이 콘텐츠를 보려면 JoVE 구독이 필요합니다. 로그인하거나 오늘 무료 평가판을 시작하세요.

연구 논문

머신러닝과 단세포 전사체학을 통한 급성 심근경색에서 잠재적 면역-대사 바이오마커로서의 CCL4

84 조회수

⸱

DOI:

10.3791/72480

⸱

2026년 8월 11일

 ,  ,  , 
1The First Affiliated Hospital of Anhui Medical University, 2Anhui Public Health Clinical Center

이 논문에서

요약

본 연구는 대량 및 단세포 전사체학을 머신러닝과 통합하여 CCL4와 다섯 가지 다른 유전자를 급성 심근경색의 잠재적 진단 바이오마커로 식별하고, 면역-대사 교차 및 세포 유형 특이적 발현 패턴을 밝혀냅니다.

초록

급성 심근경색(AMI)은 전 세계적으로 이환율과 사망률의 주요 원인으로, 새로운 보완 바이오마커의 필요성을 강조합니다. 대량 및 단일 세포 전사체 데이터를 머신러닝 기법과 통합하여 AMI와 관련된 칼모듈린 관련 유전자와 그 면역-대사 특성을 탐구하였다. 차별 발현 및 가중 공동 발현 분석을 통해 60개의 칼모듈린 관련 유전자가 확인되었으며, 이 중 6개의 핵심 유전자(SOCS3, GBP4, ST14, KPNA5, STAB1, CCL4)가 여러 기계 학습 알고리즘으로 선별되어 독립적인 데이터셋에서 검증되었습니다. 기능적 분석 결과, 면역, 염증, 대사 경로 내 농축이 관찰되었습니다. 면역 침윤 및 단세포 전사체학에서는 세포 유형 특이적 발현 패턴이 나타났으며, CCL4는 주로 T 및 NK 세포에서 발현되었고 AMI 샘플에서는 현저히 감소하였습니다. qPCR 검증 결과, 국소 코호트에서 6개 유전자 중 4개에서 유의미한 발현 변화가 확인되었습니다. 약물-유전자 상호작용 및 도킹 분석을 통해 추가 연구를 위한 후보 화합물이 제안되었습니다. 종합적으로 이 연구 결과들은 CCL4가 AMI의 잠재적 진단 바이오마커로 작용할 수 있음을 시사하며, 관찰된 면역-대사 연관성은 향후 기전 및 번역 연구의 기초를 제공합니다.

서론

지속적인 심근허혈에 의해 발생하는 급성 심근경색(AMI)은 전 세계적으로 가장 치명적인 심혈관 질환 중 하나입니다. 이 질환의 발병 기전은 다요인적이며, 주요 원인으로는 동맥경화증, 혈전증, 관상동맥 경련, 부정맥3˒4가 있습니다. 고혈압, 당뇨병, 고지혈증, 흡연, 비만, 심리적 스트레스도 중요한 위험 요인으로 인식됩니다. 중재 기법, 항혈소판 치료, 혈전용해 전략의 발전으로 단기 생존율이 현저히 향상되었음에도 불구하고, 특히 젊은 인구에서 AMI의 전체 발생률은 계속 증가하고있습니다. 심장 트로포닌(cTn)은 현재 AMI 진단을 위한 골드 스탠다드 바이오마커입니다. 이 단백질은 심근 세포 괴사 후 순환계로 방출되는 구조 단백질로, 높은 민감도와 특이성을 보입니다. 그러나 cTn 수치는 신장 기능과7˒8 샘플 채취 시기에 의해 영향을 받을 수 있습니다. 따라서 새로운 상보적 바이오마커 개발이 여전히 필요합니다.

칼모듈린(CaM)은 작고 널리 발현되며 매우 보존된 칼슘 결합 단백질로, 칼슘 신호의 핵심 세포내 전달자 역할을 하며 광범위한 생물학적 과정에 참여합니다. 9˒10. 세포 내 Ca2⁺ 농도의 변화를 감지함으로써, CaM은 키나아제, 인산효소, 이온 채널 등 수많은 표적 단백질과 상호작용하여 세포 증식, 세포자멸사, 대사, 근육 수축, 염증 반응을 조절합니다11. 심혈관계에서 CaM은 심근세포 수축력, 심박수, 전기 안정성, 혈관 평활근 긴장도조절에 중심적인 역할을 합니다. 누적된 증거는 CaM 기능 장애 또는 CaM 관련 신호 경로의 조절 이상이 부정맥, 심부전, 고혈압, 심장 비대 등 여러 심혈관 질환에 기여한다는 것을 시사합니다. 더 나아가, CaM은 허혈, 산화 스트레스, 염증 자극에 대한 심근세포 반응에 참여하여 AMI16의 병리적 진행에 잠재적으로 관여할 가능성을 시사합니다. 따라서 심혈관 질환 맥락에서 CaM을 연구하는 것은 상당한 과학적·임상적 관심사입니다.

대량 RNA-seq 및 단세포 RNA-seq 데이터셋을 통합하여 CaM 점수와 유의미하게 연관된 차별 발현 유전자(DEG)를 체계적으로 식별하였습니다. 가중 유전자 공동 발현 네트워크 분석(WGCNA)을 사용하여 AMI에 관여하는 CaM 관련 후보 유전자를 추가로 확인하였습니다. 이후 여러 기계 학습 알고리즘을 적용하여 주요 유전자를 선별하고 개별 AMI 위험을 평가하는 예측 모델을 구축했습니다. 전사체 특징, 면역 침윤 프로필, 경쟁하는 내인성 RNA(ceRNA) 조절 네트워크도 통합되어 이 주요 유전자들이 면역 조절과 잠재적 약물-표적 상호작용에 어떻게 기여할 수 있는지 조사하였습니다. 연구 결과는 여러 핵심 유전자가 면역대사 교차 경로에 관여하며 예측 가치와 치료 잠재력을 보인다는 것을 보여줍니다. 이 통합 접근법은 AMI의 분자적 이해를 정교하게 하고, 바이오마커 개발과 표적 중재의 근거를 제공합니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

프로토콜

이 연구는 헬싱키 선언에 따라 수행되었습니다. 이 프로토콜은 2025년 9월 19일 안후이 공중보건 임상센터 윤리위원회에서 승인되었습니다(승인 ID: PJ-YX2025-062). 혈액 채취 전에 모든 참가자로부터 서면 동의를 받았습니다. 지역 코호트에는 급성 심근경색(AMI) 환자 8명과 건강한 대조군 8명이 포함되었습니다. 프로토콜에서 사용된 연구 도구들은 재료표에 나열되어 있습니다.

1. 데이터 소스 및 처리

심근경색과 관련된 대량 RNA 시퀀싱 데이터셋은 유전자 발현 옴니버스(GEO)에서 얻었습니다. GSE59867 및 GSE48060 데이터셋은 대량 전사체 분석에 사용되었고, GSE269269 단일 세포 RNA 시퀀싱 데이터셋은 세포 수준 분석에 사용되었습니다(표 1). 이후 유전자 집합 분석을 위해 인간 단백질 아틀라스에서 255개의 칼모듈린 관련 유전자 세트를 얻었습니다.

데이터셋표본 유형샘플(대조군)샘플(환자)시퀀싱 플랫폼
GSE59867벌크 RNA-seq46111GPL6244
GSE48060벌크 RNA-seq2131GPL570
GSE269269scRNA-seq (말초혈액)10GPL24676

표 1: 연구에 사용된 데이터셋의 특성. 표는 대량 RNA 및 단일 세포 RNA 시퀀싱 데이터셋의 데이터셋 접근 번호, 샘플 유형, 대조군 및 환자 샘플 수, 시서열 분석 플랫폼을 나열합니다. RNA-seq, RNA 시퀀싱; scRNA-seq, 단세포 RNA 시퀀싱.

전체 전사체 데이터셋의 표본 간 변동성은 limma 패키지 버전 3.60.6의 normalizeBetweenArrays 함수를 사용하여 보정되었습니다. 이후 리마(limma)를 사용하여 차별 유전자 발현 분석이 수행되었습니다. 차별발현 유전자(DEGs)는 0.05 및 |log₂ fold 변화|의 임계값 P < 사용하여 정의되었습니다. > 0.5. 결과된 DEG는 화산 플롯과 열지도를 사용하여 시각화되었고, 유의미하게 상향 조절된 것, 유의미하게 하향 조절된 것, 또는 유의미하게 변하지 않은 것으로 분류되었습니다.

2. 단일 샘플 유전자 집합 풍부화 분석 및 가중 유전자 공동 발현 네트워크 분석

단일 샘플 유전자 집합 풍부 분석(ssGSEA)은 255개의 칼모듈린 관련 유전자를 사용하여 수행되었습니다. GSVA 패키지는 각 AMI 및 대조군 샘플에 대해 칼모듈린 관련 유전자 점수(Calmodulin_score)를 계산하는 데 사용되었습니다. AMI와 대조군 간의 Calmodulin_score 차이는 Wilcoxon 랭크 합 검정을 사용하여 평가하였습니다.

가중 유전자 공동 발현 네트워크 분석(WGCNA)은 AMI 환자의 대량 전사체 데이터를 사용하여 수행되었습니다. 백만 개의 매핑된 리드당 전사체 1킬로베이스당 평균 조각 수가 ≤0.5인 유전자는 제외하였다. 샘플을 집집하여 이상치를 식별하고 제거했습니다.

R² > 0.8의 스케일 프리 위상 적합을 달성한 소프트 임계값 몫곱이 선택되었습니다. 그 후 위상 중첩 행렬이 구성되었다. 유전자 모듈은 최소 모듈 크기가 200인 동적 트리컷 알고리즘을 사용하여 식별되었습니다. 매우 유사한 고유유전자를 가진 모듈들은 상관 임계값 >0.75를 사용하여 합병되었으며, 이는 모듈 합병 임계값 0.25에 해당합니다.

모듈 고유유전자와 임상 형질 간의 관계, 특히 Calmodulin_score 간의 관계는 피어슨 상관분석을 통해 평가되었습니다. 결과적으로 모듈-특성 관계는 상관계수와 해당 P 값이 주석을 달린 히트맵에 표시되었습니다. 각 유전자별로 모듈 소속성과 유전자 유의성을 계산하였습니다. 모듈 소속성과 유전자 유의성의 산점도를 작성하여 모듈 내 연결성과 형질 관련성을 높이는 유전자를 식별하였습니다.

3. AMI 관련 칼모듈린 관련 유전자의 식별

AMI 관련 칼모듈린 관련 유전자를 DEGs와 WGCNA 모듈 유전자를 교차시켜 Calmodulin_score과 유의미하게 상관관계가 있는 유전자를 확인하였다. 중첩된 유전자들은 후속 분석을 위해 유지되었습니다.

기능적 풍부 분석은 clusterProfiler 패키지를 사용하여 수행되었습니다. 유전자 온톨로지와 교토 유전자 및 게놈 백과사전의 주석을 사용하여 중첩된 유전자와 관련된 생물학적 과정, 분자 기능, 세포 구성 요소 및 신호 전달 경로를 식별하였습니다.

4. 머신러닝을 이용한 핵심 유전자의 식별 및 검증

중복된 유전자를 이용해 단변량 로지스틱 회귀분석을 수행하였다. 그 후 세 가지 머신러닝 알고리즘이 독립적으로 적용되었으며, 다음과 같은 R 패키지와 매개변수를 사용했습니다: 랜덤 포레스트, XGBoost, 그리고 지원 벡터 머신.

각 알고리즘은 AMI에 대한 예측 가치를 가진 유전자를 우선순위로 지정하는 데 사용되었습니다. 후보 핵심 유전자는 세 가지 알고리즘 모두에 의해 식별된 유전자로 정의되었습니다. GSE59867 훈련 데이터셋과 GSE48060 외부 검증 데이터셋 모두에서 유의미하고 방향성 일관된 차별 발현을 보이는 유전자들은 최종 핵심 유전자로 유지되었습니다.

5. 진단 모델의 구축 및 평가

확인된 주요 유전자와 LRM 함수를 사용하여 로지스틱 회귀 모델이 구축되었습니다. 각 특징 유전자가 AMI 예측 확률에 얼마나 기여하는지를 나타내기 위해 레귤플롯 함수를 사용하여 노모그램이 생성되었습니다.

모델 판별은 pROC 패키지를 이용한 수신기 작동 특성 분석을 통해 평가되었습니다. 수신기 작동 특성 곡선 아래 면적을 계산하여 모델이 AMI와 대조군 샘플을 구별하는 능력을 평가하였습니다.

예측 확률과 관찰된 결과를 비교하기 위해 보정 곡선이 생성되었습니다. 결정곡선 분석을 통해 모델의 임계 확률 범위에 따른 순임상 이익을 추정하였습니다.

6. 유전자 집합 풍부화 분석 및 경쟁하는 내인성 RNA 네트워크 구축

유전자 세트 풍부화 분석은 각 주요 유전자에 대해 유전자 상관 행렬과 clusterProfiler 패키지를 사용하여 별도로 수행되었습니다. 교토 유전자 및 유전체 백과사전 경로 풍부화 결과는 절대 정규화 풍부도 점수로 순위를 매겼습니다. 각 유전자별로 상위 5개의 경로가 표시되었습니다.

기능적 연관성과 유전자 상호작용 네트워크는 GeneMANIA를 사용하여 조사되었습니다. 주요 유전자의 잠재적 microRNA 조절인자는 miRanda, miRTarBase, TargetScan, miRDB를 사용하여 예측되었습니다. 후보 microRNA-mRNA 상호작용은 네 개의 데이터베이스에서 예측을 교차시켜 확인하였습니다.

spongeScan에서 긴 비암호화 RNA-microRNA 상호작용을 얻었습니다. 긴 비암호화 RNA-microRNA 및 microRNA-mRNA 관계를 통합하여 경쟁하는 내인성 RNA 조절 네트워크를 구축했습니다. 네트워크는 ggalluvial 패키지를 사용한 Sankey 다이어그램으로 시각화되었습니다.

7. 약물 예측 및 분자 결합

약물-유전자 상호작용 데이터베이스를 사용하여 약물-유전자 상호작용을 예측하였습니다. 생성된 상호작용 네트워크는 네트워크 분석 소프트웨어를 사용해 시각화되었습니다.

CCL4의 UniProt 단백질 식별자는 P13236으로 검색되었습니다. 해당 3차원 단백질 구조는 1HUM(인간 MIP-1β, X선 회절 구조)이라는 인증 번호로 단백질 데이터 뱅크(PDB) 형식으로 획득되었으며, 도킹을 위해 선택되었습니다. 생물학적으로 중요한 단량체를 나타내는 사슬 A가 도킹 대상으로 선정되었습니다. 단백질 준비는 CB-Dock2의 Prepare Protein 모듈을 사용하여 수행되었으며, 여기에는 물 분자 제거, 극성 수소 첨가, 가스테이거 전하 할당이 포함됩니다. 후보 화합물(클로드론산과 에포에틴 알파)의 3차원 화학 구조는 PubChem 데이터베이스에서 구조-데이터 파일(SDF) 형식으로 가져왔습니다. 도킹 시뮬레이션은 블라인드 도킹을 위한 AutoDock Vina 알고리즘을 사용하는 CB-Dock2 온라인 플랫폼을 사용하여 수행되었습니다. 도킹 부위는 단백질 표면 전체를 덮도록 설정되어 잠재적인 결합 포켓을 편향 없이 식별할 수 있게 되었습니다. 결합 친화도는 kcal/mol 단위의 예측 자유 결합 에너지(ΔG)로 계산되었습니다. 최종 도킹 포즈와 단백질-리간드 상호작용(예: 수소 결합, 소수성 접촉)은 PyMOL과 CB-Dock2 내장 상호작용 뷰어를 사용해 시각화되었습니다.

8. 단일 세포 RNA 시퀀싱 데이터 전처리

품질 관리는 하류 단일 세포 RNA 시퀀싱 분석 전에 수행되었습니다. 검출된 유전자 수가 200개에서 10,000개 사이일 때, 고유 분자 식별자 수가 ≥1,000개일 때, 미토콘드리아 전사체 비율이 ≤20%일 때 보존되었습니다.
200개 미만의 유전자를 발현하거나 3개 미만의 세포에서 검출된 유전자는 제외되었습니다. 이 필터들은 저품질 셀과 기술적 노이즈의 포함을 줄이기 위해 적용되었습니다. 유전자 발현 값은 Seurat 패키지의 NormalizeData 함수를 사용하여 정규화되었습니다. FindVariableFeatures 함수를 사용하여 매우 변이가 큰 유전자를 확인했습니다. 고가변성 유전자의 발현 값은 ScaleData 함수를 사용하여 중심화하고 표준화되었습니다.

실험적 또는 시퀀싱 변이와 관련된 배치 효과는 하모니 통합 프레임워크의 RunHarmony 함수를 사용하여 보정되었다.

9. 단일 셀 차원 축소, 군집화 및 주석

주성분 분석은 단세포 RNA 시퀀싱 데이터셋의 차원성을 낮추기 위해 처음 적용되었습니다. 이후 균등 다양체 근사와 투영, 그리고 t-분포 확률적 이웃 임베딩이 세포 이질성을 시각화하는 데 사용되었다.

전사적으로 유사한 세포들은 Seurat의 FindNeighbors와 FindClusters 함수를 사용하여 그룹화되었습니다. FindAllMarkers 함수를 사용하여 각 클러스터를 나머지 모든 클러스터와 비교하여 차별적으로 발현된 마커 유전자를 확인하였습니다.

세포 유형은 출판된 문헌과 확립된 세포 표지 데이터베이스에서 얻은 정식 마커 유전자를 사용하여 할당되었습니다. 주요 유전자의 공간적 분포와 발현 수준은 FeaturePlot 함수18을 사용하여 시각화되었습니다.

10. 정량적 중합효소 연쇄반응 분석

안후이 공중보건 임상센터에서 AMI 환자 8명과 건강한 대조군 8명으로부터 말초혈액 샘플을 채취하였습니다. AMI 그룹에는 심근경색 제4차 보편적 정의에 따라 진단된 환자들이 포함되었으며, 증상은 심근허혈과 일치하고 심장 트로포닌 I 수치가 99백분위수 기준 기준선을 초과하는 수치였습니다. 대조군은 심혈관 질환 병력이 없고, 심전도가 정상이며, 일상 혈액 검사, 간 기능, 신장 기능에 이상이 없는 연령 및 성별이 일치하는 건강한 개인으로 구성되었습니다. AMI 환자의 경우, 입원 후 24시간 이내에 에틸렌디아미네테트라아세트산 항응고 혈액 3mL를 채취하였습니다. 동일한 양은 해당 연구 기간 동안 건강한 대조군으로부터 수집되었습니다.

총 RNA는 혈액 RNA 분리 키트에 포함된 프로토콜에 따라 말초혈에서 분리되었습니다. RNA 농도와 순도는 NanoDrop 분광광도계를 사용해 평가되었고, RNA 무결성은 아가로스 겔 전기영동으로 검증되었습니다. 이후 분석에는 A260/A280 비율이 1.8에서 2.1 사이의 샘플만 사용되었습니다. 총 500 ng의 RNA가 1가닥 상보성 DNA 합성 시약을 사용해 상보성 DNA로 역전사되었습니다. 결과적으로 상보적인 DNA는 최종 농도인 150 ng/mL로 희석되었다. 정량적 중합효소 연쇄반응 증폭은 수동 기준 염료 없이 SYBR Green 기반 마스터 믹스를 사용하여 총 10 μL 반응 부피로 수행되었습니다. 모든 qPCR 반응은 기술적 복제로 두 번 수행되었으며, 이후 계산은 평균 Ct 값을 기반으로 하였습니다.

증폭은 실시간 중합효소 연쇄반응 기기를 사용하여 수행되었습니다. 사이클링 조건은 95°C에서 5분간 초기 변성, 95°C에서 10초간 변성, 60°C에서 30초간 어닐링, 72°C에서 30초간 신장하는 것으로 구성되었다. 증폭 후에는 용융 곡선 분석이 수행되었습니다.

유전자 발현 수준은 β-액틴으로 정상화되었습니다. 상대 발현은 2−ΔΔCt 방법으로 계산되었습니다.

11. 통계 분석

통계 분석은 R에서 수행되었으며, 네트워크 시각화는 네트워크 분석 소프트웨어를 사용해 생성되었습니다. 별도 명시가 없는 한 두 그룹 간 차이는 윌콕슨 검정을 사용하여 평가되었다. 정규분포를 가진 연속 변수들은 학생의 t-검정을 사용해 비교하였다. 비정규분포 연속 변수들은 Mann-Whitney U 검정(Wilcoxon 랭크 합 검정이라고도 함)을 사용해 비교되었습니다. 모든 통계 검정은 양측 검정이었습니다. P 값 <0.05는 통계적으로 유의한 것으로 간주되었습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

결과

AMI와 관련된 칼모듈린 관련 유전자의 식별 및 농축 분석
배치 효과 보정은 GSE59867 데이터셋에서 먼저 수행되어 교차 표본 비교 가능성을 보장했습니다(그림 1A). 이후 총 168개의 차별발현 유전자(DEGs)가 확인되었으며, 이 중 77개는 상향 조절 유전자, 91개 유전자는 대조군과 비교하여 하향 발현 유전자였습니다(그림 1B). 단일 샘플 유전자 집합 풍부화 분석 결과, Calmodulin_score AMI와 대조군 간에 유의미하게 차이가 있음을 보여주었습니다(그림 1C).

가중 유전자 공동발현 네트워크 분석(WGCNA)을 사용하여 공동 발현 네트워크가 구축되었습니다. 소프트 임계값 배곱은 스케일 프리 토폴로지 기...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

토론

급성 심근경색(AMI)은 급성 관상동맥 폐색으로 인해 심근 허혈성 괴사와 전 세계적으로 높은 이환율과 사망률을 초래합니다. 칼모듈린은 칼슘 의존성 조절 단백질로, 세포 내 신호 전달에서 중요한 역할을 합니다. 이전 연구들은 칼모듈린이 AMI 중 심근세포 세포자멸사, 염증 반응, 칼슘 항상성을 조절한다는 것을 보여주었으며, 이는 AMI 병인기전에서 중요한 분자일 수 있음을 시사합니다20. 본 연구에서는 세 개의 독립 데이터셋에서 칼모듈린 관련 차별발현 유전자 60개가 확인되었고, 가중 유전자 공동 발현 네트워크 분석을 통해 AMI 관련 유전자 모듈을 확인하여 최종 후보 집합을 6개의 주요 유전자로 좁혔습니다. 여러 머신러닝 모델이 진단 가치를 확인했으며, 이는 GSE48060 데이터셋의 발현 추세로 뒷받침되었습니다. 유전자 집합 풍부화 분석 결과, 이들 유전자는 주로 면역 및 대사 관련 경로에 풍부함을 보였습니다. 면역 침윤 분...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

공개 사항

저자들은 이해 상충이 없음을 선언합니다.

감사의 글

이 연구는 안후이 의과대학 연구기금(연구비 번호 2022xkj059)과 안후이 중개 의학 연구소(연구비 번호 2021zhyx-C71)의 지원을 받았습니다. 저자들은 이 연구에 도움을 주고 지원해 주신 모든 동료들에게 감사의 뜻을 전합니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
β-actin primerTsingkeN/AForward: 5′-CATGTACGTTGCTATCCAGGC-3′
Reverse: 5′-CTCCTTAATGTCACGCACGAT-3′
calibratermsN/AParameters: lrmModel, method = "boot", B = 1000
CB-Dock2CB-Dock2 ServerOnline toolhttps://cadd.labshare.cn/cb-dock2/
CCL4 primerTsingkeN/AForward: 5′-CTGTGCTGATCCCAGTGAATC-3′
Reverse: 5′-TCAGTTCAGTTCCAGGTCATACA-3′
CIBERSORTStanford UniversityOnline toolParameters: function(sig_matrix, mixture_file, perm = 0, QN = TRUE)Spearman correlation analysis was performed between immune-cell abundance and gene expression.
clusterProfilerBioconductor4.12.6https://bioconductor.org/packages/clusterProfiler
CytoscapeCytoscape Consortium3.9.1https://cytoscape.org/
Drug-Gene Interaction DatabaseDGIdbOnline databasehttps://www.dgidb.org/
Gene Expression OmnibusNCBIOnline databasehttps://www.ncbi.nlm.nih.gov/geo/
Gene Ontology databaseGene Ontology ConsortiumOnline databasehttp://geneontology.org/
GeneMANIAUniversity of TorontoOnline toolhttps://genemania.org/
GBP4 primerTsingkeN/AForward: 5′-AGGCTGCTAAAACACAAGCTG-3′
Reverse: 5′-CCCCAGGTAGAGTGACAATCAT-3′
ggalluvialCRAN0.12.5Sankey diagram generation
GSVABioconductor1.52.3Parameter: P < 0.05
Harmony integration frameworkCRAN1.2.0https://github.com/immunogenomics/harmony
Hifair III 1st Strand cDNA Synthesis SuperMixYEASEN11141ES10Reverse-transcription reagent
Hieff qPCR SYBR Green Master MixYEASEN11201ESqPCR reagent
Human Protein AtlasHuman Protein Atlas ConsortiumOnline databasehttps://www.proteinatlas.org/
KPNA5 primerTsingkeN/AForward: 5′-TCAAGAGATGCGTAGACGAAGA-3′
Reverse: 5′-ACATTTCTGCGTTTGAACAACTG-3′
Kyoto Encyclopedia of Genes and Genomes databaseKanehisa LaboratoriesOnline databasehttps://www.kegg.jp/
LightCycler 480 Instrument IIRocheLightCycler 480 IIReal-time PCR instrument
limmaBioconductor3.60.6Differentially expressed gene screening
lrmrmsN/AParameters: Type ~ SOCS3 + GBP4 + ST14 + KPNA5 + STAB1 + CCL4, data = aSAH, maxit = 100
miRandaMicroRNA.orgOnline toolhttp://www.microrna.org/microrna/home.do
miRDBmiRDBOnline toolhttp://mirdb.org/
miRTarBaseNational Chiao Tung UniversityOnline databasehttps://mirtarbase.cuhk.edu.cn/
Protein Data BankRCSBOnline databasehttps://www.rcsb.org/
PubChemNCBIOnline databasehttps://pubchem.ncbi.nlm.nih.gov/
PyMOLSchrödinger, LLC2.5.4Visualization of molecular docking results
pROCCRAN1.18.5Receiver operating characteristic curve generation and visualization
Random forest packageCRAN3.3.1Parameters: ntree = 100, seed = 200
R softwareR Foundation4.2.2Bioinformatics and statistical analyses
regplotCRAN1.1Parameters: glm(Status ~ gene, family = binomial(), data = merged_data)lrm(Type ~ SOCS3 + GBP4 + ST14 + KPNA5 + STAB1 + CCL4, data = aSAH, maxit = 100)
rmdaCRAN1.6Parameters: decision_curve(Type ~ SOCS3 + GBP4 + ST14 + KPNA5 + STAB1 + CCL4, data = aSAH, family = binomial(link = "logit"), thresholds = seq(0, 1, by = 0.01), confidence.intervals = 0.95)
RNA isolater MolPure Blood RNA KitYEASEN19241ES50RNA isolation kit
SeuratSatija Lab5.1.0Marker genes used for cell annotation:Monocytes: FCN1, S100A9, S100A8B cells: CD79B, MS4A1T cells: LDHB, CD4, CD3DNK cells: FGFBP2, GZMB, NKG7, KLRD1Megakaryocytes: CD163, CD36, PF4, PPBPBlood cells: ALAS2, AHSP, CA1Plasma cells: IGHA1, CD79A, MZB1, JCHAINDendritic cells: HLA-DMB, HLA-DPA1, HLA-DQB1Mast cells: FCER1A, MS4A2
SOCS3 primerTsingkeN/AForward: 5′-CCTGCGCCTCAAGACCTTC-3′
Reverse: 5′-GTCACTGCGCTCCAGTAGAA-3′
spongeScanspongeScanOnline toolhttp://spongescan.rc.ufl.edu/
ST14 primerTsingkeN/AForward: 5′-TTCCTGCCAGTCAACAACGTC-3′
Reverse: 5′-GGTACTGCAAATGCCACACC-3′
STAB1 primerTsingkeN/AForward: 5′-CCGGGAAATCCTTACCACAGC-3′
Reverse: 5′-ACCTTCGTGTTTGTTGGGTCC-3′
Support vector machine packageCRAN1.7-13Parameters: input, k = 10, halve.above = 100
survminerCRAN0.5.0Survival curve plotting
TargetScanTargetScanOnline toolhttp://www.targetscan.org/
UniProtUniProt ConsortiumOnline databasehttps://www.uniprot.org/
Weighted gene co-expression network analysis packageCRAN1.73Parameters: R² > 0.8, minModuleSize = 200
XGBoost packageCRAN1.7.8.1Parameters: nrounds = c(50, 200), max_depth = c(3, 8), eta = c(0.01, 0.3)

참고문헌

  1. Buja LM. Pathobiology of myocardial ischemia and reperfusion injury: models, modes, molecular mechanisms, modulation, and clinical applications. Cardiol Rev. 2023;31(5):252–264. https://doi.org/10.1097/CRD.0000000000000440
  2. Salari N, et al. The global prevalence of myocardial infarction: a systematic review and meta-analysis. BMC Cardiovasc Disord. 2023;23:206. https://doi.org/10.1186/s12872-023-03231-w
  3. Młynarska E, et al. From atherosclerotic plaque to myocardial infarction-the leading cause of coronary artery occlusion. Int J Mol Sci. 2024;25(13):7295. https://doi.org/10.3390/ijms25137295
  4. Krittanawong C, et al. Acute myocardial infarction: etiologies and mimickers in young patients. J Am Heart Assoc. 2023;12(18). https://doi.org/10.1161/JAHA.123.029971
  5. Sood A, Singh A, Gadkari C. Myocardial infarction in young individuals: a review article. Cureus. 2023;15(4). https://doi.org/10.7759/cureus.37102
  6. Galli M, et al. Guided versus standard antiplatelet therapy in patients undergoing percutaneous coronary intervention: a systematic review and meta-analysis. Lancet. 2021;397(10283):1470–1483. https://doi.org/10.1016/S0140-6736(21)00533-X
  7. Ai X, et al. Dynamic profiles of 25 serum biomarkers in acute myocardial infarction. Front Cardiovasc Med. 2025;12:1631648. https://doi.org/10.3389/fcvm.2025.1631648
  8. Yang Z, Zhou DM. Cardiac markers and their point-of-care testing for diagnosis of acute myocardial infarction. Clin Biochem. 2006;39(8):771–780.
  9. Yang CF, Tsai WC. Calmodulin: the switch button of calcium signaling. Tzu Chi Med J. 2022;34(1):15–22. https://doi.org/10.4103/tcmj.tcmj_285_20
  10. Tokumitsu H, Sakagami H. Molecular mechanisms underlying Ca²⁺/calmodulin-dependent protein kinase kinase signal transduction. Int J Mol Sci. 2022;23(19):11025. https://doi.org/10.3390/ijms231911025
  11. Ketehouli T, et al. Overview of the roles of calcium sensors in plants’ response to osmotic stress signalling. Funct Plant Biol. 2022;49(7):589–599.
  12. Beghi S, et al. Calcium signalling in heart and vessels: role of calmodulin and downstream calmodulin-dependent protein kinases. Int J Mol Sci. 2022;23(24):16139. https://doi.org/10.3390/ijms232416139
  13. Tran N, et al. Endothelial nitric oxide synthase and the cardiovascular system: in physiology and in disease states. Am J Biomed Sci Res. 2022;15(2):153–177.
  14. Hua Y, et al. Ca²⁺/calmodulin-dependent protein kinase II regulation by inhibitor of receptor-interacting protein kinase 3 alleviates necroptosis in glycation end products-induced cardiomyocyte injury. Int J Mol Sci. 2022;23(13).
  15. Zhang J, et al. Ca²⁺/calmodulin-dependent protein kinase II regulation by inhibitor of RIPK3 protects against cardiac hypertrophy. Oxid Med Cell Longev. 2022;2022:7941374. https://doi.org/10.1155/2022/7941374
  16. Zi C, Ma X, Zheng M, Zhu Y. VDAC1-NF-κB/p65-mediated S100A16 contributes to myocardial ischemia/reperfusion injury by regulating oxidative stress and inflammatory response via the calmodulin/CaMKK2/AMPK pathway. Eur J Pharmacol. 2025;987:177158. https://doi.org/10.1016/j.ejphar.2024.177158
  17. Song Z, et al. Identification of five hub genes based on single-cell RNA sequencing data and network pharmacology in patients with acute myocardial infarction. Front Public Health. 2022;10:894129. https://doi.org/10.3389/fpubh.2022.894129
  18. Qu S, et al. Integrated multi-omics and experimental validation for identifying novel biomarkers of acute myocardial infarction. Naunyn Schmiedebergs Arch Pharmacol. 2026;399(9):14067–14089. https://doi.org/10.1007/s00210-026-05281-1
  19. Fan H, et al. Early diagnostic biomarkers for acute myocardial infarction unveiled by metabolomics, Mendelian randomization, and machine learning. Mol Biomed. 2026;7(1):5.
  20. Yang Y, et al. CaMKII in regulation of cell death during myocardial reperfusion injury. Front Mol Biosci. 2021;8:668129. https://doi.org/10.3389/fmolb.2021.668129
  21. Rosenstock P, Kaufmann T. Sialic acids and their influence on human natural killer cell function. Cells. 2021;10(2):263.
  22. Li G, et al. Decoding glycosylation in cardiovascular diseases: mechanisms, biomarkers, and therapeutic opportunities. 2025;16.
  23. Yang M, et al. lncRNAfunc: a knowledgebase of lncRNA function in human cancer. Nucleic Acids Res. 2022;50(D1)–D1306.
  24. Zhang W, et al. Identification of plasma exosomes hsa_circ_0001360 and hsa_circ_0000038 as key biomarkers of coronary heart disease. 2024;2024.
  25. Cheng W, et al. NF-κB, a potential therapeutic target in cardiovascular diseases. Cardiovasc Drugs Ther. 2023;37(3):571–584.
  26. Liang B, Liang Y, Gu N. Pharmacological mechanisms of sodium-glucose cotransporter 2 inhibitors in heart failure with preserved ejection fraction. BMC Cardiovasc Disord. 2022;22(1):261.
  27. Qiu D, et al. Evaluating the diagnostic potential of SOCS3 in copper metabolism for acute myocardial infarction. Pathol Res Pract. 2024;264:155688.
  28. Zhang J, Zhang L. Bioinformatics approach to identify the influences of SARS-CoV-2 infections on atherosclerosis. Front Cardiovasc Med. 2022;9:907665.
  29. Zhang J, et al. CXCL16 promotes Ly6Chigh monocyte infiltration and impairs heart function after acute myocardial infarction. J Immunol. 2023;210(6):820–831.
  30. Tsuruno Y, et al. Favorable inhibitory effect of clodronate on hepatic steatosis in short bowel syndrome model rats. Pediatr Surg Int. 2024;40(1):307.
  31. Kim DH, et al. Bisphosphonates and risk of cardiovascular events: a meta-analysis. PLoS One. 2015;10(4).
  32. Kittithaworn A, Toro-Tobon D, Sfeir JG. Cardiovascular benefits and risks associated with calcium, vitamin D, and antiresorptive therapy in the management of skeletal fragility. Womens Health. 2023;19:17455057231170059.
  33. Anand S, Al-Mondhiry J, Fischer K, Glaspy J. Epoetin alfa-epbx: a new entrant into a crowded market-a historical review of the role of erythropoiesis-stimulating agents and the development of the first epoetin biosimilar in the United States. Expert Rev Clin Pharmacol. 2021;14(1):1–8.
  34. Yin W, Noguchi CT. The role of erythropoietin in metabolic regulation. 2025;14(4):280.
  35. Sung PH, Luo CW, Chiang JY, Yip HK. The combination of G9a histone methyltransferase inhibitors with erythropoietin protects the heart against damage from acute myocardial infarction. Am J Transl Res. 2020;12(7):3255–3271.
  36. Jean-Baptiste W, et al. Are there any cardioprotective effects or safety concerns of erythropoietin in patients with myocardial infarction? A systematic review. Cureus. 2022;14(6).
  37. Liu J, Chen L, Zheng X, Guo C. Identification of immune-related genes in acute myocardial infarction based on integrated bioinformatic methods and experimental verification. PeerJ. 2023;11.
  38. Feng L, et al. Identification of genes linking natural killer cells to apoptosis in acute myocardial infarction and ischemic stroke. Front Immunol. 2022;13:817377.
  39. Wang Q, et al. Atorvastatin-induced tolerogenic dendritic cells improve cardiac remodeling by suppressing TLR-4/NF-κB activation after myocardial infarction. Inflamm Res. 2023;72(1):13–25.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재인쇄 및 허가

태그

칼모듈린 관련 유전자차등 발현면역 침윤가중 공발현T 세포NK 세포
문의하기
도서관에 추천하기

개인정보 처리방침

이용 약관

정책

저작권 © 2026 MyJoVE Corporation. 모든 권리 보유.