Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.

Onderzoeksartikel

Identificatie van ferroptose- en hypoxie-gerelateerde genen in iPSC-afgeleide oligodendrocyt-voorlopercellen van patiënten met multiple sclerose

850 weergaven

⸱

DOI:

10.3791/67055

⸱

7 maart 2025

 ,  ,  ,  , 
1Department of Ophthalmology, Chinese Academy of Medical Sciences and Peking Union Medical College Hospital, 2Department of Spine Surgery, China-Japan Friendship Hospital

* These authors contributed equally

In dit artikel

Samenvatting

Deze studie biedt nieuwe inzichten in de interacties tussen hypoxie, ferroptose en immuuninfiltratie in de pathogenese van multiple sclerose (MS) via bio-informaticaanalyse. Door gebruik te maken van gewogen genco-expressienetwerkanalyse (WGCNA) en eiwit-eiwitinteractie (PPI)-analyse, hebben we drie cruciale hub-genen geïdentificeerd (ITGB1, ITGB8 en VIM).

Samenvatting

Multiple sclerose (MS) is een chronische ontstekingsaandoening die wordt gekenmerkt door demyelinisatie, waarbij mislukte remyelinisatie leidt tot progressief axonverlies in chronische stadia. Oligodendrocyt-voorlopercellen (OPC's) zijn van cruciaal belang voor remyelinisatie. Recente studies suggereren dat zowel hypoxie als ferroptose een cruciale rol spelen in de disfunctionele differentiatie van OPC's. Dit onderzoek heeft tot doel sleutelgenen te identificeren die verband houden met hypoxie en ferroptose en immuuninfiltratiekenmerken in OPC's afgeleid van geïnduceerde pluripotente stamcellen (iPSC's) van MS-patiënten en een diagnostisch model te construeren dat gericht is op deze cruciale genen.

We analyseerden genexpressiegegevens uit de GSE196575 en GSE147315 datasets en vergeleken MS-patiënten met gezonde individuen. Met behulp van gewogen genco-expressienetwerkanalyse (WGCNA) hebben we primaire modulegenen en essentiële genen geïdentificeerd die geassocieerd zijn met hypoxie, ferroptose en MS. De ferroptose Z-score en de hypoxie Z-score berekend via genensetvariatieanalyse (GSVA) waren groter in de iPSC-afgeleide OPC's van MS-patiënten dan die van de controlegroep. De geïmpliceerde genen zijn voornamelijk gekoppeld aan de PI3K/Akt/mTOR-route, zoals geïdentificeerd door middel van Gene Ontology (GO) en Kyoto Encyclopedia of Genes and Genomes (KEGG) pathway enrichment-analyses.

Een eiwit-eiwitinteractie (PPI) netwerk van cruciale genen onthulde 10 centrale hub-genen (COL4A1, COL4A2, ITGB5, ITGB1, ITGB8, ITGAV, VIM, FLNA, VCL en SPARC). De robuuste expressie van ITGB1, ITGB8 en VIM werd gevalideerd in de GSE151306-dataset, ter ondersteuning van hun rol als belangrijke hubgenen. Bovendien werd een interactienetwerk tussen transcriptiefactoren (TF's) en hub-genen tot stand gebracht via Transcriptional Regulatory Relationships Unraveled by Sentence-based Text (TRRUST), die vijf belangrijke TF's identificeerde. De resultaten van deze studie kunnen helpen bij het ophelderen van nieuwe biomarkers of therapeutische doelen voor MS.

Inleiding

Multiple sclerose (MS) is een chronische ontstekingsaandoening die wordt gekenmerkt door demyelinisatie en die wereldwijd ongeveer 2,5 miljoen mensen treft. De meerderheid van degenen bij wie MS is vastgesteld, vertoont een relapsing-remitting (RR) ziekteverloop. Tijdens de recidiverende fase leidt acute ontsteking tot het onvermijdelijke verlies van myeline en axonen. Omgekeerd kunnen demyelinisatielaesies tijdens remissie worden gerepareerd door remyelinisatie, waardoor axonen trofische ondersteuning krijgen en progressief axonverlies wordt voorkomen1. Falen van remyelinisatie treedt op in de chronische stadia van MS en leidt tot progressieve axonale degeneratie2.

Het proces van remyelinisatie is kritisch gecorreleerd met oligodendrocyt-voorlopercellen (OPC's), waarbij de proliferatie en migratie van OPC's betrokken is om te differentiëren tot volwassen oligodendrocyten (OL's), de myelinevormende cellen in het centrale zenuwstelsel (CZS)3. In de beginstadia van de ziekte blijft het aantal nieuwe OL's dat door OPC's rond de gedemyeliniseerde laesies wordt gegenereerd relatief behouden en kan het met succes remyelinisatie bevorderen4. Tijdens gevorderde MS-stadia leiden de ontoereikende migratie en differentiatie van OPC's echter tot een vermindering van nieuwe OL's en verminderde remyelinisatie5, wat leidt tot zenuwdegeneratie en accumulatie van invaliditeit.

Er zijn twee hypothesen voorgesteld om de neurodegeneratie bij MS te verklaren. De extrinsieke hypothese suggereert dat de immuunrespons die door geactiveerde T-cellen wordt geïnitieerd, zowel demyelinisatie als neurodegeneratie veroorzaakt6. Het intrinsieke model suggereert echter dat de intrinsieke afwijkingen in OPC's7, OL's8 en andere cellen in het CZS kunnen bijdragen aan neurodegeneratie. Het intrinsieke model werd voorheen alleen toepasbaar geacht in meer gevorderde stadia van MS, zoals primaire of secundair progressieve MS (PPMS en SPMS). Desalniettemin is onlangs neurodegeneratie onafhankelijk van ontsteking of terugval waargenomen in RRMS 9,10, wat suggereert dat intrinsieke cellulaire afwijkingen betrokken kunnen zijn in alle ziektestadia, inclusief RRMS.

Bovendien speelt ferroptose, een kenmerkende celdoodroute die verband houdt met ijzergemedieerde lipidemetabole stoornissen, een cruciale rol bij neurodegeneratie. Deze route omvat een onbalans van intracellulaire redoxtoestanden aangedreven door een teveel aan ijzer, wat leidt tot accumulatie van lipideperoxide en de productie van reactieve zuurstofspecies (ROS), wat uiteindelijk resulteert in oxidatieve celdood11. Neurodegeneratieve ziekten zoals de ziekte van Alzheimer, de ziekte van Parkinson en de ziekte van Huntington komen vaak voort uit oxidatieve schade aan neuronale cellen, die vaak wordt veroorzaakt door ongewoon hoge ijzerconcentraties in laesies. Bij MS bevordert een verhoogde kwetsbaarheid voor oxidatieve schade, gecombineerd met mitochondriale disfunctie als gevolg van het hoge lipidengehalte en zuurstofverbruik van CZS-cellen, de peroxidatie van lipiden, een kritische factor bij ferroptose. OL's zijn gevoelig voor lipideperoxidatie, een essentieel kenmerk van ferroptose12. IJzerafzetting in de buurt van spinale inflammatoire laesies13 en de kwetsbaarheid van OL's voor lipideperoxidatie14 en vrije radicalen15 benadrukken de gevoeligheid van MS voor ferroptose.

Hypoxie is een andere kritische factor in de pathogenese van MS die bijdraagt aan het verlies van oligodendrocyten. Bewijs van hypoxie-achtige schade en het genereren van ROS en stikstofoxide (NO) bij acute MS-laesies geeft aan dat dergelijke stressoren mitochondriale disfunctie en daaropvolgende energietekorten kunnen veroorzaken16. Deze metabole stress beïnvloedt niet alleen OL's, maar schaadt ook naburige axonen door verstoorde energieoverdracht17, aangezien myelinische kanalen energie overbrengen tussen de myelineschede en peri-axonale ruimtes.

Primaire humane OPC's en OL's van het CZS zijn uiterst moeilijk toegankelijk bij MS-patiënten. Vandaar dat geïnduceerde pluripotente stamcellen (iPSC's) afgeleide menselijke OPC's en OL's naar voren zijn gekomen als veelbelovende hulpmiddelen voor het bestuderen van de intrinsieke aandoeningen van MS. In het licht van de cruciale rol van ferroptose en hypoxie in de pathogenese van MS en hun impact op de oligodendrocytenlijn, maakte deze studie gebruik van gewogen genco-expressienetwerkanalyse (WGCNA) om module-informatie18 te extraheren en om genexpressiepatronen die verband houden met deze fenomenen bij MS op te helderen. Door de correlatiecoëfficiënten tussen genen te screenen, kunnen we dezelfde of vergelijkbare co-expressienetwerken of -modules identificeren, wat licht werpt op nieuwe biomarkers of potentiële therapeutische doelwitten voor MS. Door zich te concentreren op de transcriptiefactoren (TF's) die kritieke genen reguleren, biedt deze studie bovendien een basis voor verdere verkenning van de mechanismen en mogelijke interventiestrategieën voor MS.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

1. Downloaden en voorbewerken van gegevens

  1. Download de datasets GSE196575 en GSE147315 van de Gene Expression Omnibus (GEO).
  2. Voeg de twee datasets samen en verwijder batcheffecten met behulp van een online analyseplatform (zie Materiaaltabel).
    1. Kies de module Expressie | module gegevens samenvoegen. Upload de twee expressiematrixbestanden als invoerbestanden en klik op Uitvoeren om de samengevoegde matrix automatisch uit te voeren.
    2. Maak een voorbeeldannotatiebestand als een spreadsheet.
    3. Kies de module Expressie | Verwijder de batch-effectmodule. Voer het annotatiebestand en de samengevoegde matrix in en klik op Uitvoeren om de samengevoegde matrix te maken met het batcheffect verwijderd (samengevoegde matrix 2).
  3. Normaliseer de expressiegegevens met behulp van de functies voor samenvoeggegevens, het batcheffect en Normaliseren die beschikbaar zijn op een online analyseplatform. Kies de expressiemodule en normaliseer de module. Invoer samengevoegde matrix 2 gemaakt in stap 1.2.3. Klik op de knop Uitvoeren . (zie de tabel met materialen).
  4. Voer het expressiematrixbestand uit na het uitvoeren van het hele proces dat hierboven is beschreven. Extraheer de groeperingsinformatie volgens de interventie op de GEO-website. Voer de bovenstaande informatie in een document in ".txt"-formaat in om het groeperingsinformatiebestand voor de samengevoegde gegevensset te maken.

2. Differentieel tot expressie gebrachte genanalyse

  1. Voer differentiële genexpressieanalyse uit met behulp van het limmapakket in R. Voer het expressiematrixbestand en het groeperingsinformatiebestand in. Stel de filtercriteria in op |logFC| = 1 en p < 0,05 om differentieel tot expressie gebrachte genen (DEG's) te identificeren die verband houden met multiple sclerose.

3. Functionele verrijkingsanalyse (GO en KEGG)

  1. Voer functionele verrijkingsanalyses uit voor de DEG's via de GO- en KEGG-modules op online platforms.
    1. Stel het modelorganisme in op Homo sapiens, met de Ensemble_109 versie als achtergrondgenbestand en genen als gegevenstype.
    2. Vermijd brede GO-termen; verfijn de analyse met behulp van ToppFun. Pas filters toe om de termen te beperken tot 500 en 1.000 geassocieerde genen.
      OPMERKING: De resultaten van het filter met 500 genen worden gepresenteerd in het hoofdmanuscript. De volledige GO-resultaten zijn beschikbaar in aanvullende figuur S2. Het online KEGG-platform wordt weergegeven in aanvullende figuur S3.

4. Analyse van genensetvariaties voor ferroptose en hypoxie (GSVA)

  1. Haal in totaal 538 ferroptose-gerelateerde genen op uit FerrDb en 200 hypoxie-gerelateerde genen uit MsigDB.
  2. Maak GMT-formaatbestanden voor beide genensets.
  3. Gebruik de GSVA-module om de ferroptose Z-score en hypoxie Z-score te berekenen voor elk monster in de samengevoegde dataset, en gebruik het expressiematrixbestand, het groeperingsinformatiebestand en GMT-bestanden als invoer.
  4. Vergelijk de Z-scores van verschillende groepen (aanvullende figuur S4).

5. Gewogen analyse van het netwerk van genco-expressie (WGCNA)

  1. Extraheer de Z-score van ferroptose en hypoxie van elk monster berekend in stap 4.4. Gebruik de bovenstaande Z-scores van ferroptose en hypoxie als eigenschapsbestanden naast de expressiematrixbestanden om de belangrijkste genmodules te identificeren die verband houden met ferroptose en hypoxie.
  2. Gebruik de WGCNA-module en stel R2 = 0,9 en zachte drempel β = 18 in om een gewogen netwerk voor co-expressie van genen te construeren. Focus op modules die significant geassocieerd zijn met zowel ferroptose als hypoxie (aanvullende figuur S4).

6. Identificatie van differentieel tot expressie gebrachte genen gerelateerd aan ferroptose en hypoxie bij MS-patiënten

  1. Snijd de ziektegerelateerde DEG's met ferroptose- en hypoxie-gerelateerde genmodules via een Venn-diagramtool op een online analyseplatform (aanvullende figuur S3). Identificeer de genen die geassocieerd zijn met zowel ferroptose als hypoxie bij MS.

7. Eiwit-eiwit interactie (PPI) netwerkanalyse

  1. Voer de doorsneden genen in de module Multiple Proteins van de STRING-database in.
  2. Stel het organisme in op Homo sapiens en klik op Zoeken.
  3. Gebruik de optie DOORGAAN in het midden van de webpagina om het PPI-netwerk te genereren.
  4. Exporteer de interactienetwerkinformatie in TSV-formaat en importeer deze in bioinformatica-netwerkanalysesoftware (aanvullende figuur S5).
  5. Gebruik de Cytohubba-plug-in om de top 10 hub-genen te identificeren op basis van het MCC-algoritme.

8. Validatie met de GSE151306 dataset

  1. Download de GSE151306 dataset van GEO.
  2. Gebruik het limma-pakket in R-studiosoftware (R-taalcodes worden verstrekt in GitHub: https://github.com/Drxiazhang/Identification-of-Ferroptosis--and-Hypoxia-Related-Genes-in-iPSC-Derived-OPCs-from-MS) om de expressie van de hub-genen in verschillende groepen te valideren en voer het expressiematrixbestand, het groeperingsbestand van de validatieset en de hub-genenlijst in.

9. ROC-curve uitzetten voor hub-genen

  1. Gebruik het pROC-pakket in R om ROC-curven uit te zetten voor de differentieel tot expressie gebrachte hub-genen.
  2. Valideer de diagnostische waarde van deze hubgenen in de validatiegegevensset (R-taalcodes worden verstrekt in GitHub: https://github.com/Drxiazhang/Identification-of-Ferroptosis--and-Hypoxia-Related-Genes-in-iPSC-Derived-OPCs-from-MS).

10. Voorspelling van transcriptiefactor-hub genregulerende netwerken

  1. Open de TRRUST v2-database op https://www.grnpedia.org/trrust/.
  2. Gebruik de module Belangrijke regulatoren zoeken voor querygenen om transcriptiefactoren te identificeren die de 10 hubgenen reguleren.
    1. Stel de mens in voor de soort. Voer de transcriptiefactoren en hub-genen in de module Multiple Proteins van STRING in, stel Homo sapiens in voor organismen en klik op DOORGAAN om een regulerend netwerk te genereren.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

De samengevoegde dataset, bestaande uit vier gezonde personen als controleurs en negen mensen met MS (PwMS), werd geanalyseerd en vervolgens gevalideerd in een andere dataset van vier PwMS en vier gezonde controles. Het analyseprotocol wordt weergegeven in figuur 1 en de gedetailleerde informatie van alle monsters wordt weergegeven in aanvullende tabel S1. Door middel van de analyse werden 706 differentieel tot expressie geb...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

Gezien zijn cruciale rol in het remyelinisatieproces, is al lang vastgesteld dat de migratie, differentiatie en dood van OPC's cruciale factoren zijn in de pathogenese van MS en therapeutische doelen van MS. Ontstekingsonafhankelijke progressieve zenuwdegeneratie is waargenomen bij alle drie de typen MS19, en een uitgesproken verlies van oligodendrocyten werd opgemerkt in het midden van gedemyeliniseerde laesies20, wat suggereert dat primai...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

De auteurs hebben geen tegenstrijdige belangen te verklaren die relevant zijn voor de inhoud van dit artikel.

Dankbetuigingen

Deze studie werd ondersteund en gefinancierd door National High Level Hospital Clinical Research Funding (2022-PUMCH-B-103). De auteurs willen Dr. Shuang Song, Department of Biostatistics, Harvard T. H. Chan School of Public Health, Harvard University, bedanken voor haar waardevolle advies en begeleiding in de herzieningsfase van dit artikel.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
BioInfoTools/online analyse website http://biowinford.site:3838/patrick_wang87/
Cytoscape/bioinformatics netwerkanalyse software
GSE196575,GSE147315 en GSE151306/RNA-seq van GEO dataset
OmicshareGENE DENOVOonline analyse tools https://www.omicshare.com/tools/Home/Soft/getsoft
R-studioRStudio, IncR geïntegreerde ontwikkelomgeving software

Referenties

  1. Fünfschilling, U., et al. Glycolytic oligodendrocytes maintain myelin and long-term axonal integrity. Nature. 485 (7399), 517-521 (2012).
  2. Nishiyama, A., et al. Polydendrocytes (NG2 cells): multifunctional cells with lineage plasticity. Nat Rev Neurosci. 10 (1), 9-22 (2009).
  3. Franklin, R. J. M., Ffrench-Constant, C. Remyelination in the CNS: from biology to therapy. Nat Rev Neurosci. 9 (11), 839-855 (2008).
  4. Lucchinetti, C., et al. A quantitative analysis of oligodendrocytes in multiple sclerosis lesions. A study of 113 cases. Brain. 122 (Pt 12), 2279-2295 (1999).
  5. Patrikios, P., et al. Remyelination is extensive in a subset of multiple sclerosis patients. Brain. 129 (Pt 12), 3165-3172 (2006).
  6. Starost, L., et al. Extrinsic immune cell-derived, but not intrinsic oligodendroglial factors contribute to oligodendroglial differentiation block in multiple sclerosis. Acta Neuropathol. 140 (5), 715-736 (2020).
  7. Niu, J., et al. Aberrant oligodendroglial-vascular interactions disrupt the blood-brain barrier, triggering CNS inflammation. Nat Neurosci. 22 (5), 709-718 (2019).
  8. Plastini, M. J., et al. Transcriptional abnormalities in induced pluripotent stem cell-derived oligodendrocytes of individuals with primary progressive multiple sclerosis. Front Cell Neurosci. 16, 972144(2022).
  9. Pisa, M., et al. Subclinical anterior optic pathway involvement in early multiple sclerosis and clinically isolated syndromes. Brain. 144 (3), 848-862 (2021).
  10. Vidal-Jordana, A., et al. Optical coherence tomography measures correlate with brain and spinal cord atrophy and multiple sclerosis disease-related disability. Eur J Neurol. 27 (11), 2225-2232 (2020).
  11. Stockwell, B. R. Ferroptosis turns 10: Emerging mechanisms, physiological functions, and therapeutic applications. Cell. 185 (14), 2401-2421 (2022).
  12. Thamizhoviya, G., Vanisree, A. J. Enriched environment enhances the myelin regulatory factor by mTOR signaling and protects the myelin membrane against oxidative damage in rats exposed to chronic immobilization stress. Neurochem Res. 46 (12), 3314-3324 (2021).
  13. Williams, R., et al. Pathogenic implications of iron accumulation in multiple sclerosis. J Neurochem. 120 (1), 7-25 (2012).
  14. Stojkovic, L., et al. Targeted RNAseq revealed the gene expression signature of ferroptosis-related processes associated with disease severity in patients with multiple sclerosis. Int J Mol Sci. 25 (5), 3016(2024).
  15. Ziabreva, I., et al. Injury and differentiation following inhibition of mitochondrial respiratory chain complex IV in rat oligodendrocytes. Glia. 58 (15), 1827-1837 (2010).
  16. Aboul-Enein, F., et al. Preferential loss of myelin-associated glycoprotein reflects hypoxia-like white matter damage in stroke and inflammatory brain diseases. J Neuropathol Exp Neurol. 62 (1), 25-33 (2003).
  17. Halder, S. K., Milner, R. Hypoxia in multiple sclerosis; is it the chicken or the egg. Brain. 144 (2), 402-410 (2021).
  18. Langfelder, P., Horvath, S. WGCNA: an R package for weighted correlation network analysis. BMC Bioinformatics. 9, 559(2008).
  19. Pisa, M., et al. Subclinical neurodegeneration in multiple sclerosis and neuromyelitis optica spectrum disorder revealed by optical coherence tomography. Mult Scler. 26 (10), 1197-1206 (2020).
  20. Lucchinetti, C., et al. Heterogeneity of multiple sclerosis lesions: implications for the pathogenesis of demyelination. Ann Neurol. 47 (6), 707-717 (2000).
  21. Aboul-Enein, F., Lassmann, H. Mitochondrial damage and histotoxic hypoxia: a pathway of tissue injury in inflammatory brain disease. Acta Neuropathol. 109 (1), 49-55 (2005).
  22. Jhelum, P., et al. Ferroptosis mediates cuprizone-induced loss of oligodendrocytes and demyelination. J Neurosci. 40 (48), 9327-9341 (2020).
  23. Zhang, D., et al. Evidence of pyroptosis and ferroptosis extensively involved in autoimmune diseases at the single-cell transcriptome level. J Transl Med. 20 (1), 363(2022).
  24. Luoqian, J., et al. Ferroptosis promotes T-cell activation-induced neurodegeneration in multiple sclerosis. Cell Mol Immunol. 19 (8), 913-924 (2022).
  25. Wu, T., et al. Role of ferroptosis in neuroimmunity and neurodegeneration in multiple sclerosis revealed by multi-omics data. J Cell Mol Med. 28 (10), e18396(2024).
  26. Zeng, L., et al. Advances in research on immunocyte iron metabolism, ferroptosis, and their regulatory roles in autoimmune and autoinflammatory diseases. Cell Death Dis. 15 (7), 481(2024).
  27. Neel, D. V., et al. Catching a killer: Mechanisms of programmed cell death and immune activation in Amyotrophic Lateral Sclerosis. Immunol Rev. 311 (1), 130-150 (2022).
  28. Liu, L., et al. Ferritinophagy-mediated hippocampus ferroptosis is involved in cognitive impairment in immature rats induced by hypoxia combined with propofol. Neurochem Res. 49 (7), 1703-1719 (2024).
  29. An, S., et al. HIF-1α induced by hypoxia promotes peripheral nerve injury recovery through regulating ferroptosis in DRG neuron. Mol Neurobiol. 61 (9), 6300-6311 (2024).
  30. Wang, L., et al. CXCR2 antagonism promotes oligodendrocyte precursor cell differentiation and enhances remyelination in a mouse model of multiple sclerosis. Neurobiol Dis. 134, 104630(2020).
  31. Merelli, A., et al. Understanding the role of hypoxia inducible factor during neurodegeneration for new therapeutics opportunities. Curr Neuropharmacol. 16 (10), 1484-1498 (2018).
  32. Huang, L., et al. miR19b-3p promotes the growth and metastasis of colorectal cancer via directly targeting ITGB8. Am J Cancer Res. 7 (10), 1996-2008 (2017).
  33. Li, J., et al. Exosomal circDNER enhances paclitaxel resistance and tumorigenicity of lung cancer via targeting miR-139-5p/ITGB8. Thorac Cancer. 13 (9), 1381-1390 (2022).
  34. Mazaheri, N., et al. Ameliorating effect of osteopontin on H2O2-induced apoptosis of human oligodendrocyte progenitor cells. Cell Mol Neurobiol. 38 (4), 891-899 (2018).
  35. Milner, R., et al. Fibronectin- and vitronectin-induced microglial activation and matrix metalloproteinase-9 expression is mediated by integrins alpha5beta1 and alphavbeta5. J Immunol. 178 (12), 8158-8167 (2007).
  36. Hrastelj, J., et al. CSF-resident CD4+ T-cells display a distinct gene expression profile with relevance to immune surveillance and multiple sclerosis. Brain Commun. 3 (3), fcab155(2021).
  37. Yan, L., Cui, Z. Integrin β1 and the repair after nervous system injury. Eur Neurol. 86 (1), 2-12 (2023).
  38. Birkner, K., et al. β1-Integrin- and KV1.3 channel-dependent signaling stimulates glutamate release from Th17 cells. J Clin Invest. 130 (2), 715-732 (2020).
  39. Zhang, Q., et al. Sp1-mediated upregulation of Prdx6 expression prevents podocyte injury in diabetic nephropathy via mitigation of oxidative stress and ferroptosis. Life Sci. 278, 119529(2021).
  40. Hadi, N., et al. Study of the correlation between miR-106a, miR-125b, and miR-330 on multiple sclerosis patients by targeting TNFSF4 and SP1 in NF-кb/TNF-α pathway: A case-control study. Cell J. 24 (7), 403-409 (2022).
  41. Asbelaoui, N., et al. Interplay between androgen and CXCR4 chemokine signaling in myelin repair. Acta Neuropathol Commun. 12 (1), 18(2024).
  42. Kaddatz, H., et al. Cuprizone-induced demyelination triggers a CD8-pronounced T cell recruitment. Glia. 69 (4), 925-942 (2021).
  43. Wang, W., et al. CD8+ T cells regulate tumour ferroptosis during cancer immunotherapy. Nature. 569 (7755), 270-274 (2019).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Tags

Ferroptose genenHypoxie geneniPSC afgeleide OPC sGenexpressieanalyseGewogen Gen coexpressiePI3K Akt mTOR signaalrouteProte ne prote ne interactieImmuuninfiltratie

Dit artikel is gepubliceerd

Video binnenkort beschikbaar

Neem contact met ons op
Aanbevelen aan de bibliotheek

Privacy

Gebruiksvoorwaarden

Beleidsoverzicht

Copyright © 2026 MyJoVE Corporation. Alle rechten voorbehouden.