È richiesta un abbonamento a JoVE per visualizzare questo contenuto. Accedi o inizia la tua prova gratuita.

Articolo di ricerca

UPP1 come biomarcatore diagnostico: approfondimenti dalle analisi di bioinformatica integrativa e di infiltrazione immunitaria nella BPCO

62 visualizzazioni

⸱

DOI:

10.3791/72242

⸱

3 settembre 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

In questo articolo

Sommario

Questo studio presenta una pipeline bioinformatica riproducibile che integra trascrittomica, apprendimento automatico e analisi dell'infiltrazione immunitaria per identificare potenziali biomarcatori diagnostici e reti regolatorie nella malattia polmonare ostruttiva cronica (COPD).

Abstract

La BPCO è un disturbo respiratorio progressivo caratterizzato da una limitazione persistente del flusso aereo e da infiammazione cronica, ma il ruolo della modificazione dell'RNA mediante N4-acetilcitidina (ac4C) nella sua patogenesi è rimasto finora ampiamente inesplorato. Questo studio si è proposto di effettuare una selezione sistematica di geni associati all'ac4C (ac4C-RGs) da un database pubblicato e di indagare le loro reti di regolazione nella BPCO, al fine di identificare potenziali biomarcatori per ulteriori studi meccanicistici, senza presupporre una relazione regolatoria diretta tra un gene specifico e la modificazione ac4C. I geni differenzialmente espressi (DEG) sono stati identificati a partire dai profili trascrittomici, ed è stata applicata un'analisi della rete di co-espressione genica pesata (WGCNA) per individuare i moduli principali di co-espressione. È stata condotta un'analisi incrociata tra DEG, moduli significativi e ac4C-RGs. I geni chiave sono stati selezionati mediante regressione LASSO, algoritmi XGBoost e random forest, seguita dalla costruzione di un modello diagnostico basato su regressione logistica. Le prestazioni del modello sono state valutate mediante analisi della curva ROC (caratteristica operativa del ricevitore), area sotto la curva (AUC) con intervalli di confidenza al 95%, valutazione della curva di calibrazione e analisi della curva decisionale (DCA). Sono stati identificati complessivamente 160 geni sovrapposti, e sei geni centrali (PTRF, PRKCDBP, UPP1, TOR3A, FAM168B e B4GALT2) sono stati selezionati in modo coerente da tutti e tre gli algoritmi di apprendimento automatico. Il modello diagnostico ha mostrato buone capacità discriminative, con valori di AUC pari a 0,766, 0,759 e 0,723 rispettivamente nei set di addestramento, di test interno e di validazione esterna. L'analisi delle reti regolatorie ha suggerito potenziali assi ceRNA e interazioni con fattori di trascrizione, mentre il profilo di infiltrazione immunitaria ha rivelato correlazioni significative tra i geni chiave e diversi sottoinsiemi di cellule immunitarie. L'analisi delle interazioni farmaco-gene e il docking molecolare hanno indicato che fluorouracile, capecitabina e 5-benzyloacilouridina potrebbero presentare affinità di legame predette favorevoli con UPP1. In conclusione, PTRF, PRKCDBP, UPP1, TOR3A, FAM168B e B4GALT2 sono stati identificati come potenziali biomarcatori associati all'ac4C nella BPCO, potenzialmente coinvolti nella regolazione immunitaria e metabolica, fornendo una base per future indagini funzionali ed esplorazioni terapeutiche.

Introduzione

La BPCO è un disturbo respiratorio cronico ed eterogeneo caratterizzato da una limitazione progressiva del flusso aereo risultante da anomalie nella struttura degli alveoli e delle vie aeree1,2. Uno squilibrio tra proteasi e antiproteasi, lo stress ossidativo, l'infiammazione cronica e la senescenza cellulare costituiscono i meccanismi fisiopatologici fondamentali della BPCO, portando alla distruzione strutturale e al deterioramento funzionale del tessuto polmonare3,4. Inoltre, la BPCO è influenzata da numerosi fattori di rischio, tra cui il fumo a lungo termine, l'inquinamento ambientale, l'esposizione occupazionale, le infezioni respiratorie e la predisposizione genetica5,6. La BPCO ha determinato un carico significativo sull'economia globale. Si prevede che rappresenti lo 0,111% del PIL mondiale ogni anno dal 2020 al 20507. Sebbene le attuali strategie terapeutiche, come broncodilatatori, corticosteroidi inalatori, riabilitazione polmonare e ossigenoterapia a lungo termine, possano alleviare i sintomi, arrestare la progressione della malattia rimane difficile. A causa dell'elevata eterogeneità clinica, gli esiti nei pazienti variano notevolmente8. Pertanto, sono urgentemente necessari nuovi biomarcatori diagnostici e indicatori prognostici per migliorare la gestione della BPCO e aumentare la sopravvivenza dei pazienti.

La modificazione dell'RNA si riferisce all'alterazione chimica delle molecole di RNA, che può modificare la struttura e la funzione dell'RNA per regolare l'espressione genica9,10. Le modificazioni comuni dell'RNA includono la N6-metiladenosina (m6A), la pseudouridina (Ψ), la 5-metilcitosina (m5C) e l'ac4C11. La modificazione ac4C svolge un ruolo cruciale nel mantenimento della stabilità dell'mRNA e nella promozione della traduzione dell'mRNA12,13. NAT10 è l'unica enzima eucariotica finora nota in grado di catalizzare la modificazione ac4C, e la sua attività è essenziale per la formazione di questa modificazione14. Studi hanno dimostrato una forte correlazione tra stress ossidativo, senescenza cellulare, infiammazione e modificazione ac4C. Ad esempio, i linfociti T CD4+ nei tessuti del colon di soggetti affetti da malattia infiammatoria intestinale (IBD) mostrano livelli notevolmente elevati di NAT1015. NAT10 potenzia l'acetilazione ac4C delle chemochine CCL2 e CXCL1, promuovendo così l'infiltrazione di macrofagi e neutrofili e aggravando i danni infiammatori16. La risposta cellulare allo stress ossidativo potrebbe coinvolgere la modificazione ac4C, come dimostrato dall'aumento marcato dei livelli di ac4C in condizioni di stress ossidativo. Inoltre, NAT10 promuove la fibrosi polmonare indotta da PM2.5 stabilizzando l'mRNA di TGFB1 mediante modificazione ac4C, innescando così la transizione epitelio-mesenchimale17. Tuttavia, il ruolo della modificazione ac4C nella BPCO rimane in gran parte inesplorato, evidenziando la necessità di ulteriori ricerche in questo campo.

Il database GEO è stato utilizzato in questo studio per identificare i geni differenzialmente espressi (DEG) tra pazienti con BPCO e controlli. Una lista pubblicata di geni regolatori dell'ac4C, compilata a partire da dati multi-omici18, è stata quindi integrata con i DEG per identificare candidati sovrapposti. Poiché si sa che la modificazione ac4C influenza l'infiammazione e lo stress ossidativo—processi chiave nella BPCO—abbiamo ipotizzato che i geni associati alla rete regolatoria dell'ac4C potessero essere disregolati nella BPCO. Tuttavia, i geni sovrapposti non sono stati considerati substrati diretti di NAT10 né geni direttamente regolati dall'ac4C; piuttosto, sono stati considerati candidati associati alla rete correlata all'ac4C. I geni chiave sono stati selezionati mediante l'utilizzo di diversi algoritmi di apprendimento automatico, seguiti dalla costruzione e validazione di un modello diagnostico. Successivamente, sono state determinate le vie biologiche pertinenti coinvolte nella patogenesi della BPCO e sono stati predetti potenziali farmaci mirati. Infine, sono stati eseguiti saggi di RT-qPCR per confermare i livelli di espressione dei geni chiave, fornendo informazioni preliminari sulla fisiopatologia della BPCO e potenziali percorsi per l'esplorazione terapeutica.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

Dichiarazione del comitato etico

Lo studio è stato condotto in conformità con la Dichiarazione di Helsinki. Il protocollo è stato approvato dal Comitato Etico dell'Ospedale Shenzhen Luohu di Medicina Tradizionale Cinese (numero di approvazione 2024-LHQZYYYXLL-KY-039), e il consenso informato scritto è stato ottenuto da tutti i partecipanti prima dell'arruolamento. I dettagli degli strumenti e dei materiali di ricerca utilizzati in questo protocollo sono riportati nella Tabella dei Materiali.

Fonte dei dati ed elaborazione

I set di dati sull'espressione genica correlati alla BPCO sono stati ottenuti dal Gene Expression Omnibus (GEO). Il dataset GSE54837 è stato utilizzato come dataset del trascrittoma, mentre il dataset GSE112811 ha funto da set di validazione (Tabella 1). I geni ac4C-RG sono stati raccolti dalla letteratura18. I geni differenzialmente espressi (DEG) tra i gruppi BPCO e controllo sono stati identificati utilizzando il pacchetto R limma. I DEG sono stati considerati statisticamente significativi se |log2FC| > 0 e p < 0,05. Sono stati generati grafici a vulcano per visualizzare la distribuzione complessiva delle variazioni dell'espressione genica.

Costruzione di WGCNA

È stata eseguita un'analisi WGCNA sul set di dati GSE54837 utilizzando R per identificare moduli associati alla BPCO. Prima della costruzione della rete, i campioni outlier sono stati identificati ed eliminati mediante analisi di clustering gerarchico utilizzando la funzione hclust con metodo di collegamento medio e una metrica di distanza euclidea. È stata selezionata la potenza ottimale di soglia morbida (β = 10) per ottenere un indice di adattamento alla topologia libera da scala R2 ≥ 0,85, bilanciando topologia libera da scala e connettività media. È stata costruita una matrice di adiacenza e trasformata in una matrice di sovrapposizione topologica (TOM). I moduli genici sono stati identificati utilizzando l'algoritmo dinamico di taglio dell'albero (deepSplit = 2, minClusterSize = 50). I moduli con correlazioni di eigengene > 0,75 sono stati successivamente uniti utilizzando la funzione mergeCloseModules. Gli eigengene dei moduli sono stati quindi correlati con le caratteristiche cliniche (stato di BPCO, età, sesso e abitudine al fumo) mediante coefficienti di correlazione di Pearson per identificare i moduli associati alla BPCO da sottoporre ad analisi successive.

Selezione, analisi dell'arricchimento e analisi della rete PPI dei geni sovrapposti

È stato generato un diagramma di Venn utilizzando il pacchetto R ggvenn per identificare i geni sovrapposti tra i DEG, i geni del modulo MEsalmon e gli ac4C-RG. L'analisi di arricchimento funzionale dei geni sovrapposti è stata eseguita utilizzando le basi di dati Gene Ontology (GO) e Kyoto Encyclopedia of Genes and Genomes (KEGG) con il pacchetto R clusterProfiler. Le informazioni sulle interazioni proteina-proteina (PPI) sono state ottenute dal database STRING (https://string-db.org/) per analizzare le interazioni a livello proteico tra i geni sovrapposti. Il software Cytoscape è stato utilizzato per visualizzare la rete PPI risultante.

Identificazione di geni chiave mediante apprendimento automatico

Sono state applicate tre tecniche di machine learning: regressione con operatore di riduzione e selezione della norma L1 (LASSO), boosting estremo del gradiente (XGBoost) e foresta casuale (RF). La regressione LASSO è stata implementata utilizzando il pacchetto glmnet con validazione incrociata a 10 ripetizioni per determinare il parametro di penalizzazione ottimale λ. Il parametro type.measure è stato impostato su «deviance», e il parametro family su «binomial». Il valore ottimale di λ è stato selezionato mediante il criterio λmin, che minimizza la devianza ottenuta dalla validazione incrociata, producendo 17 geni. XGBoost è stato eseguito utilizzando il pacchetto xgboost con i seguenti iperparametri: nrounds = 100, max_depth = 6, eta = 0.3, subsample = 0.8, colsample_bytree = 0.8 e eval_metric = «logloss». L'importanza delle caratteristiche è stata ordinata in base alla metrica gain, selezionando i 30 geni più significativi. La foresta casuale è stata implementata utilizzando il pacchetto randomForest con ntree = 200. L'importanza delle caratteristiche è stata valutata in base alla riduzione media dell'indice di Gini, selezionando i 30 geni più importanti. I geni selezionati dai tre metodi di machine learning sono stati incrociati per identificare i geni chiave da utilizzare nelle analisi successive.

Costruzione e valutazione del modello di regressione logistica per la previsione del rischio

Il dataset GSE54837 è stato suddiviso casualmente in un insieme di addestramento (70%) e un insieme di test (30%). Un modello di regressione logistica è stato costruito sull'insieme di addestramento utilizzando la funzione glm del pacchetto MASS, con i livelli di espressione dei geni chiave come caratteristiche di input. Le prestazioni del modello sono state valutate mediante curve ROC generate con il pacchetto pROC. Gli intervalli di confidenza al 95% per l'AUC sono stati calcolati tramite 2.000 replicati bootstrap. La calibrazione del modello è stata valutata utilizzando curve di calibrazione generate con 1.000 ricampionamenti bootstrap (pacchetto rms). L'analisi decisionale clinica (DCA) è stata eseguita utilizzando il pacchetto dca per valutare il beneficio clinico netto in un intervallo di probabilità soglia. Un nomogramma è stato costruito utilizzando la funzione nomogram del pacchetto rms per facilitare la stima del rischio individualizzata.

L'equazione di regressione era:

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

In questo caso, P rappresenta la probabilità predetta di BPCO, e ciascun coefficiente rappresenta il contributo del corrispondente valore di espressione genica alle probabilità logaritmiche di BPCO.

Analisi dell'espressione, rete GeneMANIA e rete regolatoria molecolare

I livelli di espressione genica tra i gruppi COPD e di controllo nel dataset GSE54837 sono stati confrontati utilizzando il test della somma dei ranghi di Wilcoxon. I grafici a scatola (box plot) sono stati generati con il pacchetto ggplot2 per visualizzare la distribuzione dei livelli di espressione, con mediana, intervallo interquartile (IQR) e punti dati individuali sovrapposti. GeneMANIA è stato utilizzato per costruire reti geniche e prevedere interazioni funzionali. La ricerca è stata eseguita con parametri predefiniti: specie = Homo sapiens, geni correlati massimi = 20. La rete risultante è stata scaricata e visualizzata, con i colori dei collegamenti (edge) che indicano i tipi di interazione. È stata costruita una rete di RNA endogeno competitivo (ceRNA) per indagare i meccanismi regolatori post-trascrizionali. Le miRNA che bersagliano i sei geni chiave sono state previste utilizzando due database indipendenti: DIANA-microT (punteggio ≥ 0,8) e miRanda (punteggio ≥ 140, energia ≤ −20 kcal/mol). L'intersezione delle miRNA identificate da entrambi i database è stata utilizzata per costruire coppie miRNA-mRNA. Successivamente, le lncRNA che bersagliano queste miRNA sono state previste utilizzando il database StarBase. È stata costruita e visualizzata una rete regolatoria lncRNA-miRNA-mRNA mediante Cytoscape. Le relazioni regolatorie trascrizionali sono state previste utilizzando l'analisi di arricchimento ChIP-X Versione 3 (ChEA3). Per ciascun gene chiave con fattori trascrizionali (TF) previsti, sono stati selezionati i primi 10 fattori trascrizionali con i punteggi di arricchimento più elevati. Una rete regolatoria TF-target è stata costruita in Cytoscape.

Analisi dell'arricchimento di geni e valutazione dell'infiltrazione delle cellule immunitarie

È stata eseguita un'analisi di arricchimento dei set di geni (GSEA) utilizzando il pacchetto clusterProfiler per indagare le funzioni biologiche di ciascun gene chiave. Per ogni gene chiave, i campioni sono stati suddivisi in gruppi ad alta e bassa espressione in base al valore mediano. L'analisi dell'espressione differenziale tra i due gruppi è stata effettuata utilizzando limma, e l'elenco di geni risultante è stato ordinato in base al log₂ fold-change con segno. La GSEA è stata condotta utilizzando la funzione gseGO per i termini del processo biologico GO e la funzione gseKEGG per i percorsi KEGG, con i seguenti parametri: minGSSize = 10, maxGSSize = 500, pvalueCutoff = 0,05 e nPerm = 1.000. L'abbondanza relativa di 28 tipi di cellule immunitarie è stata stimata mediante analisi di arricchimento dei set di geni su singolo campione (ssGSEA) implementata nel pacchetto GSVA. Una matrice di firma di set di geni curata, comprendente geni marcatore per 28 tipi di cellule immunitarie, è stata ottenuta dalla letteratura precedente19. Per ciascun campione, è stata applicata la funzione gsva con method = "ssgsea", ssgsea.norm = TRUE e kcdf = "Gaussian". I coefficienti di correlazione di Spearman tra i punteggi di arricchimento ssGSEA e i livelli di espressione dei sei geni chiave sono stati calcolati utilizzando la funzione cor.test. I valori p sono stati corretti per i test multipli mediante il metodo di Benjamini-Hochberg. La matrice di correlazione è stata visualizzata come mappa termica (heatmap) utilizzando il pacchetto pheatmap.

Previsione di farmaci, docking molecolare e analisi dell'associazione con malattie

I composti terapeutici potenziali che bersagliano geni chiave sono stati identificati utilizzando il database DrugBank. È stata costruita in Cytoscape una rete di interazioni tra "farmaci che bersagliano geni chiave" per visualizzare le interazioni previste tra farmaci e geni. È stato eseguito il docking molecolare utilizzando la piattaforma CB-Dock2 per valutare le affinità di legame. La struttura proteica tridimensionale dell'UPP1 umano è stata ottenuta dal Protein Data Bank (PDB ID: 7B8T). Le strutture molecolari dei farmaci (formato SMILES) sono state recuperate da PubChem. Il docking è stato effettuato utilizzando il motore AutoDock Vina e i risultati sono stati ordinati in base all'energia libera di legame (ΔG, in kcal/mol). I complessi di docking sono stati visualizzati utilizzando PyMOL. Le associazioni tra geni chiave e malattie umane correlate a esposizioni ambientali sono state analizzate utilizzando il Comparative Toxicogenomics Database (CTD). Ogni gene è stato interrogato singolarmente ed è stato estratto il gruppo delle dieci malattie con associazione più forte, i cui dati sono stati rappresentati mediante grafici radar.

Protocollo di RT-qPCR

Sono stati raccolti campioni di sangue venoso periferico da otto pazienti affetti da BPCO e da otto controlli sani presso l'Ospedale Shenzhen Luohu di Medicina Tradizionale Cinese. La diagnosi di BPCO è stata stabilita in base ai criteri della Global Initiative for Chronic Obstructive Lung Disease (GOLD), definita come un rapporto VEMS/FVC post-broncodilatatore < 0,70. Il gruppo di controllo era composto da volontari sani abbinati per età e sesso, privi di anamnesi di malattie respiratorie e con test di funzionalità polmonare normali (VEMS% previsto ≥ 80% e VEMS/FVC ≥ 0,70). Le informazioni di base dei pazienti sono riportate nella Tabella 2. L'RNA totale è stato estratto dai campioni ematici dei pazienti con BPCO utilizzando un kit per l'estrazione di RNA da sangue. Per la sintesi di cDNA, 500 ng di RNA totale sono stati retrotrascritti utilizzando un kit per la sintesi di cDNA con rimozione del DNA genomico, seguendo il protocollo fornito. Il cDNA ottenuto è stato diluito a 150 ng/μL.

La RT-qPCR è stata eseguita utilizzando una miscela maestra per qPCR a base di SYBR Green su un sistema di PCR in tempo reale. Ogni reazione da 10 μL conteneva 5 μL di miscela maestra 2x SYBR Green, 0,5 μL ciascuno di primer diretto e inverso (10 μM), 1 μL di cDNA diluito (15 ng/μL) e 3 μL di acqua priva di nucleasi. Le condizioni di termociclaggio prevedevano una denaturazione iniziale a 95 °C per 5 min, seguita da 40 cicli di 95 °C per 10 s e 60 °C per 30 s, con un'analisi finale della curva di denaturazione da 60 °C a 95 °C per verificare la specificità dell'amplificazione. Tutte le reazioni sono state eseguite in triplicato tecnico. Il gene β-actina è stato utilizzato come gene di riferimento interno. L'efficienza dei primer per ciascun gene bersaglio è stata validata mediante serie di diluizioni per la curva standard ed è risultata compresa tra il 90% e il 110%. I livelli di espressione genica sono stati normalizzati rispetto a β-actina e l'espressione relativa è stata calcolata utilizzando il metodo 2-ΔΔCt. I confronti statistici tra i gruppi COPD e controllo sono stati effettuati utilizzando il test di Mann-Whitney U.

Analisi statistica

Le visualizzazioni della rete sono state create utilizzando Cytoscape e le analisi statistiche sono state eseguite con il software R. Se non indicato diversamente, il test U di Mann-Whitney è stato utilizzato per dati non distribuiti normalmente, mentre il test t di Student è stato utilizzato per dati distribuiti normalmente al fine di confrontare due gruppi. Un valore di p < 0,05 è stato considerato statisticamente significativo.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

Identificazione di geni sovrapposti, analisi dell'arricchimento e costruzione della rete di interazione proteina-proteina (PPI)

Dal dataset GSE54837 sono stati identificati 3.371 geni differenzialmente espressi (DEG), compresi 1.675 DEG upregolati e 1.696 DEG downregolati. I 10 geni con la maggiore significatività di upregolazione e downregolazione sono riportati in Figura 1A. È stata eseguita una clusterizzazione gerarchica dei dati GSE54837 (

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

La modificazione conservata dell'RNA ac4C, che si verifica prevalentemente nell'RNA messaggero (mRNA) e nell'RNA di trasferimento (tRNA), aumenta la stabilità dell'mRNA e l'efficienza della traduzione20. NAT10 è l'unica acetiltransferasi dell'RNA nota per mediare la modificazione ac4C21. Studi hanno dimostrato che NAT10 è sovraespresso nelle cellule epiteliali polmonari di pazienti con BPCO. L'abbattimento di NAT10 altera la funzione mitocondriale e le risposte trascrittomi...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

Gli autori dichiarano di non avere conflitti di interessi. Il consenso informato è stato ottenuto da tutti i soggetti coinvolti nello studio.

Ringraziamenti

Ringraziamo l'Ospedale Shenzhen Luohu di Medicina Tradizionale Cinese per aver fornito le strutture cliniche e il supporto amministrativo essenziali per questo studio. Infine, siamo grati a tutti i pazienti e ai volontari sani che hanno partecipato a questa ricerca; il loro contributo è stato indispensabile per questo lavoro. Questo lavoro è stato sostenuto dal Sanming Project of Medicine a Shenzhen (n. SZZYSM202401018), dai Fondi per le Specialità Prioritarie del Distretto di Luohu (n. LX202402021) e dai Fondi per le Specialità Prioritarie del Distretto di Luohu (n. LX202302064).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
β-actin primersTsingkeN/AForward: 5’-CATGTACGTTGCTATCCAGGC-3’
Reverse: 5’-CTCCTTAATGTCACGCACGAT-3’
Primers B4GALT2TsingkeN/AForward: 5’-GGGCAGACTGCTGATCGAG-3’
Reverse: 5’-CCGGTGTCTAAAGGGGATGAT-3’
CB-Dock2LabShareOnlineSimulazione di docking molecolare
clusterProfilerBioconductorv4.14.6Analisi di arricchimento
CytoscapeConsortium Cytoscapev3.8.3Visualizzazione di reti
DrugBankUniversità dell'AlbertaOnlinePredizione farmacologica
Primers FAM168BTsingkeN/AForward: 5’-TCTGGGGTTCCCTATGCAAAT-3’
Reverse: 5’-GTAGGATTCGCTCCAGGATACA-3’
glmnetCRANv4.1Regressione LASSO
GSVABioconductorv1.52.3Analisi ssGSEA
Hifair III 1st Strand cDNA Synthesis SupermixYEASEN11141ESSintesi di cDNA
Hieff RTPCR SYBR Green Master MixYEASEN11201ESAmplificazione qPCR
limmaBioconductorv3.54.0Espressione differenziale
LightCycler 480 II SystemRocheLightCycler 480 IIPCR in tempo reale
Primers PTRFTsingkeN/AForward: 5’-GGGCCGTAGACCAGATCCA-3’
Reverse: 5’-CTTGCTCACCGTATTGCTCGT-3’
Primers PRKCDBPTsingkeN/AForward: 5’-CACGTTCTGCTCTTCAAGGAG-3’
Reverse: 5’-TGTACCTTCTGCAATCCGGTG-3’
Software RFondazione Rv4.4.2Calcolo statistico
randomForestCRANv4.7Random Forest
RNA isolater MolPure Blood RNA KitYEASEN19241ES50Estrazione di RNA
Database STRINGEMBLOnlineRete PPI
Primers TOR3ATsingkeN/AForward: 5’-CCCTTGCTCTGTCGTTCCAC-3’
Reverse: 5’-CCCGTCCCGATACAGGTTC-3’
Primers UPP1TsingkeN/AForward: 5’-CTGTCAGTCATGGTATGGGCA-3’
Reverse: 5’-GAGCACCGGGCATAGTACA-3’
WGCNACRANv1.72Rete di co-espressione
xgboostCRANv1.7Algoritmo XGBoost

Riferimenti

  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.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Tag

Biomarcatore UPP1diagnosi di BPCOmodifica dell'RNA ac4Cco-espressione genicabiomarcatori basati sul machine learninganalisi della rete regolatoriaprofilazione delle cellule immunitarieinterazione farmaco-gene
Contattaci
Consiglia alla biblioteca

Privacy

Termini di utilizzo

Politiche

Copyright © 2026 MyJoVE Corporation. Tutti i diritti riservati.