyse d’enrichissement fonctionnel a été effectuée, un diagramme de réseau co-PPI a été construit et deux algorithmes d’apprentissage automatique ont été utilisés pour identifier les DEG du hub. En conséquence, THBS1 a été identifié comme un nouveau biomarqueur avec une efficacité diagnostique exceptionnelle pour la NAFLD et l’IM. Support Vector Machine (SVM) est une technique d’apprentissage automatique supervisée largement utilisée pour la classification et la régression17. L’élimination des caractéristiques récursives (RFE) permet de sélectionner les gènes les plus significatifs de l’échantillon. L’algorithme de régression LASSO19 applique la régularisation pour améliorer la précision des prédictions. En combinant ces algorithmes avec des co-DEG, nous avons pu rechercher les DEG optimaux.

Sur la base de l’analyse à l’aide de deux algorithmes d’apprentissage automatique et de co-DEG, la thrombospondine 1 (THBS1 ou TSP1) a été identifiée comme un centre de diagnostic clé DEG. THBS1 est un membre des protéines de la matrice extracellulaire et a été détecté pour la première fois dans les plaquettes en réponse à la stimulation de la thrombine26. Diverses cellules, y compris les cellules endothéliales, les cellules stellaires hépatiques et les cellules musculaires lisses, peuvent produire et sécréter THBS1 dans l’espace extracellulaire 27,28,29. THBS1 interagit avec CD36, un ligand30 connu, et exerce un effet anti-angiogénique en régulant CD36 29,31, soulignant son rôle important dans les maladies cardiovasculaires. De plus, THBS1 peut réguler l’angiogenèse et l’agrégation plaquettaire grâce à ses interactions avec des récepteurs et des protéines tels que CD47, le facteur de croissance transformant β et les intégrines32. Cela suggère que THBS1 peut jouer un rôle crucial dans la formation de thrombus, la rupture de la plaque vulnérable et le remodelage ventriculaire ultérieur au cours de l’IM 33,34,35.

De plus, le développement de la NAFLD est étroitement associé à la synthèse des protéines sécrétées en circulation. Une étude pivot publiée dans EBioMedicine a démontré que THBS1, en tant que protéine sécrétée, pourrait servir de nouveau biomarqueur de la NAFLD. Cette étude a également révélé que l’administration exogène de THBS1 améliore le dépôt de lipides hépatiques en inhibant les voies de synthèse des lipides36. Notamment, CD36 a été identifié comme un récepteur clé pour les effets de THBS1 contre la NAFLD. De plus, il a été démontré que l’ABT-526, un analogue peptidique de THBS1, inhibe la synthèse des lipides dans les hépatocytes. Ces résultats fournissent de nouvelles informations sur le diagnostic et le traitement de la NAFLD et suggèrent que THBS1 pourrait être un nouveau biomarqueur pour la NAFLD et l’IM, offrant un outil de diagnostic rapide, simple et accessible.

Des preuves récentes mettent en évidence le rôle essentiel des réponses immunitaires-inflammatoires dans la progression de la NAFLD et de l’IM. Les principales caractéristiques comprennent l’expression des cytokines, la régulation immunitaire et l’activation du système neuroendocrinien. Wabitsch et al. ont démontré que la metformine confère une hépatoprotection en inhibant l’expression des lymphocytes T CD8+ chez les souris NAFLD37. Dolejsi et al. ont signalé une diminution des lymphocytes T CD8+ et une réduction significative de la capacité de réparation myocardique38. Qin et al. ont découvert que les neutrophiles, dans le cadre de l’indice d’immuno-inflammation systémique, sont associés à l’excrétion urinaire d’albumine chez les patients atteints de NAFLD39. Zhang et al. ont indiqué que l’infiltration et la dégranulation des neutrophiles sont impliquées à la fois dans les processus de blessure et de récupération au cours de l’IM27.

Conformément à ces résultats, les résultats actuels ont révélé une augmentation de l’infiltration du CCR, du CMH de classe I, des neutrophiles, de la para-inflammation et des cellules Tfh, tandis que les lymphocytes T CD8+, l’activité cytolytique et le TIL ont diminué chez les patients atteints de NAFLD et d’IM par rapport aux témoins sains. De plus, l’analyse de corrélation a montré que THBS1 était positivement corrélé avec le CCR, le CMH de classe I, les neutrophiles, la parainflammation et les cellules Tfh, et négativement corrélé avec les lymphocytes T CD8+, l’activité cytolytique et le TIL chez les patients atteints de NAFLD et d’IM. Ces observations suggèrent que THBS1 pourrait contribuer à la modulation des réponses immunitaires en augmentant le CCR, le CMH de classe I, les neutrophiles, la parainflammation et les cellules Tfh, tout en diminuant les lymphocytes T CD8+, l’activité cytolytique et le TIL au cours du développement et de la progression de la NAFLD et de l’IM. Cependant, ces spéculations justifient une enquête plus approfondie pour confirmer le rôle précis de THBS1 dans ces processus.

Cette étude visait à élucider les connexions moléculaires entre la NAFLD et l’IM à l’aide d’approches complètes de bio-informatique et d’apprentissage automatique. Les résultats ont identifié 96 gènes exprimés de manière différentielle (DEG) dans la NAFLD et 126 dans l’IM, avec 14 DEG chevauchant les deux conditions. L’analyse de l’enrichissement fonctionnel a révélé que ces DEG sont impliqués dans des processus et des voies biologiques critiques, tels que la différenciation des cellules adipeuses, la chimiotaxie des leucocytes et diverses voies de signalisation, notamment l’IL-17, le TNF et le NF-κB. Ces résultats mettent en évidence l’interaction complexe des voies inflammatoires et métaboliques dans la NAFLD et l’IM. La construction de diagrammes de réseau d’interaction protéine-protéine (IPP), combinée à des analyses d’apprentissage automatique (SVM-RFE et LASSO), a permis d’identifier THBS1 comme un gène clé de la plaque tournante. THBS1 a démontré d’excellentes performances diagnostiques, avec une aire sous la courbe (AUC) de 0,981 pour la NAFLD et de 0,900 pour l’IM, suggérant son potentiel en tant que biomarqueur robuste pour les deux conditions.

De plus, l’analyse d’immuno-infiltration a révélé des profils de cellules immunitaires distincts chez les patients atteints de NAFLD et d’IM par rapport aux témoins sains. Plus précisément, les patients atteints de NAFLD et d’IM présentaient une infiltration accrue de CCR, de CMH de classe I, de neutrophiles, de parainflammation et de cellules Tfh, tout en montrant une diminution des niveaux de lymphocytes T CD8+, d’activité cytolytique et de TIL. Ces caractéristiques immunitaires soulignent la nature inflammatoire des deux affections et mettent en évidence le rôle de THBS1 dans la modulation des réponses immunitaires.

Cette étude fournit de nouvelles informations sur les mécanismes moléculaires communs sous-jacents à la NAFLD et à l’IM, THBS1 émergeant comme un nouveau biomarqueur pour le diagnostic et une cible thérapeutique potentielle. Les résultats ouvrent la voie à de futures recherches sur des interventions ciblées et des stratégies de traitement personnalisées pour les patients atteints de ces affections interdépendantes. En intégrant la bioinformatique, l’apprentissage automatique et l’analyse d’immuno-infiltration, la recherche contribue au développement d’une plateforme d’aide à la décision médicale visant à améliorer la prise en charge clinique de la NAFLD et de l’IM.

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).

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).

Réimpressions et autorisations

Mots-clés

Analyse bioinformatiqueApprentissage automatiqueMachine vecteurs de supportInteraction prot ine prot ineG ne diff rentiellement exprimLymphocytes T CD8Niveaux de neutrophiles
Vidéo bientôt disponible
Contactez-nous
Recommander à la bibliothèque

Confidentialité

Conditions d'utilisation

Politiques

Copyright © 2026 MyJoVE Corporation. Tous droits réservés.