Article de recherche
En utilisant la bioinformatique, l’apprentissage automatique et la validation de la qPCR, cette étude a identifié cinq biomarqueurs candidats associés à la SUMOylation et au dysfonctionnement mitochondrial dans l’insuffisance cardiaque. Ces résultats améliorent la compréhension des mécanismes de l’insuffisance cardiaque et suggèrent des orientations potentielles pour de futures recherches diagnostiques.
L’insuffisance cardiaque (IC) présente un défi clinique persistant. Bien que la SUMOylation et la fonction mitochondriale soient vitales pour la santé des cardiomyocytes, leur influence combinée sur l’IC reste insaisissable. Deux ensembles de données liés aux HF ont été téléchargés depuis GEO. Les gènes qui se chevauchent ont été obtenus à partir de tous les gènes de l’ensemble d’entraînement, des gènes liés au SUMO, et des gènes liés aux mitochondriaux. Trois algorithmes d’apprentissage automatique ont été appliqués pour identifier les gènes clés de diagnostic. Par la suite, des modèles diagnostiques ont été construits et évalués à partir de ces gènes. Par de plus, le microenvironnement immunitaire dans l’IC par rapport aux témoins sains a été évalué à l’aide de CIBERSORT, MCP-counter et ssGSEA. Les différences d’infiltration immunitaire entre l’IC et les témoins sains ont été analysées. Des prédictions de médicaments et des dockings moléculaires ont été réalisés pour identifier des candidats potentiels ciblant ces gènes. Enfin, la qPCR a été utilisée pour valider les niveaux d’expression génique dans des échantillons cliniques. Un total de 113 gènes communs présentant un enrichissement notable de la régulation mitochondriale ont été identifiés. Cinq gènes clés, à savoir NFKB1, MYEF2, NSUN2, SQSTM1 et FKBP4, ont été identifiés par trois algorithmes d’apprentissage automatique. Des analyses d’enrichissement fonctionnel ont relié ces gènes à la réponse immunitaire, au traitement de l’ARN et à la régulation du cycle cellulaire. De plus, le profilage par infiltration immunitaire a révélé que l’infiltration des neutrophiles contribue à des réponses immunitaires dérégulées dans l’IC. Le docking moléculaire a révélé que le médicament à petite molécule IMX-942 présente une affinité de liaison favorable avec SQSTM1 (-5,8 kcal/mol). La validation qPCR a soutenu les résultats en bioinformatique. NFKB1, MYEF2, NSUN2, SQSTM1 et FKBP4 ont été identifiés comme des gènes clés reliant la SUMOylation et la fonction mitochondriale dans l’IC. Ces résultats apportent de nouvelles perspectives sur la physiopathologie de l’IC et pourraient contribuer au développement de nouvelles stratégies diagnostiques et thérapeutiques.
L’insuffisance cardiaque (IC), stade terminal de diverses maladies cardiovasculaires, se caractérise par une altération de la fonction cardiaque qui ne répond pas aux besoins métaboliques ducorps. Cette condition invalidante représente des menaces importantes pour la santé des patients, entraînant une baisse de la qualité de vie et des taux de mortalitéélevés 2. Les modalités diagnostiques actuelles pour l’IC incluent principalement la détection des marqueursbiochimiques 3,4, l’échocardiographie et l’imagerieradiologique 5. Bien que les traitements disponibles incluent des agents pharmacologiques, des interventions basées sur des dispositifs et des interventions chirurgicales, les résultats cliniques restentinsatisfaisants 6. Des limitations telles que les réactions indésirables aux médicaments, l’applicabilité limitée des dispositifs, le rejet immunitaire et d’autres complications freinent fréquemment l’efficacité thérapeutique 7,8,9,10,11. Il est donc urgent d’élucider les mécanismes sous-jacents de l’IC, d’identifier précocement et précisément des biomarqueurs diagnostiques, et de développer des stratégies thérapeutiques plus efficaces et plus sûres.
De petites protéines modificatrices de type ubiquitine (SUMO) sont conjuguées de manière covalente aux résidus de lysine des protéines substrat par un processus dynamique et réversible, régulant la structure et la fonction des protéinesdu substrat 12. La SUMOylation, une modification post-traductionnelle critique, sert de régulateur clé de divers processus cellulaires 13,14. Les mitochondries, en tant que centre énergétique et métabolisateur des cellules, sont cruciales dans la pathogenèse de l’HF. Dans le processus pathologique de l’IC, un dysfonctionnement mitochondrial, tel que la production insuffisante d’ATP, l’éclatement des espèces réactives d’oxygène (ROS) et le déséquilibre de l’homéostasie de Ca2+, contribue de manière significative à la progression 15,16,17,18. Notamment, les preuves émergentes suggèrent une possible interaction entre la SUMOylation et la fonction mitochondriale. Le stress mitochondrial peut déclencher des voies liées à la SUMOylation, tandis que les protéines SUMO et leurs protéases spécifiques sont essentielles au maintien de l’homéostasiemitochondriale 19,20,21. Des études récentes ont également mis en lumière l’importance du contrôle de la qualité mitochondriale et de la dynamique mitochondriale dans les maladies cardiovasculaires ainsi que la progression de l’IC22,23. Cependant, l’effet synergique de la SUMOylation et de la régulation mitochondriale sur le développement de l’HF reste incertain, notamment au niveau des gènes.
Dans cette étude, nous avons étudié systématiquement les gènes à l’intersection de la SUMOylation et du dysfonctionnement mitochondrial dans l’IC, deux processus biologiques clés qui ont été impliqués individuellement dans l’IC mais qui ne sont pas encore intégrés de manière exhaustive. Les gènes qui se chevauchent ont été identifiés par l’intersecte de gènes différenciellement exprimés liés à l’HF, des gènes liés à la SUMOylation et des gènes liés aux mitochondries. Les gènes clés ont ensuite été criblés à l’aide d’algorithmes d’apprentissage automatique et utilisés pour construire un modèle de diagnostic. Des analyses d’enrichissement fonctionnel et d’infiltration immunitaire ont été réalisées pour explorer leurs rôles biologiques potentiels dans l’IC. Cette approche intégrée pourrait fournir un cadre systématique pour explorer la communication croisée entre la SUMOylation et le dysfonctionnement mitochondrial dans l’IC.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
L’étude a été menée conformément à la Déclaration d’Helsinki, et le protocole a été approuvé par le Comité d’éthique du Troisième Hôpital de l’Université de Médecine du Hebei (W2025-065-1) en novembre 2024. Un consentement éclairé a été obtenu de tous les sujets impliqués dans l’étude.
Source des données et prétraitement
Des données RNA-seq associées à l’HF ont été obtenues, incluant deux ensembles de données de microarrays issus du Gene Expression Omnibus (https://www.ncbi.nlm.nih.gov/geo/). Deux ensembles de données de microarrays du sang périphérique ont été sélectionnés : GSE59867 (34 échantillons d’IC et 30 témoins) a été utilisé comme jeu de données d’entraînement ; GSE57338 (177 échantillons HF et 136 témoins) a été utilisé comme jeu de données de validation. Les informations cliniques disponibles pour GSE57338, y compris l’âge, le sexe et l’état pathologique, ont été extraites de GEO et sont résumées dans le Tableau Supplémentaire 1. De plus, un total de 3 893 gènes liés à la SUMOylation (SRG) ont été obtenus à partir de la base de données dbPTM (https://awi.cuhk.edu.cn/dbPTM/index.php) (Tableau Supplémentaire 2), tandis que 2 030 gènes liés aux mitochondries (MRG) ont été collectés sur la base d’une étudeprécédente 24 (Tableau Supplémentaire 3). Ensuite, le paquet R GEOquery (v 2.72.0)25 a été utilisé pour télécharger des ensembles de données depuis la base de données GEO, extraire la matrice d’expression et obtenir les informations sur le phénotype de l’échantillon. L’annotation était effectuée en cartographiant le fichier d’annotation et en faisant correspondre les identifiants de gènes. Les identifications génétiques invalides ont été retirées, et les sondes les plus exprimées ont été conservées.
Sélection des gènes clés via l’apprentissage automatique
Une approche en plusieurs étapes a été utilisée pour sélectionner les gènes liés à l’HF, à la SUMOylation et aux mitochondries. Premièrement, les gènes communs entre le jeu de données d’entraînement, les SRG et les MRG ont été identifiés à l’aide d’une analyse d’intersection. La fonction potentielle des gènes communs a été identifiée par l’analyse d’enrichissement de Gene Ontology (GO) et de la Kyoto Encyclopedia of Genes and Genomes (KEGG) à l’aide du package R ClusterProfiler (v 4.12.6)26. Ensuite, trois approches d’apprentissage automatique, à savoir la régression LASSO, XGBoost et la forêt aléatoire (RF), ont été employées pour filtrer davantage les gènes. En régression LASSO, le paramètre de régularisation optimal λ a été sélectionné par validation croisée afin d’identifier les caractéristiques génétiques ayant la plus grande valeur prédictive. Les gènes à coefficients non nuls ont été sélectionnés pour une analyse ultérieure. Ensuite, des algorithmes XGBoost et RF ont été utilisés pour calculer les scores d’importance des caractéristiques et cribler les 20 gènes les plus performants.
Construction et évaluation de modèles diagnostiques
Un modèle diagnostique a été construit en utilisant la régression logistique basé sur le jeu de données GSE59867. Le modèle a ensuite été appliqué pour prédire l’état de la maladie et calculer les scores de probabilité. Pour valider le modèle, les mêmes gènes clés ont été extraits du jeu de données GSE57338, normalisés pour correspondre à l’ensemble d’entraînement, et utilisés pour la prédiction externe. La performance du modèle a été évaluée à l’aide de courbes de caractéristiques de fonctionnement du récepteur (ROC), de matrice de confusion, de courbe d’étalonnage et d’analyse de la courbe de décision (DCA).
Analyse d’enrichissement d’ensembles géniques (GSEA) et localisation subcellulaire
L’analyse de corrélation de Spearman a été utilisée pour identifier les gènes corrélés pour chaque gène clé. L’analyse GSEA a été réalisée à l’aide du package R ClusterProfiler (v 4.12.6) sur les gènes apparentés aux gènes clés. Par contre, pour déterminer la localisation subcellulaire précise des gènes clés à l’intérieur de la cellule, leur localisation subcellulaire a été déterminée à l’aide de la base de données GeneCards (https://www.genecards.org/).
Association gène-maladie et prédiction des médicaments
Pour évaluer la pertinence clinique des gènes clés identifiés, des analyses systématiques d’association à la maladie et d’interaction médicamenteuse ont été réalisées. Les associations maladie-gène ont été interrogées à l’aide de la Comparative Toxicogenomics Database (CTD ; https://ctdbase.org/), les résultats étant classés à la fois par les scores d’inférence et le nombre de références (les 10 principales associations rapportées). Les données d’interaction gène-médicament pour les gènes clés ont été obtenues à partir de la base de données Drug-Gene Interaction (DGIdb), et les médicaments ont été exclus sur la base d’un score d’interaction < 0,5. Par la suite, nous avons téléchargé les structures 3D des protéines correspondant à des gènes clés depuis la base de données PDB (https://www.rcsb.org/) ainsi que les structures moléculaires des médicaments potentiels de PubChem (https://pubchem.ncbi.nlm.nih.gov/). Ensuite, une analyse de docking moléculaire a été réalisée à l’aide de CB-Dock227 (https://cadd.labshare.cn/cb-dock2/php/index.php) pour calculer les scores de liaison entre les médicaments potentiels et les protéines. Une énergie libre de liaison plus faible indique une interaction plus stable, suggérant que le composé pourrait avoir un potentiel de ciblage plus important.
Analyse de l’infiltration immunitaire
L’infiltration des cellules immunitaires a été évaluée à l’aide de trois méthodes complémentaires : le compteur des populations cellulaires du microenvironnement (MCP-compteur)28, l’identification du type cellulaire par l’estimation des sous-ensembles relatifs de transcrits d’ARN (CIBERSORT)29 et l’analyse d’enrichissement par échantillon unique (ssGSEA)30. L’analyse par compteur MCP et CIBERSORT a été réalisée à l’aide du package R IOBR (v 0.99.0)31. Le compteur MCP a été utilisé pour estimer l’abondance des cellules immunitaires et stromales, tandis que CIBERSORT a été utilisé pour quantifier les proportions relatives de 22 types de cellules immunitaires. ssGSEA a été réalisé à l’aide du package GSVA (v1.52.3)32 pour évaluer l’enrichissement au niveau de l’échantillon des sous-types de cellules immunitaires.
Construction du réseau régulateur concurrent de l’ARN endogène (ceRNA)
Pour étudier les rôles potentiels de régulation miARN–lncARN associés à des gènes clés déjà identifiés, un réseau régulateur des ceRNA a été construit. Le package R multiMiR (v 1.26.0)33 a été utilisé pour prédire les interactions potentielles microARN (miARN)–ARNm pour des gènes clés, intégrant les données de PITA (https://omictools.com/pita-tool/) et de la base de données miRDB (https://mirdb.org/). Des paires miARN–ARNm avec une confiance et une constance élevées ont été sélectionnées. Par la suite, les interactions lncARN–miARN ont été extraites de la base de données StarBase (https://rnasysu.com/encori/) et filtrées pour les interactions soutenues par ≥ 10 expériences CLIP-seq et classées comme lincARN. Un réseau de ceRNA a été construit en intégrant des interactions lncRNA-miARNm.
Validation qPCR
Pour valider l’expression des gènes clés, des échantillons sanguins de patients atteints d’IC et de témoins sains ont été prélevés dans la cohorte clinique (n = 6 par groupe) au Third Hospital de l’Université Médicale du Hebei (W2025-065-1) selon des protocoles approuvés et un consentement éclairé. L’ARN total a été isolé à l’aide du réactif TRIzol en conjonction avec du chloroforme et de l’isopropanol. Après extraction, l’ARN était dissous dans de l’eau traitée par DEPC, et sa concentration et sa pureté étaient évaluées à l’aide d’un spectrophotomètre NanoDrop. Pour l’analyse transcriptionnelle, l’ARN a été rétrotranscrit en ADNc à l’aide du mélange de synthèse rapide d’ADNc de première brin pour RT (avec dsDNase). La PCR quantitative a ensuite été réalisée à l’aide du Fast Taq qPCR SYBR Green Mix. Les séquences spécifiques d’amorçage sont détaillées dans le tableau des matériaux. Les niveaux relatifs d’expression génique ont été calculés à l’aide de la méthode 2-ΔΔCT , avec une normalisation appropriée.
Analyse statistique
Toutes les analyses statistiques ont été réalisées à l’aide du logiciel R et du GraphPad Prism. Des comparaisons statistiques entre deux groupes indépendants ont été réalisées à l’aide soit du test t de Student, soit du test U de Mann-Whitney, selon la distribution des données. Une valeur p inférieure à 0,05 a été considérée comme indiquant une signification statistique.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Identification et enrichissement fonctionnel des gènes intersectés
Pour identifier les gènes impliqués dans la SUMOylation et la fonction mitochondriale en HF, le contrôle qualité a d’abord été effectué sur l’ensemble d’entraînement GSE59867 (Figure supplémentaire 1A). Une analyse d’intersection à trois voies a été réalisée entre tous les gènes de l’ensemble d’entraînement, les SRG et les MRG, identifiant 113 gènes qui se chev...
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
L’IC, un stade progressif et terminal de diverses maladies cardiovasculaires, se caractérise par des mécanismes pathophysiologiques très complexes etmultifactoriels 17,34. Bien que la SUMOylation et la dysfonction mitochondriale aient été impliquées individuellement dans l’IC, leurs rôles synergiques potentiels restent insuffisamment explorés, notamment au niveau des gènes. Dans la présente étude, nous avons identifié cinq gènes ...
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Ce travail a été soutenu par le Medical Science Research Project of Hebei (Grant numéro : 20250084).
Les auteurs n’ont aucun conflit d’intérêts à déclarer.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
| Nom | Entreprise | Numéro de catalogue | Commentaires |
|---|---|---|---|
| Chloroform substitute | Servicebio | G3014-02 | réactif qPCR |
| DEPC-treated water | Biosharp | BL510A | réactif qPCR |
| Fast First-Strand cDNA Synthesis Mix for RT (with dsDNase) | Albatross Biology | 500-101 | réactif qPCR |
| Fast Taq qPCR SYBR Green Mix | Albatross Biology | 500-102 | réactif qPCR |
| FKBP4 primers | Tsingke | N/A | Forward: 5’-GAAGGCGTGCTGAAGGTCAT-3’ Reverse: 5’-TGCCATCTAATAGCCAGCCAG-3’ |
| Isopropanol | Hushi | 80109218 | réactif qPCR |
| MYEF2 primers | Tsingke | N/A | Forward: 5’-CAGCTCCAATGGCGTTAAAATG-3’ Reverse: 5’-TGGCCTTCTTACTTCCTGTAGAT-3’ |
| NanoDrop spectrophotometer | Thermo Fisher Scientific | NanoDrop 2000C | réactif qPCR |
| NFKB1 primers | Tsingke | N/A | Forward: 5’-AACAGAGAGGATTTCGTTTCCG-3’ Reverse: 5’-TTTGACCTGAGGGTAAGACTTCT-3’ |
| NSUN2 primers | Tsingke | N/A | Forward: 5’-GAACTTGCCTGGCACACAAAT-3’ Reverse: 5’-TGCTAACAGCTTCTTGACGACTA-3’ |
| SQSTM1 primers | Tsingke | N/A | Forward: 5’-GCACCCCAATGTGATCTGC-3’ Reverse: 5’-CGCTACACAAGTCGTAGTCTGG-3’ |
| TRIzol reagent | Vazyme | R401-01 | réactif qPCR |
| β-actin primers | Tsingke | N/A | Forward: 5’-CATGTACGTTGCTATCCAGGC-3’ Reverse: 5’-CTCCTTAATGTCACGCACGAT-3’ |
Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE
Demander une autorisation