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

Onderzoeksartikel

UPP1 als diagnostische biomarker: Inzichten uit integratieve bio-informatica en analyses van immuuninfiltratie bij COPD

62 weergaven

⸱

DOI:

10.3791/72242

⸱

3 september 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 dit artikel

Samenvatting

Deze studie presenteert een reproduceerbare bio-informatica-pipeline die transcriptomics, machine learning en immuuninfiltratie-analyse integreert om potentiële diagnostische biomarkers en regulatoire netwerken bij chronisch obstructieve longziekte (COPD) te identificeren.

Samenvatting

COPD is een progressieve ademhalingsziekte die wordt gekenmerkt door aanhoudende beperking van de luchtstroom en chronische ontsteking, maar de rol van N4-acetylcytidine (ac4C) RNA-modificatie in de pathogenese ervan is grotendeels nog niet onderzocht. Deze studie was erop gericht om systematisch te screenen op ac4C-gerelateerde genen (ac4C-RGs) uit een gepubliceerde database en hun regulerende netwerken bij COPD te onderzoeken, om zo potentiële biomarkers te identificeren voor verdere mechanistische studies, zonder uit te gaan van een directe regulerende relatie tussen een specifiek gen en ac4C-modificatie. Differentieel tot expressie gebrachte genen (DEGs) werden geïdentificeerd op basis van transcriptomische profielen, en weighted gene co-expression network analysis (WGCNA) werd toegepast om belangrijke co-expressiemodules te ontdekken. Er werd een kruisanalyse uitgevoerd tussen DEGs, significante modules en ac4C-RGs. Belangrijke genen werden gescreend met behulp van LASSO-regressie, XGBoost en random forest-algoritmen, gevolgd door de constructie van een diagnostisch model op basis van logistische regressie. De prestaties van het model werden geëvalueerd via receiver operating characteristic (ROC) curve-analyse, area under the curve (AUC) met 95% betrouwbaarheidsintervallen, beoordeling van de kalibratiecurve en decision curve analysis (DCA). In totaal werden 160 overlappende genen geïdentificeerd, en zes hub-genen (PTRF, PRKCDBP, UPP1, TOR3A, FAM168B en B4GALT2) werden consistent geselecteerd door alle drie de machine learning-algoritmen. Het diagnostische model vertoonde een goede discriminatieve prestatie, met AUC's van 0,766, 0,759 en 0,723 in respectievelijk de trainings-, interne test- en externe validatiesets. Regulatore netwerkanalyse suggereerde potentiële ceRNA-assen en interacties van transcriptiefactoren, terwijl immuuninfiltratieprofilering significante correlaties onthulde tussen belangrijke genen en meerdere immuuncel-subsets. Analyse van geneesmiddel-geninteracties en moleculaire docking wezen erop dat fluorouracil, capecitabine en 5-benzylacyclouridine mogelijk gunstige voorspelde bindingsaffiniteiten vertonen met UPP1. Concluderend werden PTRF, PRKCDBP, UPP1, TOR3A, FAM168B en B4GALT2 geïdentificeerd als potentiële ac4C-gerelateerde biomarkers bij COPD, mogelijk betrokken bij immuun- en metabole regulatie, wat een basis biedt voor toekomstige functionele onderzoeken en therapeutische exploratie.

Inleiding

COPD is een chronische en heterogene respiratoire aandoening die wordt gekenmerkt door een progressieve beperking van de luchtstroom als gevolg van afwijkingen in de alveolaire structuren en de luchtwegen1,2. Een protease-antiprotease-onbalans, oxidatieve stress, chronische ontsteking en cellulaire senescentie vormen de kern van de pathofysiologische mechanismen van COPD, wat leidt tot structurele destructie en functionele beperking van het longweefsel3,4. Bovendien wordt COPD beïnvloed door meerdere risicofactoren, waaronder langdurig roken, milieuvervuiling, beroepsmatige blootstelling, luchtweginfecties en genetische vatbaarheid5,6. COPD heeft een aanzienlijke last opgelegd aan de wereldeconomie. Er wordt voorspeld dat het tussen 2020 en 2050 jaarlijks 0,111% van het mondiale bbp zal beslaan7. Hoewel huidige therapeutische strategieën, zoals bronchodilatatoren, geïnhaleerde corticosteroïden, pulmonale rehabilitatie en langdurige zuurstoftherapie, de symptomen kunnen verlichten, blijft het stoppen van de ziekteprogressie een uitdaging. Vanwege de uitgesproken klinische heterogeniteit variëren de patiëntuitkomsten sterk8. Daarom zijn er dringend nieuwe diagnostische biomarkers en prognostische indicatoren nodig om het beheer van COPD te verbeteren en de overleving van patiënten te verhogen.

RNA-modificatie verwijst naar de chemische verandering van RNA-moleculen, die de RNA-structuur en -functie kan wijzigen om de genexpressie te reguleren9,10. Veelvoorkomende RNA-modificaties zijn onder meer N6-methyladenosine (m6A), pseudouridine (Ψ), 5-methylcytosine (m5C) en ac4C11. De ac4C-modificatie speelt een cruciale rol bij het behoud van de mRNA-stabiliteit en het bevorderen van de mRNA-translatie12,13. NAT10 is het enige bekende eukaryote enzym dat de ac4C-modificatie katalyseert, en de activiteit ervan is essentieel voor de vorming van deze modificatie14. Studies hebben een sterke correlatie aangetoond tussen oxidatieve stress, cellulaire senescentie, inflammatie en ac4C-modificatie. Zo vertonen CD4+ T-lymfocyten in colonweefsels van personen met inflammatoire darmziekten (IBD) duidelijk verhoogde niveaus van NAT1015. NAT10 versterkt de ac4C-acetylering van de chemokines CCL2 en CXCL1, waardoor de infiltratie van macrofagen en neutrofielen wordt bevorderd en de inflammatoire schade wordt verergerd16. De cellulaire respons op oxidatieve stress kan ac4C-modificatie omvatten, zoals blijkt uit de sterke toename van ac4C-niveaus onder oxidatieve stress. Daarnaast bevordert NAT10 PM2.5-geïnduceerde longfibrose door TGFB1 mRNA te stabiliseren via ac4C-modificatie, waardoor epitheliale-mesenchymale transitie wordt in gang gezet17. De rol van ac4C-modificatie bij COPD is echter grotendeels onontdekt, wat de noodzaak voor verder onderzoek op dit gebied benadrukt.

De GEO-database werd in deze studie gebruikt om DEGs te identificeren tussen COPD-patiënten en controles. Een gepubliceerde lijst van ac4C-RGs, samengesteld uit multiomics-data18, werd vervolgens geïntegreerd met de DEGs om overlappende kandidaten te identificeren. Gezien het feit dat ac4C-modificatie bekend staat om haar invloed op ontsteking en oxidatieve stress – sleutelprocessen bij COPD – hypotheseerden we dat genen die geassocieerd zijn met het ac4C-regulatienetwerk mogelijk ontreguleerd zijn bij COPD. De overlappende genen werden echter niet beschouwd als directe substraten van NAT10 of genen die direct door ac4C worden gereguleerd; in plaats daarvan werden ze beschouwd als kandidaten geassocieerd met het ac4C-gerelateerde netwerk. Sleutelgenen werden gescreend met behulp van meerdere machine learning-algoritmen, gevolgd door de constructie en validatie van een diagnostisch model. Vervolgens werden relevante pathways bepaald die betrokken zijn bij de pathogenese van COPD, en werden potentiële doelgerichte geneesmiddelen voorspeld. Tot slot werden RT-qPCR-assays uitgevoerd om de expressieniveaus van sleutelgenen te bevestigen, wat een eerste inzicht gaf in de pathofysiologie van COPD en potentiële wegen voor therapeutisch onderzoek.

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

Protocol

Verklaring van de ethische commissie

Deze studie is uitgevoerd in overeenstemming met de Verklaring van Helsinki. Het protocol is goedgekeurd door de Ethische Commissie van het Shenzhen Luohu Hospital of Traditional Chinese Medicine (goedkeuringsnummer 2024-LHQZYYYXLL-KY-039), en van alle deelnemers is voorafgaand aan de inschrijving schriftelijke geïnformeerde toestemming verkregen. Details over de gebruikte onderzoeksinstrumenten en materialen in dit protocol zijn terug te vinden in de Tabel met Materialen.

Gegevensbron en verwerking

Genexpressie-datasets gerelateerd aan COPD werden verkregen uit de Gene Expression Omnibus (GEO). De dataset GSE54837 werd gebruikt als transcriptome-dataset, en de dataset GSE112811 diende als validatieset (Tabel 1). De ac4C-RG's werden verzameld uit de literatuur18. DEGs tussen de COPD- en controlegroepen werden geïdentificeerd met behulp van het R-pakket limma. DEGs werden als statistisch significant beschouwd indien |log2FC| > 0 en p < 0,05. Volcano-plots werden gegenereerd om de algemene distributie van veranderingen in genexpressie te visualiseren.

Constructie van WGCNA

WGCNA werd uitgevoerd op de GSE54837-dataset met behulp van R om COPD-gerelateerde modules te identificeren. Voorafgaand aan de netwerkconstructie werden uitschieter-monsters geïdentificeerd en verwijderd via een hiërarchische clusteringanalyse met de hclust-functie, gebruikmakend van de average linkage-methode en een Euclidische afstandsterminologie. De optimale soft-thresholding power (β = 10) werd geselecteerd om een scale-free topology fit index R2 ≥ 0,85 te bereiken, waarbij een balans werd gezocht tussen de schaalvrije topologie en de gemiddelde connectiviteit. Er werd een adjacentiematrix opgesteld en getransformeerd naar een topologische overlapmatrix (TOM). Genmodules werden geïdentificeerd met het dynamic tree-cutting-algoritme (deepSplit = 2, minClusterSize = 50). Modules met eigengene-correlaties > 0,75 werden vervolgens samengevoegd met de mergeCloseModules-functie. De module-eigengenes werden daarna gecorreleerd met klinische kenmerken (COPD-status, leeftijd, geslacht en rookstatus) met behulp van Pearson-correlatiecoëfficiënten om COPD-geassocieerde modules voor verdere analyse te identificeren.

Screening, verrijkingsanalyse en PPI-netwerkanalyse van overlappende genen

Er werd een Venn-diagram gegenereerd met het R-pakket ggvenn om genen te identificeren die overlappen tussen de DEGs, MEsalmon-modulegenen en ac4C-RGs. Functionele verrijkingsanalyse van de overlappende genen werd uitgevoerd met behulp van de Gene Ontology (GO) en Kyoto Encyclopedia of Genes and Genomes (KEGG) databases met het R-pakket clusterProfiler. Informatie over eiwit-eiwitinteracties (PPI) werd verkregen uit de STRING-database (https://string-db.org/) om interacties op eiwitniveau tussen de overlappende genen te analyseren. Cytoscape-software werd gebruikt om het resulterende PPI-netwerk te visualiseren.

Identificatie van sleutelgenen via machine learning

Er werden drie machinelearningtechnieken toegepast: least absolute shrinkage and selection operator (LASSO)-regressie, extreme gradient boosting (XGBoost) en random forest (RF). LASSO-regressie werd geïmplementeerd met het glmnet-pakket, waarbij 10-voudige kruisvalidatie werd gebruikt om de optimale strafparameter λ te bepalen. De parameter type.measure werd ingesteld op "deviance" en de parameter family op "binomial". De optimale λ werd geselecteerd op basis van het λmin-criterium, dat de kruisgevalideerde deviantie minimaliseert, wat resulteerde in 17 genen. XGBoost werd uitgevoerd met het xgboost-pakket met de volgende hyperparameters: nrounds = 100, max_depth = 6, eta = 0,3, subsample = 0,8, colsample_bytree = 0,8 en eval_metric = "logloss". De belangrijkheid van kenmerken werd gerangschikt op basis van de gain-metriek, waarbij de top 30 genen werden geselecteerd. Random forest werd geïmplementeerd met het randomForest-pakket met ntree = 200. De belangrijkheid van kenmerken werd gerangschikt op basis van de gemiddelde afname in Gini, waarbij de top 30 genen werden geselecteerd. De door de drie machinelearningmethoden geselecteerde genen werden met elkaar gesneden om sleutelgenen te identificeren voor daaropvolgende analyses.

Het opbouwen en beoordelen van het logistische regressiemodel voor risicovoorspelling

De GSE54837-dataset werd willekeurig verdeeld in een trainingsset (70%) en een testset (30%). Er werd een logistisch regressiemodel opgebouwd op basis van de trainingsset met behulp van de glm-functie uit het MASS-pakket, waarbij de expressieniveaus van sleutelgenen als inputkenmerken dienden. De prestaties van het model werden geëvalueerd met ROC-curves die zijn gegenereerd met het pROC-pakket. De 95% betrouwbaarheidsintervallen voor de AUC werden berekend via 2.000 bootstrap-replicaten. De kalibratie van het model werd beoordeeld met kalibratiecurves die zijn gegenereerd met 1.000 bootstrap-resamples (rms-pakket). DCA werd uitgevoerd met het dca-pakket om het netto klinische voordeel over een reeks drempelwaarschijnlijkheden te evalueren. Er werd een nomogram geconstrueerd met behulp van de nomogram-functie uit het rms-pakket om geïndividualiseerde risicoschatting te vergemakkelijken.

De regressievergelijking was:

logit(P) = 0.5823 + 0.6010 × UPP1 - 0.6563 × PTRF + 0.3853 × B4GALT2 - 0.3972 × FAM168B + 0.1848 × PRKCDBP - 0.4787 × TOR3A.   (1)

Hierbij staat P voor de voorspelde waarschijnlijkheid van COPD, en elke coëfficiënt staat voor de bijdrage van de overeenkomstige genexpressiewaarde aan de log odds van COPD.

Expressieanalyse, GeneMANIA-netwerk en moleculair regulatoir netwerk

Genexpressieniveaus tussen de COPD- en controlegroepen in de GSE54837-dataset werden vergeleken met behulp van de Wilcoxon rank-sum test. Boxplots werden gegenereerd met het ggplot2-pakket om de distributie van de expressieniveaus te visualiseren, waarbij de mediaan, het interkwartielbereik (IQR) en individuele datapunten werden weergegeven. GeneMANIA werd gebruikt om gennetwerken te construeren en functionele interacties te voorspellen. De zoekopdracht werd uitgevoerd met standaardparameters: species = Homo sapiens, maximum aantal gerelateerde genen = 20. Het resulterende netwerk werd gedownload en gevisualiseerd, waarbij de kleuren van de verbindingen de interactietypes aangeven. Er werd een competitief endogeen RNA (ceRNA)-netwerk geconstrueerd om post-transcriptionele regulatiemechanismen te onderzoeken. miRNA's die zich richten op de zes sleutelgenen werden voorspeld met behulp van twee onafhankelijke databases: DIANA-microT (score ≥ 0,8) en miRanda (score ≥ 140, energie ≤ −20 kcal/mol). De intersectie van miRNA's die door beide databases waren geïdentificeerd, werd gebruikt om miRNA-mRNA-paren te construeren. Vervolgens werden lncRNA's die zich richten op deze miRNA's voorspeld met behulp van de StarBase-database. Een lncRNA-miRNA-mRNA-regulatienetwerk werd geconstrueerd en gevisualiseerd met Cytoscape. Transcriptionele regulatierelaties werden voorspeld met behulp van ChIP-X Enrichment Analysis Version 3 (ChEA3). Voor elk sleutelgen met voorspelde TF's werden de top 10 transcriptiefactoren met de hoogste enrichment-scores geselecteerd. Er werd een TF-target-regulatienetwerk geconstrueerd in Cytoscape.

Gene set enrichment-analyse en beoordeling van immuuncelinfiltratie

Gene set enrichment analysis (GSEA) werd uitgevoerd met het clusterProfiler-pakket om de biologische functies van elk sleutelgen te onderzoeken. Voor elk sleutelgen werden de monsters verdeeld in groepen met een hoge en lage expressie op basis van de mediaanwaarde. Differentiele expressieanalyse tussen de twee groepen werd uitgevoerd met limma, en de resulterende genenlijst werd gerangschikt op basis van de signed log₂ fold-change. GSEA werd uitgevoerd met de gseGO-functie voor GO-biologische proces termen en de gseKEGG-functie voor KEGG-paden, met de volgende parameters: minGSSize = 10, maxGSSize = 500, pvalueCutoff = 0,05 en nPerm = 1.000. De relatieve abundantie van 28 immuunceltypen werd geschat met single-sample gene set enrichment analysis (ssGSEA), geïmplementeerd in het GSVA-pakket. Een gecureerde genenset-signatuurmatrix bestaande uit markergenen voor 28 immuunceltypen werd verkregen uit eerdere literatuur19. Voor elk monster werd de gsva-functie toegepast met method = "ssgsea", ssgsea.norm = TRUE en kcdf = "Gaussian". Spearman-correlatiecoëfficiënten tussen de ssGSEA-enrichment scores en de expressieniveaus van de zes sleutelgenen werden berekend met de cor.test-functie. De p waarden werden gecorrigeerd voor meervoudig testen met de Benjamini-Hochberg-methode. De correlatiematrix werd gevisualiseerd als een heatmap met behulp van het pheatmap-pakket.

Medicijnvoorspelling, moleculaire docking en ziekteassociatieanalyse

Potentiële therapeutische verbindingen die zich richten op sleutelgenen werden geïdentificeerd met behulp van de DrugBank-database. Een interactienetwerk van "medicijnen gericht op sleutelgenen" werd geconstrueerd in Cytoscape om voorspelde interacties tussen medicijnen en genen te visualiseren. Moleculaire docking werd uitgevoerd met het CB-Dock2-platform om bindingsaffiniteiten te beoordelen. De 3D-proteïnestructuur van humaan UPP1 werd opgehaald uit de Protein Data Bank (PDB ID: 7B8T). Moleculaire structuren van medicijnen (SMILES-formaat) werden verkregen via PubChem. Docking werd uitgevoerd met de AutoDock Vina-engine en de resultaten werden gerangschikt op basis van de vrije bindingsenergie (ΔG, in kcal/mol). Dockingcomplexen werden gevisualiseerd met PyMOL. Associaties tussen sleutelgenen en menselijke ziekten gerelateerd aan blootstelling aan omgevingsfactoren werden onderzocht met behulp van de Comparative Toxicogenomics Database (CTD). Elk gen werd afzonderlijk opgevraagd, waarna de tien sterkst geassocieerde ziekten werden geëxtraheerd en gevisualiseerd met behulp van radardiagrammen.

RT-qPCR protocol

Perifere veneuze bloedmonsters werden verzameld van acht COPD-patiënten en acht gezonde controles in het Shenzhen Luohu Hospital of Traditional Chinese Medicine. COPD werd gediagnosticeerd volgens de criteria van de Global Initiative for Chronic Obstructive Lung Disease (GOLD), gedefinieerd als een post-bronchodilator FEV1/FVC < 0,70. De controlegroep bestond uit gezonde vrijwilligers, matchend op leeftijd en geslacht, zonder voorgeschiedenis van respiratoire aandoeningen en met normale longfunctietests (FEV1% voorspeld ≥ 80% en FEV1/FVC ≥ 0,70). De basisinformatie van de patiënten wordt weergegeven in Tabel 2. Totaal RNA werd geëxtraheerd uit de COPD-bloedmonsters met behulp van een blood RNA extraction kit. Voor de cDNA-synthese werden 500 ng totaal RNA reverse-getranscribeerd met een cDNA synthesis kit inclusief verwijdering van genomisch DNA, volgens het bijgeleverde protocol. Het resulterende cDNA werd verdund tot 150 ng/μL.

RT-qPCR werd uitgevoerd met een SYBR Green-gebaseerde qPCR master mix op een real-time PCR-systeem. Elke reactie van 10 μL bevatte 5 μL 2x SYBR Green master mix, 0,5 μL van respectievelijk de forward- en reverse-primers (10 μM), 1 μL verdund cDNA (15 ng/μL) en 3 μL nucleasevrij water. De cycluscondities bestonden uit een initiële denaturatie bij 95 °C gedurende 5 min, gevolgd door 40 cycli van 95 °C gedurende 10 s en 60 °C gedurende 30 s, met een uiteindelijke smeltcurve-analyse van 60 °C tot 95 °C om de specificiteit van de amplificatie te verifiëren. Alle reacties werden in technische triplicaten uitgevoerd. β-actin werd gebruikt als intern referentiegen. De primerefficiëntie voor elk doelgen werd gevalideerd met behulp van standaardcurve-verdunningsreeksen en varieerde van 90% tot 110%. Genexpressieniveaus werden genormaliseerd naar β-actin, en de relatieve expressie werd berekend met de 2-ΔΔCt methode. Statistische vergelijkingen tussen de COPD- en controlegroepen werden uitgevoerd met de Mann-Whitney U-toets.

Statistische analyse

Netwerkvisualisaties werden gemaakt met Cytoscape en statistische analyses werden uitgevoerd met R-software. Tenzij anders aangegeven, werd de Mann-Whitney U-toets gebruikt voor niet-normaal verdeelde gegevens en de t-toets van Student voor normaal verdeelde gegevens om twee groepen te vergelijken. Een waarde van p < 0,05 werd beschouwd als statistisch significant.

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

Resultaten

Identificatie van overlappende genen, verrijkingsanalyse en constructie van het PPI-netwerk

Uit de GSE54837-dataset werden 3.371 DEGs geïdentificeerd, waaronder 1.675 upgereguleerde en 1.696 downgereguleerde DEGs. De top 10 genen met de meest significante up- en downregulatie worden getoond in Figuur 1A. Er werd hiërarchische clustering uitgevoerd op de GSE54837-gegevens (Aanvullende Figuur 1A), en er werd een soft-thresholding po...

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

Discussie

De geconserveerde RNA-modificatie ac4C, die voornamelijk voorkomt in boodschapper-RNA (mRNA) en transfer-RNA (tRNA), verbetert de mRNA-stabiliteit en translatie-efficiëntie20. NAT10 is de enige bekende RNA-acetyltransferase die de ac4C-modificatie medieert21. Studies hebben aangetoond dat NAT10 is opgereguleerd in longepitheelcellen van COPD-patiënten. Knockdown van NAT10 verstoort de mitochondriale functie en transcriptomische responsen22. Op basis ...

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

Openbaarmakingen

De auteurs verklaren geen belangenconflicten. Geïnformeerde toestemming is verkregen van alle proefpersonen die aan de studie hebben deelgenomen.

Dankbetuigingen

Wij danken het Shenzhen Luohu Hospital of Traditional Chinese Medicine voor het ter beschikking stellen van de klinische faciliteiten en de administratieve ondersteuning die essentieel waren voor deze studie. Ten slotte zijn wij dankbaar aan alle patiënten en gezonde vrijwilligers die aan dit onderzoek hebben deelgenomen; hun bijdrage was onmisbaar voor dit werk. Dit werk werd ondersteund door het Sanming Project of Medicine in Shenzhen (No. SZZYSM202401018), de Luohu District Priority Specialty Funds (No. LX202402021) en de Luohu District Priority Specialty Funds (No. LX202302064).

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

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
β-actine-primersTsingkeOmdat er geen brontekst is verstrekt, kan ik geen vertaling produceren. Voer aub de tekst in die u vertaald wilt hebben.Voorwaarts: 5’-CATGTACGTTGCTATCCAGGC-3’
Omkeren: 5’-CTCCTTAATGTCACGCACGAT-3’
B4GALT2-primersTsingkeOmdat er geen brontekst is verstrekt, kan ik geen vertaling produceren. Lever alstublieft de Engelse tekst aan die u vertaald wilt hebben naar het Nederlands.Voorwaarts: 5’-GGGCAGACTGCTGATCGAG-3’
Omkeren: 5’-CCGGTGTCTAAAGGGGATGAT-3’
CB-Dock2LabShareOnlineMoleculaire docking
clusterProfilerBioconductorv4.14.6Enrichmingsanalyse
CytoscapeCytoscape Consortiumv3.8.3Netwerkvisualisatie
DrugBankUniversity of AlbertaOnlineMedicamentvoorspelling
FAM168B-primersTsingkeOmdat u geen brontekst heeft verstrekt, is er geen inhoud om te vertalen. Voer aub de Engelse tekst in die u naar het Nederlands vertaald wilt hebben.Voorwaarts: 5’-TCTGGGGTTCCCTATGCAAAT-3’
Omkeer: 5’-GTAGGATTCGCTCCAGGATACA-3’
glmnetCRANv4.1LASSO-regressie
GSVA (Gene Set Variation Analysis)Bioconductorv1.52.3ssGSEA-analyse
Hifair III Supermix voor synthese van de eerste cDNA-strengGisten11141EScDNA-synthese
Hieff RTPCR SYBR Green Master MixYEASEN11201ESqPCR-amplificatie
limmaBioconductorv3.54.0Differentiële expressie
LightCycler 480 II-systeemRocheLightCycler 480 IIReal-time PCR
PTRF-primersTsingkeOmdat er geen brontekst is verstrekt, kan ik geen vertaling produceren. Voer aub de Engelse tekst in die u vertaald wilt hebben.Voorwaarts: 5’-GGGCCGTAGACCAGATCCA-3’
Omkeren: 5’-CTTGCTCACCGTATTGCTCGT-3’
PRKCDBP-primersTsingkeOmdat er geen brontekst is verstrekt, kan ik geen vertaling produceren. Voer aub de Engelse tekst in die u vertaald wilt hebben naar het Nederlands.Voorwaarts: 5’-CACGTTCTGCTCTTCAAGGAG-3’
Omkeren: 5’-TGTACCTTCTGCAATCCGGTG-3’
R-softwareR Foundationv4.4.2Statistische informatica
randomForestCRANv4.7Random Forest
RNA-isolatiekit MolPure Blood RNA KitGISTEN19241ES50RNA-extractie
STRING-databaseEMBLOnlinePPI-netwerk
TOR3A-primersTsingkeOmdat er geen brontekst is verstrekt, kan ik geen vertaling produceren. Stuur a.u.b. de Engelse tekst die u vertaald wilt hebben.Voorwaarts: 5’-CCCTTGCTCTGTCGTTCCAC-3’
Omgekeerd: 5’-CCCGTCCCGATACAGGTTC-3’
UPP1-primersTsingkeOmdat er geen brontekst is verstrekt, kan ik geen vertaling uitvoeren. Voer a.u.v. de tekst in die u vertaald wilt hebben.Voorwaarts: 5’-CTGTCAGTCATGGTATGGGCA-3’
Omkeren: 5’-GAGCACCGGGCATAGTACA-3’
WGCNA (Weighted Gene Co-expression Network Analysis)CRANv1.72Co-expressienetwerk
XGBoostCRANv1.7XGBoost-algoritme

Referenties

  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.

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

Herprints en machtigingen

Tags

UPP1-biomarkerCOPD-diagnoseac4C RNA-modificatiegen-co-expressiemachine learning-biomarkersregulatoire netwerkanalyseimmuuncel-profileringgeneesmiddel-gen-interactie
Neem contact met ons op
Aanbevelen aan de bibliotheek

Privacy

Gebruiksvoorwaarden

Beleidsoverzicht

Copyright © 2026 MyJoVE Corporation. Alle rechten voorbehouden.