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

Article de recherche

UPP1 en tant que biomarqueur diagnostique : enseignements issus des analyses bioinformatiques intégratives et d'infiltration immunitaire dans la BPCO

62 vues

⸱

DOI :

10.3791/72242

⸱

3 septembre 2026

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

* These authors contributed equally

Dans cet article

Résumé

Cette étude présente un pipeline bioinformatique reproductible intégrant la transcriptomique, l'apprentissage automatique et l'analyse de l'infiltration immunitaire afin d'identifier des biomarqueurs diagnostiques potentiels et des réseaux régulateurs dans la maladie pulmonaire obstructive chronique (COPD).

Résumé

La MPOC est un trouble respiratoire progressif caractérisé par une limitation persistante du flux d'air et une inflammation chronique, mais le rôle de la modification de l'ARN par la N4-acétylcytidine (ac4C) dans sa pathogenèse reste largement inexploré. Cette étude visait à effectuer un criblage systématique de gènes liés à l'ac4C (ac4C-RG) à partir d'une base de données publiée et à examiner leurs réseaux régulateurs dans la MPOC, afin d'identifier des biomarqueurs potentiels pour des études mécanistiques ultérieures, sans supposer de relation régulatrice directe entre un gène spécifique et la modification par ac4C. Les gènes différentiellement exprimés (DEG) ont été identifiés à partir de profils transcriptomiques, et une analyse de réseau de co-expression génique pondérée (WGCNA) a été appliquée pour découvrir les modules de co-expression clés. Une analyse croisée entre les DEG, les modules significatifs et les ac4C-RG a été réalisée. Les gènes centraux ont été sélectionnés à l'aide des algorithmes de régression LASSO, XGBoost et forêt aléatoire, suivis de la construction d'un modèle diagnostique basé sur une régression logistique. Les performances du modèle ont été évaluées par analyse de la courbe ROC (caractéristique de fonctionnement du récepteur), de l'aire sous la courbe (AUC) avec intervalles de confiance à 95 %, de l'évaluation de la courbe de calibration et de l'analyse de la courbe de décision (DCA). Un total de 160 gènes communs a été identifié, et six gènes centraux (PTRF, PRKCDBP, UPP1, TOR3A, FAM168B et B4GALT2) ont été systématiquement sélectionnés par les trois algorithmes d'apprentissage automatique. Le modèle diagnostique a montré une bonne performance discriminante, avec des AUC de 0,766, 0,759 et 0,723 respectivement dans les ensembles d'entraînement, de test interne et de validation externe. L'analyse du réseau régulateur a suggéré des axes ceRNA potentiels et des interactions avec des facteurs de transcription, tandis que le profil d'infiltration immunitaire a révélé des corrélations significatives entre les gènes clés et plusieurs sous-ensembles de cellules immunitaires. L'analyse des interactions médicament-gène et le dockage moléculaire ont indiqué que le fluorouracile, la capécitabine et la 5-benzylacyclouridine pourraient présenter des affinités de liaison prédites favorables avec UPP1. En conclusion, PTRF, PRKCDBP, UPP1, TOR3A, FAM168B et B4GALT2 ont été identifiés comme des biomarqueurs potentiels liés à l'ac4C dans la MPOC, potentiellement impliqués dans la régulation immunitaire et métabolique, fournissant ainsi une base pour de futures investigations fonctionnelles et explorations thérapeutiques.

Introduction

La BPCO est un trouble respiratoire chronique et hétérogène caractérisé par une limitation progressive du flux aérien résultant d'anomalies des structures alvéolaires et des voies respiratoires1,2. Un déséquilibre protéase-antiprotéase, le stress oxydatif, l'inflammation chronique et la sénescence cellulaire constituent les mécanismes physiopathologiques fondamentaux de la BPCO, entraînant une destruction structurelle et une altération fonctionnelle du tissu pulmonaire3,4. Par ailleurs, la BPCO est influencée par de nombreux facteurs de risque, notamment le tabagisme prolongé, la pollution environnementale, l'exposition professionnelle, les infections respiratoires et la prédisposition génétique5,6. La BPCO pèse un fardeau considérable sur l'économie mondiale. Elle devrait représenter 0,111 % du PIB mondial chaque année entre 2020 et 20507. Bien que les stratégies thérapeutiques actuelles, telles que les bronchodilatateurs, les corticostéroïdes inhalés, la réadaptation pulmonaire et l'oxygénothérapie à long terme, permettent d'atténuer les symptômes, l'arrêt de la progression de la maladie demeure difficile. En raison d'une hétérogénéité clinique marquée, les résultats chez les patients varient considérablement8. Par conséquent, de nouveaux biomarqueurs diagnostiques et indicateurs pronostiques sont urgemment nécessaires afin d'améliorer la prise en charge de la BPCO et la survie des patients.

La modification de l'ARN fait référence à l'altération chimique des molécules d'ARN, pouvant modifier la structure et la fonction de l'ARN afin de réguler l'expression des gènes9,10. Les modifications courantes de l'ARN incluent la N6-méthyladénosine (m6A), la pseudouridine (Ψ), la 5-méthylcytosine (m5C) et l'ac4C11. La modification ac4C joue un rôle essentiel dans la préservation de la stabilité des ARNm et dans la promotion de leur traduction12,13. NAT10 est la seule enzyme eucaryote connue qui catalyse la modification ac4C, et son activité est indispensable à la formation de cette modification14. Des études ont mis en évidence une forte corrélation entre le stress oxydatif, la sénescence cellulaire, l'inflammation et la modification ac4C. Par exemple, les lymphocytes T CD4+ présents dans les tissus coliques de personnes atteintes de maladie inflammatoire de l'intestin (IBD) présentent des niveaux nettement élevés de NAT1015. NAT10 renforce l'acétylation ac4C des chimiokines CCL2 et CXCL1, favorisant ainsi l'infiltration des macrophages et des neutrophiles et aggravant les lésions inflammatoires16. La réponse cellulaire au stress oxydatif pourrait impliquer la modification ac4C, comme en témoigne l'augmentation marquée des niveaux d'ac4C sous stress oxydatif. De plus, NAT10 favorise la fibrose pulmonaire induite par les PM2.5 en stabilisant l'ARNm de TGFB1 par modification ac4C, déclenchant ainsi une transition épithélio-mésenchymateuse17. Toutefois, le rôle de la modification ac4C dans la BPCO reste largement inexploré, soulignant la nécessité de recherches supplémentaires dans ce domaine.

La base de données GEO a été utilisée dans cette étude afin d'identifier les gènes différentiellement exprimés (DEG) entre les patients atteints de BPCO et les témoins. Une liste publiée de gènes régulateurs de l'ac4C, compilée à partir de données multiomiques18, a ensuite été intégrée aux DEG afin d'identifier les candidats communs. Étant donné que la modification par ac4C est connue pour influencer l'inflammation et le stress oxydatif—des processus clés dans la BPCO—nous avons émis l'hypothèse que les gènes associés au réseau régulateur de l'ac4C pourraient être régulés de manière anormale dans la BPCO. Toutefois, les gènes communs n'ont pas été considérés comme des substrats directs de NAT10 ni comme des gènes directement régulés par l'ac4C ; ils ont plutôt été considérés comme des candidats associés au réseau lié à l'ac4C. Les gènes clés ont été sélectionnés à l'aide de plusieurs algorithmes d'apprentissage automatique, suivis de la construction et de la validation d'un modèle diagnostique. Par la suite, les voies pertinentes impliquées dans la pathogenèse de la BPCO ont été déterminées, et des médicaments ciblés potentiels ont été prédits. Enfin, des tests de RT-qPCR ont été réalisés afin de confirmer les niveaux d'expression des gènes clés, fournissant ainsi des indications préliminaires sur la physiopathologie de la BPCO et des pistes potentielles pour l'exploration thérapeutique.

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

Protocole

Déclaration du comité d'éthique institutionnel

Cette étude a été menée conformément à la Déclaration d'Helsinki. Le protocole a été approuvé par le Comité d'éthique de l'Hôpital Shenzhen Luohu de médecine traditionnelle chinoise (numéro d'approbation : 2024-LHQZYYYXLL-KY-039), et un consentement éclairé écrit a été obtenu de tous les participants avant leur inclusion. Les détails des outils et matériaux de recherche utilisés dans ce protocole sont fournis dans le Tableau des matériaux.

Source des données et traitement

Les jeux de données d'expression génique liés à la BPCO ont été obtenus à partir du Gene Expression Omnibus (GEO). Le jeu de données GSE54837 a été utilisé comme jeu de données de transcriptome, et le jeu de données GSE112811 a servi de jeu de validation (Tableau 1). Les gènes liés à l'ac4C (ac4C-RGs) ont été recueillis à partir de la littérature18. Les gènes différentiellement exprimés (DEG) entre les groupes BPCO et témoins ont été identifiés à l'aide du package R limma. Les DEG ont été considérés comme statistiquement significatifs si |log2FC| > 0 et p < 0,05. Des graphiques en volcan ont été générés pour visualiser la distribution globale des modifications d'expression génique.

Construction de WGCNA

L'analyse WGCNA a été réalisée sur le jeu de données GSE54837 à l'aide de R afin d'identifier les modules liés à la BPCO. Avant la construction du réseau, des échantillons aberrants ont été identifiés et éliminés par analyse de clustering hiérarchique utilisant la fonction hclust avec la méthode de liaison moyenne et une métrique de distance euclidienne. La puissance optimale de seuil doux (soft-thresholding) (β = 10) a été choisi pour obtenir un indice d'ajustement à une topologie sans échelle de R2 ≥ 0,85, équilibrant la topologie sans échelle et la connectivité moyenne. Une matrice d'adjacence a été construite puis transformée en une matrice de chevauchement topologique (TOM). Les modules de gènes ont été identifiés à l'aide de l'algorithme de découpage dynamique d'arbre hiérarchique (deepSplit = 2, minClusterSize = 50). Les modules présentant des corrélations d'expression des gènes caractéristiques > 0,75 ont ensuite été fusionnés à l'aide de la fonction mergeCloseModules. Les eigengènes des modules ont ensuite été corrélées aux caractéristiques cliniques (statut BPCO, âge, sexe et statut tabagique) à l'aide de coefficients de corrélation de Pearson afin d'identifier les modules associés au BPCO pour les analyses ultérieures.

Étude de criblage, analyse d'enrichissement et analyse du réseau PPI des gènes chevauchants

Un diagramme de Venn a été généré à l'aide du package R ggvenn afin d'identifier les gènes communs parmi les DEG, les gènes du module MEsaumon et les ac4C-RG. Une analyse d'enrichissement fonctionnel des gènes communs a été réalisée à l'aide des bases de données Gene Ontology (GO) et Kyoto Encyclopedia of Genes and Genomes (KEGG) avec le package R clusterProfiler. Les informations sur les interactions entre protéines (PPI) ont été obtenues à partir de la base de données STRING (https://string-db.org/) afin d'analyser les interactions au niveau protéique parmi les gènes communs. Le logiciel Cytoscape a été utilisé pour visualiser le réseau PPI obtenu.

Identification de gènes clés par apprentissage automatique

Trois techniques d'apprentissage automatique ont été appliquées : la régression par l'opérateur de réduction et de sélection des moindres valeurs absolues (LASSO), le boosting par gradient extrême (XGBoost) et la forêt aléatoire (RF). La régression LASSO a été mise en œuvre à l'aide du package glmnet avec une validation croisée à 10 folds pour déterminer le paramètre de pénalité optimal λ. Le paramètre type.measure a été fixé à « deviance », et le paramètre family a été fixé à « binomial ». Le λ optimal a été sélectionné selon le critère λmin, qui minimise la déviance validée par validation croisée, produisant 17 gènes. XGBoost a été réalisé à l'aide du package xgboost avec les hyperparamètres suivants : nrounds = 100, max_depth = 6, eta = 0,3, subsample = 0,8, colsample_bytree = 0,8, et eval_metric = « logloss ». L'importance des variables a été classée selon la métrique gain, et les 30 gènes les plus importants ont été sélectionnés. La forêt aléatoire a été mise en œuvre à l'aide du package randomForest avec ntree = 200. L'importance des variables a été classée selon la diminution moyenne de l'indice de Gini, et les 30 gènes les plus importants ont été sélectionnés. Les gènes sélectionnés par les trois méthodes d'apprentissage automatique ont été croisés afin d'identifier les gènes clés pour les analyses ultérieures.

Construction et évaluation du modèle de régression logistique pour la prédiction du risque

Le jeu de données GSE54837 a été divisé aléatoirement en un ensemble d'apprentissage (70 %) et un ensemble de test (30 %). Un modèle de régression logistique a été construit sur l'ensemble d'apprentissage à l'aide de la fonction glm du package MASS, en utilisant les niveaux d'expression des gènes clés comme variables prédictives. Les performances du modèle ont été évaluées à l'aide de courbes ROC générées avec le package pROC. Les intervalles de confiance à 95 % pour l'AUC ont été calculés par 2 000 répétitions de bootstrap. La calibration du modèle a été évaluée à l'aide de courbes de calibration générées avec 1 000 rééchantillonnages bootstrap (package rms). L'analyse de décision clinique (DCA) a été réalisée à l'aide du package dca pour évaluer le bénéfice clinique net sur une gamme de probabilités seuils. Un nomogramme a été construit à l'aide de la fonction nomogram du package rms afin de faciliter l'estimation personnalisée du risque.

L'équation de régression était la suivante :

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

Ici, P représente la probabilité prédite de BPCO, et chaque coefficient représente la contribution de la valeur d'expression génique correspondante aux cotes logarithmiques de la BPCO.

Analyse d'expression, réseau GeneMANIA et réseau régulatoire moléculaire

Les niveaux d'expression génique entre les groupes BPCO et témoins dans le jeu de données GSE54837 ont été comparés à l'aide du test de Wilcoxon-Mann-Whitney. Des boîtes à moustaches ont été générées à l'aide du package ggplot2 afin de visualiser la distribution des niveaux d'expression, avec la médiane, l'intervalle interquartile (IIQ) et les points de données individuels superposés. GeneMANIA a été utilisé pour construire les réseaux géniques et prédire les interactions fonctionnelles. La recherche a été effectuée avec les paramètres par défaut : espèce = Homo sapiens, nombre maximal de gènes associés = 20. Le réseau obtenu a été téléchargé et visualisé, les couleurs des arêtes indiquant les types d'interaction. Un réseau d'ARN endogènes compétitifs (ceRNA) a été construit afin d'étudier les mécanismes régulateurs post-transcriptionnels. Les miARN ciblant les six gènes clés ont été prédits à l'aide de deux bases de données indépendantes : DIANA-microT (score ≥ 0,8) et miRanda (score ≥ 140, énergie ≤ −20 kcal/mol). L'intersection des miARN identifiés par les deux bases de données a été utilisée pour construire des paires miARN-mARN. Par la suite, les lncARN ciblant ces miARN ont été prédits à l'aide de la base de données StarBase. Un réseau régulateur lncARN-miARN-mARN a été construit et visualisé à l'aide de Cytoscape. Les relations régulatrices transcriptionnelles ont été prédites à l'aide de l'analyse d'enrichissement ChIP-X version 3 (ChEA3). Pour chaque gène clé possédant des facteurs de transcription (FT) prédits, les 10 premiers facteurs de transcription présentant les scores d'enrichissement les plus élevés ont été sélectionnés. Un réseau régulateur FT-cible a été construit dans Cytoscape.

Analyse de l'enrichissement des ensembles de gènes et évaluation de l'infiltration des cellules immunitaires

Une analyse d'enrichissement de gènes (GSEA) a été réalisée à l'aide du package clusterProfiler afin d'étudier les fonctions biologiques de chaque gène clé. Pour chaque gène clé, les échantillons ont été divisés en deux groupes, à expression élevée et faible, selon la valeur médiane. Une analyse d'expression différentielle entre les deux groupes a été effectuée à l'aide de limma, et la liste de gènes obtenue a été classée selon le changement de rapport logarithmique en base 2 signé. L'analyse GSEA a été menée à l'aide de la fonction gseGO pour les termes du processus biologique de l'ontologie générique (GO) et de la fonction gseKEGG pour les voies KEGG, avec les paramètres suivants : minGSSize = 10, maxGSSize = 500, pvalueCutoff = 0,05, et nPerm = 1 000. L'abondance relative de 28 types de cellules immunitaires a été estimée à l'aide de l'analyse d'enrichissement de gènes par échantillon unique (ssGSEA) mise en œuvre dans le package GSVA. Une matrice de signature de gènes soigneusement sélectionnée, comprenant des gènes marqueurs pour 28 types de cellules immunitaires, a été obtenue à partir de travaux antérieurs19. Pour chaque échantillon, la fonction gsva a été appliquée avec method = "ssgsea", ssgsea.norm = TRUE, et kcdf = "Gaussian". Les coefficients de corrélation de Spearman entre les scores d'enrichissement ssGSEA et les niveaux d'expression des six gènes clés ont été calculés à l'aide de la fonction cor.test. Les valeurs de p ont été ajustées pour les tests multiples selon la méthode de Benjamini-Hochberg. La matrice de corrélation a été visualisée sous forme de carte thermique à l'aide du package pheatmap.

Prédiction de médicaments, docking moléculaire et analyse d'association avec les maladies

Des composés thérapeutiques potentiels ciblant des gènes clés ont été identifiés à l'aide de la base de données DrugBank. Un réseau d'interactions « médicament ciblant un gène clé » a été construit dans Cytoscape afin de visualiser les interactions prévues entre médicaments et gènes. Un dockage moléculaire a été réalisé à l'aide de la plateforme CB-Dock2 pour évaluer les affinités de liaison. La structure protéique tridimensionnelle de l'UPP1 humain a été obtenue à partir de la Protein Data Bank (PDB ID : 7B8T). Les structures moléculaires des médicaments (format SMILES) ont été récupérées depuis PubChem. Le dockage a été effectué en utilisant le moteur AutoDock Vina, et les résultats ont été classés selon l'énergie libre de liaison (ΔG, en kcal/mol). Les complexes de dockage ont été visualisés à l'aide de PyMOL. Les associations entre les gènes clés et les maladies humaines liées à des expositions environnementales ont été étudiées à l'aide de la base de données Comparative Toxicogenomics Database (CTD). Chaque gène a fait l'objet d'une requête individuelle, et les dix maladies les plus fortement associées ont été extraites et visualisées à l'aide de diagrammes en radar.

Protocole de RT-qPCR

Des échantillons de sang veineux périphérique ont été prélevés chez huit patients atteints de BPCO et huit témoins sains à l'hôpital Shenzhen Luohu de médecine traditionnelle chinoise. Le diagnostic de BPCO a été établi selon les critères de l'Initiative mondiale pour la maladie pulmonaire obstructive chronique (GOLD), définis par un rapport VEMS/CVF post-bronchodilatateur < 0,70. Le groupe témoin comprenait des volontaires sains appariés par âge et sexe, sans antécédent de maladies respiratoires et présentant des épreuves fonctionnelles respiratoires normales (VEMS % prédit ≥ 80 % et VEMS/CVF ≥ 0,70). Les informations de base concernant les patients sont indiquées dans le Tableau 2. L'ARN total a été extrait des échantillons sanguins de patients BPCO à l'aide d'un kit d'extraction d'ARN sanguin. Pour la synthèse d'ADN complémentaire, 500 ng d'ARN total ont été rétrotranscrits à l'aide d'un kit de synthèse d'ADN complémentaire avec élimination de l'ADN génomique, conformément au protocole fourni. L'ADN complémentaire obtenu a été dilué à 150 ng/μL.

La RT-qPCR a été réalisée à l'aide d'un mélange maître qPCR basé sur le SYBR Green sur un système de PCR en temps réel. Chaque réaction de 10 μL contenait 5 μL de mélange maître 2x SYBR Green, 0,5 μL de chacun des amorces avant et arrière (10 μM), 1 μL d'ADNc dilué (15 ng/μL) et 3 μL d'eau sans nucléase. Les conditions de cyclage comprenaient une dénaturation initiale à 95 °C pendant 5 min, suivie de 40 cycles de 95 °C pendant 10 s et de 60 °C pendant 30 s, avec une analyse finale de courbe de fusion allant de 60 °C à 95 °C afin de vérifier la spécificité de l'amplification. Toutes les réactions ont été effectuées en triplets techniques. L'actine β a été utilisée comme gène de référence interne. L'efficacité des amorces pour chaque gène cible a été validée à l'aide de séries de dilutions par courbe standard et variait entre 90 % et 110 %. Les niveaux d'expression génique ont été normalisés par rapport à l'actine β, et l'expression relative a été calculée selon la méthode 2-ΔΔCt. Les comparaisons statistiques entre les groupes BPCO et témoins ont été effectuées à l'aide du test de Mann-Whitney U.

Analyse statistique

Les visualisations de réseaux ont été créées à l'aide de Cytoscape, et les analyses statistiques ont été effectuées avec le logiciel R. Sauf indication contraire, le test de Mann-Whitney U a été utilisé pour les données non normalement distribuées, et le test t de Student a été utilisé pour les données normalement distribuées afin de comparer deux groupes. Une valeur de p < 0,05 a été considérée comme statistiquement significative.

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

Résultats

Identification de gènes chevauchants, analyse d'enrichissement et construction du réseau PPI

À partir du jeu de données GSE54837, 3 371 gènes différentiellement exprimés (DEG) ont été identifiés, dont 1 675 gènes surexprimés et 1 696 gènes sous-exprimés. Les 10 gènes présentant la surexpression et la sous-expression la plus significative sont indiqués dans Figure 1A. Une analyse de regroupement hiérarchique des données GSE54837 a été réalisée (

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

Discussion

La modification ARN conservée ac4C, qui se produit principalement dans l'ARN messager (ARNm) et l'ARN de transfert (ARNt), augmente la stabilité de l'ARNm et l'efficacité de traduction20. NAT10 est la seule acétyltransférase ARN connue qui médie la modification ac4C21. Des études ont montré que NAT10 est surexprimé dans les cellules épithéliales pulmonaires des patients atteints de BPCO. L'extinction partielle de NAT10 perturbe la fonction mitochondriale et les réponses tra...

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

Déclarations de divulgation

Les auteurs déclarent qu'ils n'ont aucun conflit d'intérêts. Le consentement éclairé a été obtenu de la part de tous les sujets ayant participé à l'étude.

Remerciements

Nous remercions l'hôpital de médecine traditionnelle chinoise de Luohu à Shenzhen de nous avoir fourni les installations cliniques et le soutien administratif essentiels à cette étude. Enfin, nous sommes reconnaissants envers tous les patients et les volontaires sains qui ont participé à cette recherche ; leur contribution a été indispensable à ce travail. Ce travail a été soutenu par le projet Sanming de médecine à Shenzhen (n° SZZYSM202401018), les fonds des spécialités prioritaires du district de Luohu (n° LX202402021) et les fonds des spécialités prioritaires du district de Luohu (n° LX202302064).

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

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
β-actine amorcesTsingkeN/ASens direct : 5’-CATGTACGTTGCTATCCAGGC-3’
Sens inverse : 5’-CTCCTTAATGTCACGCACGAT-3’
Amorces B4GALT2TsingkeN/ASens direct : 5’-GGGCAGACTGCTGATCGAG-3’
Sens inverse : 5’-CCGGTGTCTAAAGGGGATGAT-3’
CB-Dock2LabShareEn ligneDocking moléculaire
clusterProfilerBioconductorv4.14.6Analyse d'enrichissement
CytoscapeCytoscape Consortiumv3.8.3Visualisation de réseaux
DrugBankUniversity of AlbertaEn lignePrédiction de médicaments
Amorces FAM168BTsingkeN/ASens direct : 5’-TCTGGGGTTCCCTATGCAAAT-3’
Sens inverse : 5’-GTAGGATTCGCTCCAGGATACA-3’
glmnetCRANv4.1Régression LASSO
GSVABioconductorv1.52.3Analyse ssGSEA
Hifair III 1st Strand cDNA Synthesis SupermixYEASEN11141ESSynthèse d'ADN complémentaire
Hieff RTPCR SYBR Green Master MixYEASEN11201ESAmplification qPCR
limmaBioconductorv3.54.0Expression différentielle
LightCycler 480 II SystemRocheLightCycler 480 IIPCR en temps réel
Amorces PTRFTsingkeN/ASens direct : 5’-GGGCCGTAGACCAGATCCA-3’
Sens inverse : 5’-CTTGCTCACCGTATTGCTCGT-3’
Amorces PRKCDBPTsingkeN/ASens direct : 5’-CACGTTCTGCTCTTCAAGGAG-3’
Sens inverse : 5’-TGTACCTTCTGCAATCCGGTG-3’
Logiciel RR Foundationv4.4.2Informatique statistique
randomForestCRANv4.7Forêt aléatoire
Kit RNA isolater MolPure Blood RNAYEASEN19241ES50Extraction d'ARN
Base de données STRINGEMBLEn ligneRéseau PPI
Amorces TOR3ATsingkeN/ASens direct : 5’-CCCTTGCTCTGTCGTTCCAC-3’
Sens inverse : 5’-CCCGTCCCGATACAGGTTC-3’
Amorces UPP1TsingkeN/ASens direct : 5’-CTGTCAGTCATGGTATGGGCA-3’
Sens inverse : 5’-GAGCACCGGGCATAGTACA-3’
WGCNACRANv1.72Réseau de co-expression
xgboostCRANv1.7Algorithme XGBoost

Références

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

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

Réimpressions et autorisations

Étiquettes

Biomarqueur UPP1Diagnostic de la BPCOModification de l'ARN ac4CCo-expression géniqueBiomarqueurs par apprentissage automatiqueAnalyse des réseaux de régulationProfilage des cellules immunitairesInteraction médicament-gène
Contactez-nous
Recommander à la bibliothèque

Confidentialité

Conditions d’utilisation

Politiques

Copyright © 2026 MyJoVE Corporation. Tous droits réservés.