מאמר שיטה

פלטפורמה תומכת החלטה רפואית לזיהוי טרומבוספונדין 1 במחלת כבד שומני שאינה אלכוהולית באמצעות ניתוח הסננה חיסונית

704 צפיות

⸱

DOI:

10.3791/67328

⸱

30 באוגוסט 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

במאמר זה

סיכום

מחקר זה חקר את הקשרים בין מחלת כבד שומני לא אלכוהולי (NAFLD) ואוטם שריר הלב (MI) באמצעות גנים המתבטאים במשותף, וזיהה את טרומבוספונדין 1 (THBS1) כסמן ביולוגי. ניתוח הסננה חיסונית חשף תאי CD8+ T ונויטרופילים כגורמי מפתח, כאשר THBS1 הראה פוטנציאל ככלי אבחון ל-NAFLD ו-MI.

תקציר

מחלת כבד שומני לא אלכוהולי (NAFLD) ואוטם שריר הלב (MI) הם שני נטל בריאותי עיקרי עם שכיחות ותמותה משמעותיים. מחקר זה נועד לחקור את הגנים המתבטאים במשותף כדי להבין את הקשר בין NAFLD ו-MI ולזהות סמנים ביולוגיים מכריעים פוטנציאליים של MI הקשור ל-NAFLD באמצעות ביואינפורמטיקה ולמידת מכונה. נערך ניתוח העשרה פונקציונלית, נבנתה דיאגרמת רשת אינטראקציה של חלבון-חלבון (PPI), ונעשה שימוש בטכניקות חיסול תכונות רקורסיביות של מכונה וקטורית (SVM-RFE) ואופרטור הצטמקות ובחירה מינימלי מוחלט (LASSO) כדי לזהות גן אחד המתבטא באופן דיפרנציאלי (DEG), טרומבוספונדין 1 (THBS1). THBS1 הראה ביצועים חזקים בהבחנה בין חולי NAFLD (AUC = 0.981) וחולי MI (AUC = 0.900). ניתוח הסננה חיסונית חשף תאי CD8+ T נמוכים משמעותית ורמות נויטרופילים גבוהות יותר בחולים עם NAFLD ו-MI. תאי CD8+ T ונויטרופילים היו יעילים בהבחנה בין NAFLD/MI לבקרות בריאות. ניתוח המתאם הראה כי THBS1 נמצא בקורלציה חיובית עם CCR (קולטן כימוקין), מחלקת MHC (מחלקה מורכבת תאימות היסטולוגית עיקרית), נויטרופילים, דלקת ו-Tfh (תאי T מסייעים זקיקים), ונמצא בקורלציה שלילית עם תאי CD8+ T, פעילות ציטוליטית ו-TIL (לימפוציטים חודרים לגידול) בחולי NAFLD ו-MI. THBS1 התגלה כסמן ביולוגי חדש לאבחון NAFLD/MI בהשוואה לבקרות בריאות. התוצאות מצביעות על כך שתאי CD8+ T ונויטרופילים יכולים לשמש כמאפיינים חיסוניים דלקתיים להבדיל בין חולים עם NAFLD/MI לבין אנשים בריאים.

מבוא

מחלת כבד שומני לא אלכוהולי (NAFLD) היא בעיה מרכזית בבריאות הציבור עם שכיחות של 25%-30%1. דווח כי השכיחות של NAFLD גבוהה בקרב חולי סוכרת2. עם זאת, המשמעות של NAFLD בחולים שאינם סוכרתיים עדיין אינה ברורה. מחקרים מצביעים על כך ש-NAFLD ממלא תפקיד עצמאי בפתוגנזה של טרשת עורקים 3,4. בנוסף, מטא-אנליזה הראתה כי NAFLD קשור קשר הדוק להסתיידות העורקים הכליליים, תפקוד לקוי של האנדותל וטרשת עורקים, והתגלה כגורם סיכון קרדיווסקולרי עצמאי5. הקשר בין NAFLD למחלות לב וכלי דם עדיין דורש מחקר נוסף.

אוטם שריר הלב (MI) היא מחלה קטסטרופלית המאיימת על הבריאות ומטילה נטל כלכלי משמעותי על חולים ובני משפחותיהם ברחבי העולם6. MI הוא גם גורם מוות עיקרי בחולים עם NAFLD. מחקר קליני שפורסם בכתב העת הרפואי הבריטי הראה כי הסיכון לאוטם שריר הלב בחולי NAFLD גדול פי 1.17 מאשר בחולים שאינם NAFLD 7,8. מחקרים מסוימים זיהו מסלולים מולקולריים, כולל דלקת, מתח חמצוני ומטבוליזם של שומנים, התורמים ל-MI 9,10,11 הקשור ל-NAFLD. עם זאת, המנגנונים הבסיסיים המקשרים בין NAFLD ו-MI נותרו לא ברורים. חיוני לזהות סמנים ביולוגיים חדשים הקשורים לפרוגנוזה של NAFLD ו-MI.

השכיחות הגוברת של NAFLD, המשפיעה על פלח רחב של האוכלוסייה, מדגישה בעיה משמעותית בבריאות הציבור, במיוחד בהתחשב בקשר שלה לסוכרת. עם זאת, ההשפעה של NAFLD על חולים שאינם סוכרתיים נותרה לא מובנת היטב. NAFLD מעורב בפתוגנזה של טרשת עורקים ומוכר כגורם סיכון קרדיווסקולרי עצמאי, בהיותו קשור קשר הדוק להסתיידות העורקים הכליליים, תפקוד לקוי של האנדותל וטרשת עורקים. למרות הקשרים הללו, המנגנונים המדויקים המגשרים בין NAFLD ומחלות לב וכלי דם כגון אוטם שריר הלב (MI) דורשים הבהרה נוספת. MI הוא אחד מגורמי התמותה המובילים בעולם ומטיל נטל כלכלי משמעותי. הסיכון ל-MI בחולי NAFLD גבוה באופן משמעותי מאשר אצל אלה ללא NAFLD, מה שמדגיש את הצורך בהבנה עמוקה יותר של המסלולים המולקולריים המחברים בין מצבים אלה. אמנם דלקת, עקה חמצונית וחילוף חומרים של שומנים הוצעו כגורמים תורמים, אבל המנגנונים המדויקים עדיין לא ברורים. יש צורך דחוף לזהות סמנים ביולוגיים חדשים שיכולים לספק תובנות לגבי הפרוגנוזה והניהול של MI הקשור ל-NAFLD.

כתוצאה מכך, במחקר זה, מערכי נתונים של מיקרו-מערך RNA עבור NAFLD ו-MI הורדו מהמרכז הלאומי למידע ביוטכנולוגי-ביטוי גנים אומניבוס (NCBI-GEO, ראה טבלת חומרים) כדי לזהות ולנתח את האינטראקציה של גנים המתבטאים באופן דיפרנציאלי (DEGs) בין NAFLD ו-MI. ניתוח העשרה, בניית דיאגרמת רשת אינטראקציה בין חלבון לחלבון (PPI), תמיכה בחיסול תכונות רקורסיביות של מכונה וקטורית (SVM-RFE), ואלגוריתמים של אופרטור הצטמקות ובחירה הכי פחות מוחלט (LASSO) שימשו לזיהוי גנים מרכזיים 12,13,14,15,16,17,18,19. ניתוח הסננה חיסונית בוצע כדי לבחון תאים חיסוניים בחולי NAFLD ו-MI. בסופו של דבר, שיטות אלה שולבו כדי להבהיר את הקשר בין NAFLD ו-MI. איור 1 ממחיש את רצף התכנון שבוצע במחקר זה. על ידי שילוב של ביואינפורמטיקה, למידת מכונה וניתוח הסננה חיסונית, מחקר זה נועד לתרום לפיתוח פלטפורמה חדשה לתמיכה בהחלטות רפואיות.

התרומות העיקריות של מאמר זה הן: (1) זיהוי גנים המתבטאים במשותף: המחקר מדגיש את הקשר בין NAFLD ו-MI על ידי זיהוי גנים המתבטאים במשותף, ומציע הבנה מעמיקה יותר של הקשרים המולקולריים בין שני המצבים הללו. (2) יישום של ביואינפורמטיקה ולמידת מכונה: תוך שימוש בטכניקות ביואינפורמטיקה ולמידת מכונה, כולל חיסול תכונות רקורסיביות של מכונה וקטורית תומכת (SVM-RFE)17 ואופרטור הצטמקות ובחירה הכי פחות מוחלט (LASSO)19, המחקר מזהה THBS1 כגן המתבטא באופן דיפרנציאלי. THBS1 מדגים ביצועים גבוהים בהבחנה בין חולי NAFLD ו-MI לבין בקרות בריאות. (3) ניתוח הסננה חיסונית: המחקר מבצע ניתוח הסננה חיסונית, וחושף רמות נמוכות משמעותית של תאי CD8+ T ורמות גבוהות יותר של נויטרופילים בחולים עם NAFLD ו-MI. (4) ניתוח מתאם: המחקר מוכיח כי THBS1 נמצא בקורלציה חיובית עם מספר גורמים חיסוניים, כולל CCR (קולטן כימוקין), MHC Class I (קומפלקס תאימות היסטולוגית עיקרי Class I), נויטרופילים, דלקת פרה-דלקתית, ותאי Tfh (תאי T מסייעים זקיקים). יש לו קורלציה שלילית עם תאי CD8+ T, פעילות ציטוליטית ולימפוציטים חודרים לגידול (TIL).

פרוטוקול

פרטי מסדי הנתונים, קישורי האינטרנט והתוכנות/החבילות שבהם נעשה שימוש מפורטים בטבלת החומרים. פרמטרי הסימולציה המשמשים מסופקים בטבלה 1.

1. השגת מערכי נתונים של מיקרו-מערך RNA

  1. הורד את מערך הנתונים של אוטם שריר הלב (MI), GSE66360, ממסד הנתונים של NCBI-GEO .
  2. הורד את מערך הנתונים של מחלת כבד שומני לא אלכוהולי (NAFLD), GSE89632, ממסד הנתונים של NCBI-GEO .
  3. ודא שמערכי הנתונים שהורדת כוללים 49 דגימות MI, 50 בקרות בריאות עבור GSE66360, 39 דגימות NAFLD ו-24 בקרות בריאות עבור GSE89632.

2. זיהוי DEGs

  1. עיבוד מקדים של נתונים וזיהוי DEG
    1. טען את מערכי הנתונים ל-RStudio באמצעות פונקציות R מתאימות.
    2. השתמש בלימה של חבילת R כדי לזהות DEGs12 עם הספים הבאים: P < 0.05P ו- | log FC | > 1.5.
    3. השתמש בחבילות R pheatmap, ggplot2 ו-Venn כדי ליצור מפות חום ודיאגרמות Venn להמחשת DEGs.
  2. יצירת תצוגות חזותיות
    1. השתמש במפת pheatmap כדי ליצור מפות חום של DEGs.
    2. השתמש ב- ggplot2 כדי ליצור דיאגרמות חיתוך קבוצות המציג את החפיפה של DEGs בין NAFLD ל- MI.

3. ניתוח העשרה

  1. בצע ניתוח העשרה של GO, KEGG ו-DO
    1. טען DEGs לתוך חבילת R clusterProfiler13.
    2. לבצע ניתוח העשרה של אונטולוגיה גנטית (GO) כדי לסווג DEGs לפונקציות מולקולריות, תהליכים ביולוגיים ורכיבים תאיים.
    3. בצע ניתוח מסלול של אנציקלופדיית קיוטו לגנים וגנומים (KEGG) כדי למפות DEGs למסלולים ביוכימיים.
    4. השתמש בניתוח העשרה של אונטולוגיה של מחלות (DO) כדי לקשר DEGs למצבים קליניים ספציפיים.

4. ניתוח PPI על ידי בניית רשתות PPI

  1. השתמש בפלטפורמה המקוונת STRING 14 כדי לבנות דיאגרמות רשת של אינטראקציה בין חלבון לחלבון (PPI) של co-DEGs עם ציון ביטחון של 0.4.
  2. דמיין את רשתות ה-PPI באמצעות Cytoscape15.

5. סינון DEGs של מרכז מועמדים על ידי יישום אלגוריתמים של למידת מכונה

  1. השתמש באלגוריתמי רגרסיה SVM-RFE (תמיכה ב-Vector Machine-Recursive Feature Elimination) ו-LASSO (Least Absolute Contractage and Selection Operator) ב-RStudio כדי לבחור את ה-DEGs הרלוונטיים ביותר 16,17,18.
  2. ודא ש-SVM-RFE מדרג ומסיר תכונות באופן איטרטיבי, בעוד רגרסיה19 של LASSO מחילה רגולציה כדי לזהות קבוצה דלילה של DEGs.

6. בניית עקומת ROC להערכת ביצועי אבחון

  1. השתמש ב-RStudio כדי לבצע ניתוח עקומת ROC (מאפיין הפעלה של מקלט)20.
  2. חשב את השטח מתחת לעקומה (AUC) עבור משותפים מכריעים.

7. ניתוח הסננה חיסונית לחקר חדירה חיסונית

  1. בצע ניתוח העשרת מערך גנים בדגימה אחת (ssGSEA) באמצעות חבילות R GSVA ו-GSEABase כדי לנתח חדירה חיסונית ב-NAFLD ו-MI21.
  2. השווה את השפע היחסי של סוגי תאים חיסוניים בין דגימות NAFLD ו-MI ובקרות בריאות.

8. ניתוח סטטיסטי

  1. לבצע את כל הניתוחים הסטטיסטיים ב-RStudio.
  2. ליישם ניתוח מתאם פירסון כדי לבחון דפוסי ביטוי משותף של גנים.
  3. הבטח מובהקות סטטיסטית עם P < 0.05.
    הערה: ודא שכל התוכנות וחבילות R מותקנות כהלכה ומעודכנות לגרסאות העדכניות ביותר שלהן לפני הפעלת הפרוטוקול.

תוצאות

הממצאים העיקריים של המחקר המוצע מוצגים כאן, המקיפים ניתוחים שונים שנערכו כדי להבהיר את המנגנונים המולקולריים העומדים בבסיס NAFLD ו-MI.

זיהוי DEGs
במערך הנתונים של GSE89632, 76 גנים מווסתים כלפי מעלה ו-20 גנים מווסתים למטה זוהו כ-NAFLD-DEGs (איור 2B,D), בעוד שמערך הנתונים של GSE66360 חשף 118 גנים מווסתים כלפי מעלה ו-8 גנים מווסתים כלפי מטה כ-MI-DEGs (איור 2C,E). לאחר מכן, co-DEGs נגזרו מהחפיפה בין NAFLD-DEGs ו-MI-DEGs, וזיהו 13 DEGs מווסתים למעלה ו-DEG אחד מווסת למטה בין ה-co-DEGs (איור 2A).

זיהוי DEGs ייחודיים ל-NAFLD ו-MI, כמו גם אלה המשותפים לשתי ההפרעות, מספק תובנות חשובות לגבי התהליכים המולקולריים העומדים בבסיס מחלות אלה. הבנת דפוסי ביטוי הגנים המובחנים והמשותפים הקשורים לשני המצבים מסייעת להבהיר את הפתופיזיולוגיה של NAFLD ו-MI ועשויה לזהות מטרות מולקולריות פוטנציאליות להתערבות טיפולית. חקירה נוספת של ה-co-DEGs יכולה לחשוף מווסתים או מסלולים קריטיים החיוניים לאינטראקציה בין שתי ההפרעות הללו, ולהקל על פיתוח טיפולים ממוקדים שמטרתם להפחית את התוצאות הבריאותיות השליליות הקשורות ל-NAFLD ו-MI.

ניתוח העשרה
ניתוח GO גילה כי NAFLD DEGs היו מועשרים בעיקר בתהליכים הביולוגיים הבאים (BP): התמיינות תאי שומן, תגובה לליפופוליסכריד ותהליכים של אורגניזמים רב-תאיים (p < 0.05, איור 3A). עבור רכיבים תאיים (CC), NAFLD DEGs היו קשורים בעיקר לקומפלקס פוספטידילינוזיטול 3-קינאז, לומן גרגיר הפרשה ולומן שלפוחית ציטופלזמית (p < 0.05, איור 3A). במונחים של תפקוד מולקולרי (MF), הפעילויות העיקריות כללו פעילות מווסת פוספטידילינוזיטול-3-קינאז, פעילות מפעיל שעתוק קושר DNA (ספציפי ל-RNA פולימראז), ופעילות כללית של מפעיל שעתוק קושר DNA (p < 0.05, איור 3A).

עבור MI-DEGs, ניתוח BP הראה העשרה בכימוטקסיס לויקוציטים, הפעלת לויקוציטים מיאלואידים וכימוטקסיס תאים (p < 0.05, איור 3B). ניתוח CC הדגיש העשרה בגרגירים שלישוניים, גרגירים עשירים בפיקולין-1 ולומן גרגיר מפריש (עמ ' < 0.05, איור 3B). ניתוח MF חשף העשרה בפעילות קולטני זיהוי דפוסים, קשירת קולטני RAGE ופעילות קולטני חיסון (עמ ' < 0.05, איור 3B).

ניתוח העשרה של KEGG הצביע על כך ש-NAFLD-DEGs הועשרו באופן משמעותי במסלולים הבאים: IL-17, AGE-RAGE, TNF, התמיינות אוסטאוקלסטים, מלריה, דלקת מפרקים שגרונית, מחלת צ'אגס ומסלולי איתות JAK-STAT (עמ' < 0.05, איור 3C). MI-DEGs הועשרו ב-IL-17, TNF, מטבוליזם של שומנים וטרשת עורקים, איתות קולטנים דמויי טול, איתות קולטני לקטין מסוג C, לגיונלוזיס, דלקת מפרקים שגרונית ומסלולי איתות NF-κB (p < 0.05, איור 3D). ניתוח העשרה של אונטולוגיה של מחלות (DO) הראה כי שלושת ה-DEGs המובילים הן עבור NAFLD והן עבור MI היו קשורים באופן משמעותי לטרשת עורקים, מחלות לב וכלי דם טרשת עורקים וטרשת עורקים (p < 0.05, איור 3E-F).

ניתוח דיאגרמות רשת PPI
בדיאגרמת רשת PPI עבור NAFLD, זוהו 92 צמתים ו-250 קצוות, המשקפים רשת מורכבת של אינטראקציות בין חלבונים הקשורים למצב זה. באופן דומה, דיאגרמת רשת PPI עבור MI חשפה 117 צמתים ו-587 קצוות, מה שמצביע על רשת מורכבת יותר האופיינית לנוף המולקולרי של אוטם שריר הלב. בנוסף, דיאגרמות רשת PPI עבור co-DEGs זיהו 14 צמתים ו-21 קצוות, והדגישו אינטראקציות מפתח פוטנציאליות בין חלבונים המשותפים בין NAFLD ו-MI (איור 4A-F).

רשתות PPI הן בעלות ערך לבנייה וניתוח של מטרות טיפוליות ומספקות תובנות חשובות לגבי הקשרים המולקולריים העומדים בבסיס NAFLD ו-MI. טופולוגיות הרשת הייחודיות שנצפו ב-NAFLD ו-MI מדגישות את המנגנונים הפתופיזיולוגיים המובהקים המעורבים במחלות אלה. יתר על כן, גילוי קשרים משותפים בין DEGs משותפים מרמז על מסלולים משותפים פוטנציאליים או רשתות רגולטוריות המתווכות את האינטראקציה בין MI ל-NAFLD. מחקר נוסף על קשרים אלה יכול לחשוף מטרות מולקולריות חדשות להתערבות ופיתוח טיפול, מה שעשוי להציע אפשרויות טיפול חדשות למחלות מורכבות אלה.

סינון DEGs של מרכז המועמדים
אלגוריתם SVM-RFE17 שימש כדי לסנן DEGs חיוניים פוטנציאליים, וכתוצאה מכך זוהו 6 גנים ב-GSE89632 ו-4 גנים ב-GSE66360 (איור 5A,B). באופן דומה, אלגוריתם LASSO19 שימש לזיהוי DEGs חיוניים מועמדים, והניב 4 גנים ב-GSE89632 ו-5 גנים ב-GSE66360 (איור 5C,D). יש לציין כי דיאגרמת ון תיארה את הצטלבות הרכזת DEG (THBS1) שזוהתה על ידי ניתוחי רשת SVM-RFE, LASSO ו-co-PPI, והדגישה את חשיבותה הן בפתוגנזה של NAFLD והן ב-MI (איור 5F).

אלגוריתמים מתקדמים אלה של למידת מכונה סיפקו מסגרת חזקה לזיהוי DEGs מרכזיים הקשורים ל-MI ו-NAFLD והציעו תובנות חשובות לגבי הפוטנציאל שלהם כמטרות טיפוליות או אבחוניות. הזיהוי של THBS1 כגן רכזת באמצעות טכניקות אנליטיות מרובות מדגיש את חשיבותו במסלולים המולקולריים העומדים בבסיס שתי המחלות. מחקר נוסף על המשמעות התפקודית של THBS1 והאינטראקציות שלו בתוך רשת co-PPI יכול להבהיר מנגנונים חדשים המקשרים בין NAFLD ו-MI, מה שעשוי לסלול את הדרך לטיפולים ממוקדים ואסטרטגיות רפואה מדויקת.

ערך אבחון של DEGs רכזת אחת
ניתוח ROC נערך כדי להעריך את יעילות האבחון של DEGs הרכזת שזוהו במערכי הנתונים של NAFLD ו-MI כאחד. כפי שמתואר באיור 6A,B, THBS1 הפגין כוח הבחנה גבוה, עם AUC של 0.981 (95% CI: 0.949-1.000) בחולי NAFLD ו-0.900 (95% CI: 0.834-0.956) בחולי MI. הביצועים החזקים של THBS1 כסמן ביולוגי אבחנתי מדגישים את התועלת הפוטנציאלית שלו בהבחנה בין NAFLD, MI ובקרות בריאות.

תוצאות אלו מצביעות על כך ש-THBS1 יכול לשמש כסמן רב ערך למצב המחלה, ולהציע לרופאים כלי שימושי להערכת סיכונים וזיהוי מוקדם. כדי להקל על השילוב של THBS1 בפרקטיקה הקלינית ולשפר את הטיפול והניהול של המטופלים, יש צורך במחקרי אימות נוספים כדי לאשר את דיוק האבחון שלו על פני אוכלוסיות מטופלים ומסגרות קליניות מגוונות.

ניתוח חדירה חיסונית
ssGSEA נערך כדי לנתח 29 גנים הקשורים למערכת החיסון בין NAFLD/MI לקבוצת הביקורת (CON). בהשוואה לקבוצת CON, חדירת תאי חיסון הייתה מוגברת באופן משמעותי בקבוצות NAFLD ו-MI, במיוחד עבור CCR, MHC Class I, נויטרופילים, דלקת ותאי Tfh (p < 0.05, איור 7A,B). לעומת זאת, חדירת תאי חיסון פחתה באופן משמעותי בקבוצות NAFLD ו-MI ביחס לקבוצת CON, במיוחד עבור תאי CD8+ T, פעילות ציטוליטית ולימפוציטים חודרים לגידול (TIL) (p < 0.05, איור 7C,D).

תוצאות אלו מצביעות על חוסר ויסות של חדירת תאי חיסון הן ב-NAFLD והן ב-MI, ומדגישות את הנוף החיסוני המורכב הקשור למצבים אלה. השינויים שנצפו בהרכב תאי החיסון מספקים תובנות חשובות לגבי התהליכים האימונולוגיים העומדים בבסיס ההתפתחות והפתופיזיולוגיה של מחלות אלה. הבנה נוספת של מאפיינים חיסוניים אלה יכולה לחשוף יעדים טיפוליים חדשים להתערבות ולתמוך בפיתוח תוכניות טיפול אישיות המבוססות על הפרופילים האימונולוגיים של חולים עם NAFLD ו-MI.

figure-results-1
איור 1: רצף התכנון של מערכת תומכת החלטה רפואית לזיהוי THBS1. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של איור זה.

figure-results-2
איור 2: דיאגרמות חצבון, דיאגרמות הרי געש ומפות חום. (A) דיאגרמת חיתוך קבוצות עבור GSE89632 ו-GSE66360. (B) דיאגרמת הר געש של גנים המתבטאים באופן דיפרנציאלי (DEGs) ב-GSE89632. (C) דיאגרמת הר געש של DEGs ב-GSE66360. (D) דיאגרמת מפת חום של DEGs ב-GSE89632. (E) דיאגרמת מפת חום של DEGs ב-GSE66360. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

figure-results-3
איור 3: ניתוח העשרה של גנים המתבטאים באופן דיפרנציאלי (DEGs). (A) חמשת ה-NALFD-DEGs המובילים מועשרים באונטולוגיה גנטית (GO) בתהליך ביולוגי (BP), רכיב תאי (CC) ותפקוד מולקולרי (MF). (ב) חמשת ה-MI-DEG המובילים העשירו את GO ב-BP, CC ו-MF. (C) שמונת ה-NALFD-DEGs המובילים העשירו את מסלולי האיתות של אנציקלופדיית קיוטו לגנים וגנומים (KEGG). (D) שמונת ה-MI-DEGs המובילים העשירו את מסלולי האיתות של KEGG. (E) חמשת ה-NALFD-DEGs המובילים מועשרים באונטולוגיה של מחלות (DO). (F) חמשת ה-MI-DEGs המובילים הועשרו DO. אנא לחץ כאן לצפייה בגרסה גדולה יותר של נתון זה.

figure-results-4
איור 4: דיאגרמות רשת אינטראקציה בין חלבון לחלבון (PPI). (A) דיאגרמת רשת PPI של מחלת כבד שומני לא אלכוהולי (NAFLD) שהתקבלה מהפלטפורמה המקוונת String. (B) דיאגרמת רשת PPI של NAFLD שהתקבלה מ-Cytoscape. (C) דיאגרמת רשת PPI של אוטם שריר הלב (MI) שהתקבלה מפלטפורמה מקוונת של String. (D) דיאגרמת רשת PPI של MI שהושגה Cytoscape. (E) דיאגרמת רשת PPI של אינטראקציות חלבון. (F) דיאגרמת רשת PPI של IL1B ו-FOS. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

figure-results-5
איור 5: סינון DEGs של רכזת מועמדים. (A) שישה DEGs חיוניים שהושגו על ידי SVM-RFE ב-NAFLD. (B) ארבעה DEGs חיוניים שהושגו על ידי SVM-RFE באוטם שריר הלב (MI). (C) ארבעה DEGs חיוניים שהושגו על ידי LASSO ב-NAFLD. (D) חמישה DEG מכריעים שהושגו על ידי LASSO ב-MI. (E) רק DEG אחד שנרכש מהתוצאות לעיל בדיאגרמת Venn. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

figure-results-6
איור 6: ערך אבחון של רכזת אחת של גנים המתבטאים באופן דיפרנציאלי (DEGs). (A) עקומות ROC ב-NAFLD. (B) עקומות ROC ב-MI. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

figure-results-7
איור 7: התפלגות תאי חיסון חודרים ומתאם בין THBS1 לתאי חיסון חודרים במחלת כבד שומני לא אלכוהולי (NAFLD) ואוטם שריר הלב (MI). (A) התפלגות תאי חיסון חודרים ב-NAFLD. (B) התפלגות של תאי חיסון חודרים ב-MI. (C) מתאם בין THBS1 לתאי חיסון חודרים ב-NAFLD. (D) מתאם בין THBS1 לתאי חיסון חודרים ב-MI. אנא לחצו כאן כדי לצפות בגרסה גדולה יותר של איור זה.

קיצורנומנקלטורה
האוניברסיטה האמריקאיתשטח מתחת לעקומה
BPתהליך ביולוגי
עותקרכיב סלולרי
קוןפקדים
DEGגנים המתבטאים באופן דיפרנציאלי
לעשותאונטולוגיה של מחלות
הלךאונטולוגיה גנטית
קגאנציקלופדיית קיוטו לגנים וגנומים
לאסואופרטור ההתכווצות והבחירה המוחלט הקטן ביותר
MFתפקוד מולקולרי
MIאוטם שריר הלב
NAFLDמחלת כבד שומני שאינה אלכוהולית
מדד המחירים ליצרןאינטראקציה בין חלבון לחלבון
ROCעקומות אופייניות של מפעיל מקלט
ssGSEAניתוח העשרת סט גנים בדגימה אחת
SVM-RFEתמיכה בביטול תכונות רקורסיביות של מכונה וקטורית
THBS1טרומבוספונדין 1

טבלה 1: פרמטרי סימולציה ששימשו בניסוי.

דיון

לשיטה המתוארת במחקר זה יש השלכות משמעותיות על מחקר המנגנונים המולקולריים העומדים בבסיס NAFLD ו-MI. על ידי זיהוי סמנים ביולוגיים מרכזיים כגון THBS1, הפרוטוקול המוצע מציע יעדים פוטנציאליים להתערבויות אבחנתיות וטיפוליות כאחד. ניתן להרחיב גישה זו למחלות מורכבות אחרות הכוללות מסלולים מרובים ותגובות חיסוניות, מה שמקל על גילוי סמנים ביולוגיים חדשים ומטרות טיפוליות. יתרה מכך, השילוב של טכניקות ביואינפורמטיקה ולמידת מכונה מספק מסגרת רב-תכליתית לרפואה מותאמת אישית, המאפשרת אסטרטגיות טיפול מותאמות אישית המבוססות על פרופילים מולקולריים אינדיבידואליים. ניתן להתאים שיטה זו גם לשימוש במסגרות קליניות כדי לשפר את דיוק האבחון ולשפר את תוצאות המטופלים באמצעות התערבויות ממוקדות.

NAFLD ואוטם שריר הלב (MI) הם שני נטל בריאותי עיקרי עם שכיחות ותמותה משמעותיים. NAFLD מאופיין בהצטברות שומנים בכבד1. עדויות הולכות וגדלות מצביעות על כך ש-NAFLD משפיע לרעה לא רק על השלמות המבנית של הלב אלא גם על תפקודו, במיוחד בהקשר של MI 22,23,24. יתר על כן, ישנן ראיות משכנעות המצביעות על מתאם חזק בין NAFLD לטרשת עורקים. מחקרים מצאו כי השכיחות והחומרה של NAFLD בחולים עם MI שאינו סוכרתי קשורים למחלת עורקים כליליים25. NAFLD בינוני עד חמור הוכח כגורם סיכון עצמאי, מה שמגדיל את הסיכון לנגעים מרובים בעורקים הכליליים פי שלושה4. עם זאת, מחקרים אלה מתמקדים בעיקר ב-NAFLD ו-MI, מה שמשאיר את המנגנונים הבסיסיים של הקשר בין NAFLD לטרשת עורקים עדיין לא ברורים. לפיכך, חיוני לחקור את המנגנונים הללו כדי למנוע MI הקשור ל-NAFLD.

במחקר זה התקבלו שני מערכי נתונים מ-NCBI-GEO. הניתוח חשף 13 DEGs מווסתים ו-DEG אחד מווסת למטה בין NAFLD ל-MI. בוצע ניתוח העשרה פונקציונלית, נבנתה דיאגרמת רשת co-PPI ושני אלגוריתמים של למידת מכונה הופעלו לזיהוי DEGs של רכזת. כתוצאה מכך, THBS1 זוהה כסמן ביולוגי חדשני עם יעילות אבחון יוצאת דופן הן עבור NAFLD והן עבור MI. Support Vector Machine (SVM) היא טכניקת למידת מכונה מפוקחת הנמצאת בשימוש נרחב לסיווג ורגרסיה17. חיסול תכונות רקורסיבי (RFE) מסייע בבחירת הגנים המשמעותיים ביותר מהדגימה. אלגוריתם הרגרסיה LASSO19 מיישם רגולציה כדי לשפר את דיוק החיזוי. על ידי שילוב אלגוריתמים אלה עם DEGs משותפים, הצלחנו לסנן את ה-DEGs האופטימליים.

בהתבסס על הניתוח באמצעות שני אלגוריתמים של למידת מכונה ו-co-DEGs, Thrombospondin 1 (THBS1 או TSP1) זוהה כמרכז אבחון מרכזי DEG. THBS1 הוא חבר בחלבוני המטריצה החוץ-תאית וזוהה לראשונה בטסיות בתגובה לגירוי תרומבין26. תאים שונים, כולל תאי אנדותל, תאי כוכב בכבד ותאי שריר חלק, יכולים לייצר ולהפריש THBS1 לחלל החוץ-תאי 27,28,29. THBS1 מקיים אינטראקציה עם CD36, ליגנד30 ידוע, ומפעיל השפעה אנטי-אנגיוגנית על ידי ויסות CD36 29,31, מה שמדגיש את תפקידו המשמעותי במחלות לב וכלי דם. בנוסף, THBS1 יכול לווסת אנגיוגנזה וצבירת טסיות באמצעות האינטראקציות שלו עם קולטנים וחלבונים כגון CD47, טרנספורמציה של גורם גדילה-β ואינטגרינים32. זה מצביע על כך ש-THBS1 עשוי למלא תפקיד מכריע בהיווצרות פקקת, קרע רובד פגיע ושיפוץ חדרים לאחר מכן במהלך MI 33,34,35.

יתר על כן, התפתחות NAFLD קשורה קשר הדוק לסינתזה של חלבונים מופרשים במחזור הדם. מחקר מרכזי שפורסם ב-EBioMedicine הראה כי THBS1, כחלבון מופרש, יכול לשמש כסמן ביולוגי חדש ל-NAFLD. מחקר זה מצא גם כי מתן THBS1 אקסוגני משפר את שקיעת השומנים בכבד על ידי עיכוב מסלולי סינתזת שומנים36. יש לציין כי CD36 זוהה כקולטן מרכזי להשפעות THBS1 נגד NAFLD. בנוסף, ABT-526, אנלוגי פפטיד של THBS1, הוכח כמעכב סינתזת שומנים בהפטוציטים. ממצאים אלה מספקים תובנות חדשות לגבי האבחון והטיפול ב-NAFLD ומציעים כי THBS1 יכול להיות סמן ביולוגי חדש הן עבור NAFLD והן עבור MI, המציע כלי אבחון מהיר, פשוט ונגיש.

עדויות עדכניות מדגישות את התפקיד הקריטי של תגובות דלקתיות חיסוניות בהתקדמות NAFLD ו-MI. המאפיינים העיקריים כוללים ביטוי ציטוקינים, ויסות חיסוני והפעלת המערכת הנוירואנדוקרינית. Wabitsch et al. הראו כי מטפורמין מעניק הגנה על הכבד על ידי עיכוב הביטוי של תאי CD8+ T בעכברי NAFLD37. דולג'סי ועמיתיו דיווחו על ירידה בתאי CD8+ T וירידה משמעותית ביכולת התיקון של שריר הלב38. צ'ין ועמיתיו מצאו כי נויטרופילים, כחלק ממדד הדלקת החיסונית המערכתית, קשורים להפרשת אלבומין בשתן בחולי NAFLD39. Zhang et al. ציינו כי חדירת נויטרופילים ודה-גרנולציה מעורבים הן בתהליכי פציעה והן בתהליכי התאוששות במהלך MI27.

בהתאם לממצאים אלה, התוצאות הנוכחיות חשפו חדירה מוגברת של CCR, MHC Class I, נויטרופילים, תאי דלקת ותאי Tfh, בעוד שתאי CD8+ T, פעילות ציטוליטית ו-TIL ירדו בחולי NAFLD ו-MI בהשוואה לבקרות בריאות. יתר על כן, ניתוח המתאם הראה כי THBS1 נמצא בקורלציה חיובית עם CCR, MHC Class I, נויטרופילים, דלקת ותאי Tfh, ומתאם שלילי עם תאי CD8+ T, פעילות ציטוליטית ו-TIL בחולי NAFLD ו-MI. תצפיות אלה מצביעות על כך ש-THBS1 עשוי לתרום לאפנון התגובות החיסוניות על ידי הגדלת CCR, MHC Class I, נויטרופילים, דלקת ותאי Tfh, תוך הפחתת תאי CD8+ T, פעילות ציטוליטית ו-TIL במהלך ההתפתחות וההתקדמות של NAFLD ו-MI. עם זאת, ספקולציות אלו מצדיקות חקירה נוספת כדי לאשר את התפקיד המדויק של THBS1 בתהליכים אלה.

מחקר זה נועד להבהיר את הקשרים המולקולריים בין NAFLD ו-MI באמצעות גישות ביואינפורמטיקה ולמידת מכונה מקיפה. הממצאים זיהו 96 גנים המתבטאים באופן דיפרנציאלי (DEGs) ב-NAFLD ו-126 ב-MI, כאשר 14 DEGs חופפים בין שני המצבים. ניתוח העשרה פונקציונלית גילה כי DEGs אלה מעורבים בתהליכים ומסלולים ביולוגיים קריטיים, כגון התמיינות תאי שומן, כימוטקסיס לויקוציטים ומסלולי איתות שונים, כולל IL-17, TNF ו-NF-κB. תוצאות אלו מדגישות את יחסי הגומלין המורכבים בין מסלולים דלקתיים ומטבוליים ב-NAFLD ו-MI. בניית דיאגרמות רשת אינטראקציה בין חלבון לחלבון (PPI), בשילוב עם ניתוחי למידת מכונה (SVM-RFE ו-LASSO), זיהו את THBS1 כגן מרכזי. THBS1 הפגין ביצועי אבחון מצוינים, עם שטח מתחת לעקומה (AUC) של 0.981 עבור NAFLD ו-0.900 עבור MI, מה שמרמז על הפוטנציאל שלו כסמן ביולוגי חזק לשני המצבים.

יתר על כן, ניתוח הסננה חיסונית חשף פרופילים מובהקים של תאי חיסון בחולי NAFLD ו-MI בהשוואה לבקרות בריאות. באופן ספציפי, חולי NAFLD ו-MI הראו חדירה מוגברת של CCR, MHC Class I, נויטרופילים, דלקת ותאי Tfh, תוך הפגנת רמות נמוכות של תאי CD8+ T, פעילות ציטוליטית ו-TIL. תכונות חיסוניות אלה מדגישות את האופי הדלקתי של שני המצבים ומדגישות את תפקידו של THBS1 בוויסות תגובות חיסוניות.

מחקר זה מספק תובנות חדשות לגבי המנגנונים המולקולריים המשותפים העומדים בבסיס NAFLD ו-MI, כאשר THBS1 מתגלה כסמן ביולוגי חדש לאבחון ומטרה טיפולית פוטנציאלית. הממצאים סוללים את הדרך למחקר עתידי של התערבויות ממוקדות ואסטרטגיות טיפול מותאמות אישית לחולים עם מצבים קשורים אלה. על ידי שילוב ביואינפורמטיקה, למידת מכונה וניתוח הסננה חיסונית, המחקר תורם לפיתוח פלטפורמה תומכת החלטות רפואית שמטרתה לשפר את הניהול הקליני של NAFLD ו-MI.

תודות

מחקר זה נתמך על ידי הקרן הלאומית למדעי הטבע של סין (מס' 62271511, U21A200949), קרן יוקאי של בית החולים הכללי של פיקוד הזירה הדרומית (2022NZC011), פרויקט תוכנית המדע והטכנולוגיה של גואנגג'ואו (2023A03J0170), המרכז הלאומי למחקר קליני לגריאטריה (NCRCG-PLAGH-2023006) וקרן המחקר הבסיסי והיישומי של גואנגדונג (מס' 2020A1515010288, מס' 2021A1515220101).

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
קונסורציום Cytoscape Cytoscapeגרסה 3.6.1משמש להמחשת רשתות אינטראקציה בין חלבון לחלבון (PPI)
מערך נתונים MI GSE66360 (https://www.ncbi.nlm.nih.gov/geo/).מסד נתונים NCBI-GEO-לאיסוף מערכי נתונים של מיקרו-מערך RNA לניתוח
חבילת R clusterProfilerBioconductor  -משמש לניתוחי העשרה של GO, KEGG ו- DO
חבילת R ggplot2CRAN  -משמש ליצירת דיאגרמות Venn והדמיות אחרות
חבילת R GSEABaseביו-מוליך -משמש בשילוב עם GSVA לניתוח העשרת סט גנים
חבילת R <חזק>GSVAביו-מוליך -משמש לניתוח העשרת סט גנים בדגימה אחת (ssGSEA)
חבילת R <חזק>לימהמוליכים ביולוגיים -משמש לזיהוי גנים המתבטאים באופן דיפרנציאלי (DEGs)
חבילת R pheatmap>CRAN -משמשת ליצירת מפות חום
חבילת R venn>CRAN -משמשת ליצירת דיאגרמות Venn
מערכי נתונים של מיקרו-מערך RNA (GSE66360, GSE89632)NCBI-GEO -מערכי נתונים של מיקרו-מערך RNA זמינים לציבור המשמשים לניתוח
RStudioRStudio, PBCגרסה 1.4.1717סביבת פיתוח משולבת עבור
מסד נתונים R StringSTRING (www.string-db.org/) -כלי מקוון לבניית רשתות PPI

מקורות

  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).

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

T CD8
הסרטון יגיע בקרוב

מאמרים קשורים