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

Onderzoeksartikel

Identificatie van hubgenen gerelateerd aan veroudering en mitochondriën bij gedilateerde cardiomyopathie

55 weergaven

⸱

DOI:

10.3791/72286

⸱

25 augustus 2026

1Henan University of Chinese Medicine, 2The Second Affiliated Hospital of Henan University of Chinese Medicine

In dit artikel

Samenvatting

Dit protocol integreert multidimensionale transcriptomische gegevens met machine learning om verouderings- en mitochondrië-gerelateerde genen in gedilateerde cardiomyopathie te identificeren voor de ontdekking van biomarkers en moleculaire subtypering.

Samenvatting

Gedilateerde cardiomyopathie (DCM) wordt gekenmerkt door dilatatie van de linker ventrikel en systolische dysfunctie en is geassocieerd met mitochondriële dysfunctie en immuun-inflammatoire activatie. Echter zijn de verouderingsgerelateerde moleculaire signaturen en mitochondriële regulatiestromen bij DCM nog onvoldoende begrepen. In deze studie werden zes bulk-transcriptomische datasets en één single-cell RNA-sequencing dataset uit de Gene Expression Omnibus-database geanalyseerd. Na datanormalisatie, batchcorrectie en celtype-annotatie werden verouderings- en mitochondriën-gerelateerde kandidaatgenen geïdentificeerd middels differentiële expressieanalyse, weighted gene co-expression network analysis en de constructie van proteïne-proteïne interactienetwerken. Kerngenen werden verder gescreend met behulp van least absolute shrinkage and selection operator regressie, random forest en support vector machine-recursive feature elimination. Analyses van immuuncelinfiltratie, cel-celcommunicatie en moleculaire subtypering werden uitgevoerd om de cardiale immuunmicro-omgeving bij DCM te karakteriseren. In totaal werden 66 verouderingsgerelateerde genen en 16 mitochondriën-gerelateerde genen geassocieerd met DCM, welke hoofdzakelijk verrijkt waren in de hypoxia-inducible factor-1 signalering, oxidatieve fosforylering en stikstofoxidesynthase-gerelateerde pathways. Machine learning en single-cell RNA-sequencing analyses identificeerden SERPINE1, TGFB2, CYBB en TLR2 als kerngenen. CYBB en TLR2 waren sterk tot expressie gebracht in monocyten en macrofagen, terwijl SERPINE1 en TGFB2 voornamelijk tot expressie kwamen in stromale cellen. Analyse van het immuunlandschap toonde een verhoogde pro-inflammatoire macrofaagactivatie en een veranderde cel-celcommunicatie in DCM-monsters. Op basis van de expressie van kerngenen werden DCM-monsters verdeeld in twee moleculaire subtypes, respectievelijk geassocieerd met vasculaire endotheliale groeifactor-signalering en primaire galzuurbiosynthese. Dit protocol biedt een geïntegreerd kader voor het identificeren van kandidaatbiomarkers en moleculaire subtypes bij DCM.

Inleiding

Dilate cardiomyopathie (DCM) is een myocardiale aandoening die wordt gekenmerkt door dilatatie van de linker ventrikel en een verminderde systolische functie. Het is de op een na meest voorkomende oorzaak van hartfalen en de belangrijkste indicatie voor harttransplantatie wereldwijd1. Populatiegebaseerde studies schatten de prevalentie op ongeveer 1 op de 250 volwassenen, met een hogere prevalentie bij mannen en een aanzienlijk deel van de gevallen dat toe te schrijven is aan monogene varianten2. Deze bevindingen wijzen erop dat zowel genetische vatbaarheid als omgevingsfactoren bijdragen aan het ontstaan en de progressie van DCM.

De pathogenese van DCM omvat onderling verbonden processen, waaronder inflammatoire activatie, oxidatieve stress, apoptose van cardiomyocyten en ontregelde profibrotische signalering. Inflammatoire genetische polymorfismen, waaronder varianten in de promoter van tumornecrosefactor-α, zijn geassocieerd met de vatbaarheid voor virale DCM3. Verhoogde oxidatieve stress is eveneens geassocieerd met de dood van cardiomyocyten en linkerventrikeldisfunctie bij menselijke DCM-subtypes4. Daarnaast bevordert aberrante activatie van Wnt/β-catenin- en calcineurine/nuclear factor of activated T cells-signalering myocardiale hypertrofie en interstitiële fibrose, wat bijdraagt aan de progressie van de ziekte5,6. Mitochondriële dysfunctie is een andere belangrijke component van DCM, aangezien cardiomyocyten een hoge energiebehoefte hebben. Verstoring van de mitochondriële biogenese, calciumhomeostase, mitofagie en de integriteit van het mitochondriële DNA kan de oxidatieve fosforylering belemmeren en bijdragen aan progressieve cardiale dysfunctie7,8,9,10.

Ondanks deze mechanistische bevindingen blijven er belangrijke kennishiaat bestaan. In het bijzonder zijn de temporele en causale relaties tussen mitochondriale structurele remodellering en bioenergetische dysfunctie tijdens de initiatie en progressie van DCM nog niet volledig gedefinieerd11. Verschillende therapeutische strategieën zijn onderzocht. Stamceltherapie heeft regeneratief potentieel getoond via paracriene, cytoprotectieve en immunomodulerende effecten, maar optimalisatie van celbronnen, toedieningsroutes en overleving na transplantatie blijft noodzakelijk12. Gentherapeutische benaderingen, waaronder levering op basis van adeno-geassocieerde virussen en genoomredigering op basis van clustered regularly interspaced short palindromic repeats, bieden evenzo potentiële precisbehandelingsstrategieën. Beperkingen met betrekking tot cardiale tropisme, vectorimmunogeniciteit en veiligheid op lange termijn blijven echter onopgelost13.

Openbare transcriptomische datasets uit repositories zoals de Gene Expression Omnibus (GEO) worden op grote schaal gebruikt voor de ontdekking van biomarkers bij DCM. Deze bronnen bieden toegang tot multicentrische klinische cohorten, ondersteunen kosteneffectieve en reproduceerbare onderzoeken en kunnen de statistische power verhogen door middel van cross-dataset integratie14. Transcriptomische profilering maakt bovendien genoombrede screening van kandidaatgenen, moleculaire subtypering en analyse op routeniveau mogelijk15. Openbare datasets hebben echter inherente beperkingen, waaronder technische batch-effecten, klinische en etiologische heterogeniteit, een beperkte capaciteit voor causale inferentie en onvolledige longitudinale of prognostische informatie16. Daarom zijn bevindingen afgeleid van openbare transcriptomische datasets het meest geschikt voor het genereren van hypothesen en het prioriteren van kandidaat-biomarkers, en vereisen zij validatie in onafhankelijke cohorten en experimentele modellen.

Veel bio-informatische studies naar DCM vertrouwen primair op differentiële expressieanalyse, wat kan leiden tot fout-positieve resultaten en geen volledig beeld geeft van gen-co-expressienetwerken of cellulaire heterogeniteit binnen het hartweefsel. Om deze beperkingen aan te pakken, maakte de huidige studie gebruik van een geïntegreerde analytische strategie waarin complementaire methoden werden gecombineerd. Bulk-transcriptomanalyse verschaft expressieprofielen op weefselniveau die geschikt zijn voor case-controlvergelijkingen. Weighted gene co-expression network analysis (WGCNA) identificeert genmodules die geassocieerd zijn met fenotypische kenmerken en maakt het mogelijk om functioneel gerelateerde gensets prioriteit te geven in plaats van individuele differentieel tot expressie gebrachte genen. Protein-protein interaction (PPI)-netwerkanalyse identificeert sterk verbonden genen op basis van de netwerktopologie. Drie machine learning-algoritmen — least absolute shrinkage and selection operator regressie, random forest en support vector machine-recursive feature elimination — werden gebruikt om kandidaat-biomarkers in de geïntegreerde datasets te identificeren¹⁷. Single-cell RNA-sequencing (scRNA-seq) werd vervolgens ingezet om celtype-specifieke expressiepatronen en intercellulaire communicatienetwerken te onderzoeken18.

Hoewel mitochondriële dysfunctie en verouderingsgerelateerde moleculaire veranderingen afzonderlijk zijn onderzocht bij DCM, blijven hun gecombineerde associaties met ziektegerelateerde transcriptionele veranderingen onvoldoende verkend. De huidige studie integreerde meerdere bulk-transcriptomische en scRNA-seq-datasets om verouderings- en mitochondrië-gerelateerde hub-genen bij DCM te identificeren, de cardiale immuunmicro-omgeving te karakteriseren en moleculaire subtypen te onderzoeken op basis van de geïdentificeerde genen. Deze geïntegreerde aanpak werd gebruikt om kandidaat-biomarkers te prioriteren en een basis te bieden voor daaropvolgende mechanistische en validatiestudies.

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

Protocol

Alle dierprocedures zijn beoordeeld en goedgekeurd door de Ethiekcommissie voor Laboratoriumdieren van het Tweede Affiliated Hospital van de Henan University of Chinese Medicine (Goedkeuringsnr. HNSZYYYJS2023011150). Alle procedures zijn uitgevoerd in overeenstemming met de Richtlijnen voor Ethische Beoordeling van Laboratoriumdierenwelzijn (GB/T 35892-2018) en de 3R-principes van Replacement, Reduction en Refinement. De reagentia, databases, software en apparatuur die in deze studie zijn gebruikt, staan vermeld in de Tabel met materialen. 

1. Databronnen en experimentele materialen
Mannelijke SPF-grade CTNTR141W transgene muizen met een spontaan fenotype van gedilateerde cardiomyopathie (DCM) en een lichaamsgewicht van 25 ± 2 g werden gebruikt als modelgroep. Leeftijdsmatchende mannelijke SPF-grade C57BL/6J muizen met een lichaamsgewicht van 25 ± 2 g werden gebruikt als controlegroep. Elke groep bestond uit 12 muizen. Alle dieren werden verkregen van instellingen met geldige vergunningen voor de productie van laboratoriumdieren en werden gehuisvest in een SPF-grade barrièreomgeving bij 22 ± 2 °C en een relatieve vochtigheid van 40%–60% onder een licht/donkercyclus van 12 u, met vrije toegang tot gesteriliseerd voer en water. Na 1 week acclimatisatie werden alle muizen gedurende nog eens 4 weken onder dezelfde omstandigheden gehouden voorafgaand aan de beoordeling van de hartfunctie en de monstername. Alle muizen waren 6–8 weken oud bij aanvang van het experiment. De muizen werden diep geanestheseerd en geëuthanaseerd door cervicale dislocatie.

Zeven openbare transcriptomische datasets van myocardweefsel uit de linker ventrikel van patiënten met DCM werden opgehaald uit de Gene Expression Omnibus (GEO)19 database. Deze datasets bestonden uit zes bulk-transcriptomische datasets en één single-cell RNA-sequencing (scRNA-seq) dataset, GSE145154. Zowel CD45-positieve als CD45-negatieve fracties werden in de analyse meegenomen. Beide CD45-positieve en CD45-negatieve cel-fracties werden gecombineerd vóór clustering. De monsteridentiteit werd gebruikt als de belangrijkste batchvariabele voor Harmony-integratie. Normale monsters van de linker ventrikel en monsters van de linker ventrikel met DCM uit GSE145154 werden opgenomen, specifiek GSM4307515, GSM4307516, GSM4307520 en GSM4307521. De in deze studie gebruikte datasets waren GSE145154, GSE5406, GSE42955, GSE57338, GSE79962, GSE116250 en GSE141910. Alle monsters die geen DCM betroffen werden uitgesloten, en alleen controlemonsters (controlegroep) en DCM-monsters (DCM-groep) werden behouden. Er werden geen monsters verwijderd na kwaliteitscontrole. De monsterinformatie van de opgenomen GEO-datasets is als volgt samengevat: GSE5406 bevatte 102 monsters (16 controle- en 86 DCM-monsters); GSE42955 bevatte 17 monsters (5 controle- en 12 DCM-monsters); GSE57338 bevatte 231 monsters (136 controle- en 95 DCM-monsters); GSE79962 bevatte 20 monsters (11 controle- en 9 DCM-monsters); GSE116250 bevatte 51 monsters (14 controle- en 37 DCM-monsters); en GSE141910 bevatte 322 monsters (161 controle- en 161 DCM-monsters).

2. Preprocessing van bulk-transcriptoomgegevens
Ruwe expressiematrices en klinische annotatiebestanden voor de zes bulk-datasets werden gedownload met behulp van het GEOquery-pakket20. Voor de Affymetrix-microarray-datasets werden ruwe CEL-bestanden opgehaald, en voor de RNA-seq-datasets werden ruwe count-matrices opgehaald. Achtergrondcorrectie, kwantielnormalisatie en expressieberekening voor de microarray-gegevens werden uitgevoerd met het robust multi-array average-algoritme, geïmplementeerd in het affy-pakket21.

RNA-seq countdata werden genormaliseerd met de trimmed mean of M-values methode in het edgeR-pakket22 en omgezet naar log₂-getransformeerde counts per million waarden. Probe-identificatoren werden omgezet naar officiële gensymbolen met behulp van platformspecifieke annotatiebestanden. Wanneer meerdere probes aan hetzelfde gen waren gekoppeld, werd de gemiddelde expressiewaarde berekend.

Technische batch-effecten tussen datasets werden verwijderd met behulp van het ComBat-algoritme in het sva-pakket23. De bron van de dataset en het detectieplatform werden gespecificeerd als batch-factoren. Principal component analysis werd uitgevoerd vóór en na de batchcorrectie om de effectiviteit van de verwijdering van batch-effecten te evalueren.

3. Preprocessing van single-cell transcriptoomgegevens en celannotatie
De genexpressiematrix uit GSE145154 werd geïmporteerd in Seurat om een Seurat-object te construeren met Seurat versie 524. Cellen van lage kwaliteit werden uitgesloten op basis van de volgende drempelwaarden: 200–6.000 gedetecteerde genen per cel, een totaal aantal unieke moleculaire identifiers groter dan 500, en een percentage mitochondriale genen lager dan 25%. Cellen die buiten deze kwaliteitscontrole-drempelwaarden vielen, werden uitgesloten als cellen van lage kwaliteit of geruptureerde cellen. We hebben cellen van lage kwaliteit uitsluitend uitgesloten op basis van de hierboven beschreven kwaliteitscontrole-drempelwaarden.

Log-normalisatie werd uitgevoerd met de functie NormalizeData met een schaalfactor van 10.000. De 3.000 meest variabele genen werden geselecteerd met de functie FindVariableFeatures middels de vst-methode. De gegevens werden geschaald met ScaleData, gevolgd door principale componentenanalyse voor lineaire dimensionaliteitsreductie.

Batch-effecten werden gecorrigeerd met het Harmony-algoritme25 via de RunHarmony-functie, waarbij de monsteridentiteit werd gespecificeerd als de groeperingsvariabele. De eerste 15 hoofdcomponenten werden gebruikt om cellen te clusteren met de functies FindNeighbors en FindClusters. De clustering werd uitgevoerd met het Leiden-algoritme bij een resolutie van 0,15. Niet-lineaire dimensionaliteitsreductie en visualisatie werden uitgevoerd met uniform manifold approximation and projection.

Celtypen werden geannoteerd met behulp van canonieke markergenen in combinatie met geautomatiseerde annotatie via het SingleR-pakket26. De markergenen waren als volgt: B-cellen, IGKC, MS4A1 en CD79A; cardiomyocyten, TNNI3, MYL2 en ACTC1; endotheelcellen, VWF, PECAM1 en EGFL7; macrofagen, C1QC, C1QB en C1QA; monocyten, S100A8, S100A9 en G0S2; natural killer-cellen, NKG7, GNLY en CCL5; gladde spiercellen, MYL9, TAGLN en ACTA2; stromale cellen, FBLN1, LUM en DCN; en T-cellen, CD3E, CD3G en CD3D.

4. Differentieel expressie-analyse en gene set enrichment scoring
Er werd een lineair model geconstrueerd met behulp van het limma-pakket27 om de genexpressie tussen de DCM-groep en de gezonde controlegroep te vergelijken. Genen met een P-waarde < 0,05 en een absolute fold change groter dan 1,5, wat overeenkomt met een absolute log₂ fold change groter dan 0,58, werden gedefinieerd als significant differentieel tot expressie gebracht.

Er werd een single-sample gene set enrichment analysis uitgevoerd om de enrichment scores voor de verouderingsgerelateerde en mitochondria-gerelateerde genensets in elk monster te berekenen28. Verschillen in enrichment scores tussen de DCM-groep en de gezonde controlegroep werden geëvalueerd met de Wilcoxon rank-sum test, waarbij een P-waarde < 0,05 als statistisch significant werd beschouwd.

Op single-cell niveau werden de scores voor verouderingsgerelateerde en mitochondriale modules berekend met de AddModuleScore-functie in Seurat. Verschillen in modulescores tussen groepen werden beoordeeld met de Wilcoxon rank-sum test.

Genetische signatures gerelateerd aan veroudering zijn opgehaald uit de CellAge-database (https://genomics.senescence.info/cells/), en mitochondria-gerelateerde genensets zijn verkregen via GeneCards (https://www.genecards.org/). De volledige genenlijsten die voor de scoring zijn gebruikt, zijn opgenomen in Aanvullend bestand 1.

5. Constructie van het gewogen gen-co-expressienetwerk
De top 5000 proteïne-coderende genen met de hoogste expressievariantie in bulk transcriptomische data werden behouden voor de netwerkconstructie. De functie pickSoftThreshold werd toegepast om de scale-free topology fit index te berekenen onder verschillende soft-thresholding powers. De optimale drempelwaarde werd bepaald als de minimale power die een scale-free netwerk opleverde met een R2 waarde boven de 0,9. Overeenkomstig werd een soft-thresholding power van β = 5 gehanteerd voor de daaropvolgende netwerkanalyse.

Een gewogen co-expressienetwerk met tekens werd geconstrueerd met behulp van de blockwiseModules-functie met een minimale modulegrootte van 30. Pearson-correlatiecoëfficiënten werden berekend tussen elk module-eigengene en de verrijkingsscore voor veroudering of mitochondriën. Modules met een absolute correlatiecoëfficiënt groter dan 0,4 en P < 0,001 werden beschouwd als significant geassocieerde modules.

Genen binnen significant geassocieerde modules werden gekruist met differentieel tot expressie gebrachte genen om kandidaatgenen voor veroudering geassocieerd met DCM en kandidaatgenen voor mitochondriën geassocieerd met DCM te identificeren.

6. Functionele verrijkingsanalyse
Functionele verrijkingsanalyses, waaronder Gene Ontology (GO)- en Kyoto Encyclopedia of Genes and Genomes (KEGG)-pathwayanalyses, werden uitgevoerd op kandidaatgenen met behulp van het clusterProfiler-pakket29. De GO-verrijking omvatte drie standaardcategorieën: biologisch proces, cellulaire component en moleculaire functie.

Alle analyses werden uitgevoerd met annotatie voor de menselijke soort, false discovery rate (FDR) voor P-waarde correctie en een q-waardedrempel van 0,05. Genensets werden beperkt tot een grootte van 10–500 genen, en termen met een FDR < 0,05 werden gedefinieerd als statistisch significant. Ten slotte werden de GO-verrijkingsresultaten gevisualiseerd via gegroepeerde staafdiagrammen, terwijl de KEGG-verrijkingsresultaten werden weergegeven met behulp van bubble plots.

7. Constructie van het PPI-netwerk en screening van hub-genen
Kandidaatgenen werden ingevoerd in de STRING-database versie 11.530, waarbij het organisme werd ingesteld op Homo sapiens en de drempelwaarde voor interactiebetrouwbaarheid werd ingesteld op een gecombineerde score groter dan 0,7. Niet-verbonden knooppunten werden verborgen en de interactiegegevens werden geëxporteerd in tab-gescheiden waardenformaat.

De interactiedata werden geïmporteerd in Cytoscape versie 3.9.1 voor visualisatie31. Topologische scores van de knopen werden berekend met de CytoHubba-plugin32 met behulp van drie algoritmen: Degree, maximum neighborhood component en maximal clique centrality.

Centrale functionele modules binnen het netwerk werden geïdentificeerd met de MCODE-plugin33 met de volgende standaardparameters: degree cutoff, 2; k-core, 2; node score cutoff, 0,2; en maximale diepte, 100. Genen die door alle drie de topologische algoritmen in de top 10 waren geplaatst, werden gekruist met genen in het MCODE-kernsubnetwerk om de uiteindelijke eiwit-eiwitinteractie hub-genen te identificeren.

8. Op machine learning gebaseerde selectie van kerngenen en constructie van het diagnostisch model
Om reproduceerbaarheid en een gebalanceerde representatie te garanderen, werd de geïntegreerde bulk-transcriptomische dataset willekeurig gesplitst in trainings- en validatiesets in een verhouding van 7:3 met behulp van een vast willekeurig startgetal (seed = 123456). Deze splitsing werd gestratificeerd naar ziektegroep (DCM vs. controle) om consistente klasseproporties in beide sets te behouden. Voorafgaand aan de splitsing werden batch-effecten van verschillende datasetbronnen gecorrigeerd met het sva-pakket, en de geïntegreerde monsters werden tijdens de willekeurige toewijzing behandeld als een uniforme cohort.

Drie algoritmen voor machine learning werden toegepast om kandidaatgenen te screenen. Ten eerste werd LASSO-logistische regressie uitgevoerd via de cv.glmnet-functie in het glmnet-pakket34. Er werd een binair classificatiemodel met 5-voudige kruisvalidatie geconstrueerd, waarbij de AUC als evaluatiemaatstaf werd gehanteerd. Genen met coëfficiënten ongelijk aan nul bij lambda.min werden behouden als kandidaatgenen.

Ten tweede werd een random forest-classificatiemodel met 500 beslisbomen gebouwd met behulp van het randomForest-pakket35. Het aantal variabelen dat voor elke splitsing werd gesampled, werd ingesteld op de vierkantswortel van het totale aantal kenmerken. De genbelangrijkheid werd gekwantificeerd op basis van de Gini-coëfficiënt, waarbij de 10 genen met de hoogste belangrijkheidsscores werden behouden.

Ten derde werd SVM-RFE-analyse uitgevoerd met de rfe-functie in het caret-pakket36. Het aantal kenmerken werd ingesteld op een bereik van 1–10, en er werd gebruikgemaakt van 5-voudige kruisvalidatie voor de training van het model. Uiteindelijk werd de gensubset met de optimale kruisvalidatienauwkeurigheid geselecteerd.

Genen die door alle drie de algoritmen werden geïdentificeerd, werden gedefinieerd als de uiteindelijke kernset van verouderings- en mitochondrië-gerelateerde genen bij DCM. Vervolgens werden diagnostische modellen geconstrueerd met behulp van 10 classificatie-algoritmen: beslissingsboom, gradient boosting machine, boosted generalized linear model, k-dichtstbijzijnde buren, logistische regressie, neuraal netwerk, partiële kleinste kwadraten, random forest, support vector machine en extreme gradient boosting.

Receiver operating characteristic-curves werden gegenereerd met het pROC-pakket37. De oppervlakte onder de curve, accuratesse, sensitiviteit en specificiteit werden berekend om de diagnostische prestaties in de trainings- en validatiesets te evalueren.

Een SHapley Additive exPlanations-analyse werd uitgevoerd om de bijdrage van elk kerngen aan de modelvoorspellingen te berekenen38. Er werden samenvattingsplots en waterfall-plots per monster gegenereerd. Een definitief diagnostisch model met een area under the curve groter dan 0,8 in de validatieset werd beschouwd als zijnde van een goede diagnostische prestatie.

9. Inferentie van cel-celcommunicatie
Netwerken van cel-celcommunicatie in de cardiale micro-omgeving werden geïnferred met behulp van het CellChat-pakket39. Er werd een CellChat-object geconstrueerd met behulp van de CellChatDB.human-database. Differentieel tot expressie gebrachte liganden en receptoren werden geïdentificeerd met identifyOverExpressedGenes, en significante interactieparen werden gefilterd met identifyOverExpressedInteractions.

Communicatiekansen tussen celtypen werden berekend met behulp van computeCommunProb. Het globale communicatienetwerk op celtypeniveau werd geaggregeerd met aggregateNet. Het aantal interacties en de communicatiesterkte tussen elk paar celtypen werden gekwantificeerd en gevisualiseerd met behulp van heatmaps en staafdiagrammen.

10. Kwantificering van immuuncelinfiltratie
Verrijkingsscores voor 28 immuunceltypen werden voor elk bulkmonster berekend met behulp van single-sample gene set enrichment analysis28 en een immuuncelsignatuur-genenset40. De Wilcoxon rank-sum test werd gebruikt om de verrijkingsscores van immuuncellen tussen de DCM- en gezonde controlegroepen te vergelijken. P < 0,05 werd beschouwd als statistisch significant.

Er werd een Pearson-correlatieanalyse uitgevoerd om de associatie tussen de expressieniveaus van kerngenen en de verrijkingsscores van immuuncellen te evalueren. Alle correlaties met P < 0,05 werden als statistisch significant beschouwd.

11. Consensus-clustering voor moleculaire subtypering
Ongesuperviseerde consensus-clustering van DCM-monsters werd uitgevoerd met kern-genexpressieprofielen via het ConsensusClusterPlus-pakket41. De clusteringparameters werden ingesteld op een maximaal aantal clusters van 6, 1000 resamplingsiteraties en een resamplingsfractie van 0,8. Voor de clustering werd partitioning around medoids met Euclidische afstand toegepast, en er werd gebruikgemaakt van een vaste random seed om de reproduceerbaarheid te waarborgen.

Het optimale aantal subtypen werd bepaald op basis van de delta area plot en consensus cluster stabiliteitsscores, waarbij uiteindelijk K = 2 werd vastgesteld. Vervolgens werd een principale componentanalyse uitgevoerd om de duidelijke scheiding tussen de twee moleculaire subtypen te verifiëren.

Gene set variation analysis42 werd toegepast om monster-specifieke KEGG-padverrijkingsscores te berekenen. Het limma-pakket27 werd gebruikt om differentiële padactivatie tussen subtypen te detecteren, waarbij een P-waarde van minder dan 0,05 als statistisch significant werd gedefinieerd.

12. Echocardiografische beoordeling van de hartfunctie
Muizen werden geanestheseerd via intraperitoneale injectie van 1% natriumpentobarbital (30 mg/kg) en in rugligging gefixeerd op een thermostatische operatietafel. Na het verwijderen van de borstharen werd echogel gelijkmatig aangebracht op het precordiale gebied.

Tweedimensionaal-geleide M-mode echocardiografie werd uitgevoerd op het niveau van de papillaire spieren van het linker ventrikel met behulp van een ultrasoonsysteem voor kleine dieren. Drie opeenvolgende stabiele hartcycli werden vastgelegd om de diameters van het linker ventrikel aan het einde van de diastole en systole, de ejectiefractie en de fractionele verkorting te meten. Alle echocardiografische beoordelingen werden blind uitgevoerd door een professionele echoscopist.

Uit elke groep werden willekeurig drie muizen geselecteerd voor echocardiografisch onderzoek, en deze 6 dieren in totaal werden vervolgens geofferd voor het verzamelen van myocardweefsel en ELISA-metingen. De overige proefdieren ondergingen aanvullende parallelle laboratoriumanalyses en hun gegevens zijn niet opgenomen in de huidige studie.

13. Verzameling van myocardweefsel, proteïne-extractie en enzyme-linked immunosorbent assay
Na echocardiografische beoordeling werden de muizen geëuthanaseerd onder diepe anesthesie. Hartweefsels werden snel geoogst via mediale thoracotomie, en het myocard van de linker ventrikel werd op ijs gedissekeerd. Geïsoleerde weefsels werden grondig gespoeld met ijskoud fosfaatgebufferde zoutoplossing om resterend intracardiaal bloed te verwijderen. Nadat overtollige vloeistof met steriel filterpapier was weggedept, werden de monsters onmiddellijk ingevroren in vloeibare stikstof en bewaard bij −80 °C voor daaropvolgende proteïne-extractie, waarbij herhaalde vries-dooi-cycli strikt werden vermeden.

Bevroren myocardweefsels werden gewogen en op ijs gesneden in fragmenten van ongeveer 1 mm3. De weefsels werden gelyseerd in ijskoude RIPA-lysebuffer met protease- en fosfataseremmers in een gestandaardiseerde verhouding van 100 µL buffer per 10 mg weefsel. Monsters werden op ijs volledig mechanisch gehomogeniseerd en 30 min geïncubeerd om volledige cellyse te bereiken.

Lysaten werden gecentrifugeerd bij 12.000 × g gedurende 15 min bij 4 °C. De resulterende supernatanten werden verzameld in enzymvrije buizen en de totale eiwitconcentratie werd bepaald met een bicinchonininezuur-eiwitassaykit volgens de protocollen van de fabrikant. Alle monsters werden genormaliseerd naar een identieke eiwitconcentratie met lysisbuffer.

De eiwitexpressieniveaus van de vier hubgenen in myocardiale lysaten werden gemeten met behulp van de overeenkomstige enzyme-linked immunosorbent assay (ELISA) kits. Seriële verdunningen van standaarden en genormaliseerde weefsellysaten werden in duplo (100 µL per putje) toegevoegd aan vooraf gecoate microplaten. De platen werden 2 h geïncubeerd bij kamertemperatuur en grondig gewassen met de bij de kit geleverde wasbuffer.

Elke put werd aangevuld met enzym-geconjugeerd antilichaam en gedurende 1 h bij kamertemperatuur geïncubeerd, gevolgd door een grondige wasbeurt. Vervolgens werd de substraat-chromogeenoplossing toegevoegd en werden de platen gedurende 20 min bij kamertemperatuur in het donker geïncubeerd. De kleurreactie werd beëindigd met de stopoplossing en de absorbentiewaarden werden gemeten bij 450 nm (referentiegolflengte: 570 nm) met behulp van een full-wavelength microplate reader.

14. Statistische analyse
Alle statistische analyses en datavisualisaties werden uitgevoerd met R versie 4.2.3. Voor de ELISA-concentratiemetingen van elk doelgen (TGFB2, SERPINE1, CYBB, TLR2) werd eerst de Shapiro-Wilk-test toegepast om de normaliteit van de gegevens in de Controle- en DCM-groepen afzonderlijk te beoordelen. Vervolgens werd een F-test gebruikt om de homogeniteit van de varianties tussen de twee groepen te evalueren. De methode voor de intergroepsvergelijking werd bepaald op basis van de resultaten van de variantiehomogeniteitstest: indien de varianties homogeen waren (P ≥ 0,05), werd een ongepaarde Student's t-test gebruikt om de gemiddelde waarden tussen de groepen te vergelijken; indien de varianties heterogeen waren (P < 0,05), werd de gecorrigeerde Welch's t-test voor de analyse gebruikt. Alle tests waren tweezijdig en de drempelwaarde voor statistische significantie werd vastgesteld op P < 0,05. De gegevens werden gevisualiseerd als boxplots met daarop geprojecteerde individuele datapunten (jitter). De P-waarden van alle tests en het type toegepaste t-test werden gedetailleerd geannoteerd op elke grafiek.

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

Resultaten

Gegevensvoorbewerking en analyse van differentiële expressie
Alle zes bulk-transcriptomische datasets ondergingen gestandaardiseerde voorbewerking en correctie voor batch-effecten voorafgaand aan de verdere analyse. Microarray-gegevens werden genormaliseerd met behulp van het robust multi-array average-algoritme, terwijl RNA-seq count-gegevens werden genormaliseerd met de trimmed mean of M-values-methode. Het ComBat-algoritme werd toegepast om technische batch-effecten te verwijderen die geassocieerd...

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

Discussie

De geïntegreerde meerlaagse workflow combineerde bulk-transcriptomische meta-analyse, constructie van gewogen gen-co-expressienetwerken, ensemble machine learning, single-cell transcriptomische validatie en in vivo verificatie in diermodellen. Vier hub-genen die gerelateerd zijn aan veroudering en mitochondriën, CYBB, SERPINE1, TGFB2 en TLR2, werden geïdentificeerd als kandidaat-diagnostische biomarkers voor gedilateerde cardiomyopathie (DCM). Integratie van zes onafhankelijke transcriptomische datasets van de l...

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

Openbaarmakingen

De auteur verklaart geen concurrerende belangen te hebben.

Dankbetuigingen

De publiek beschikbare gegevens verstrekt via de Gene Expression Omnibus-database worden gratefully erkend. De reviewers en redacteurs worden even tevns bedankt voor hun constructieve commentaren op het manuscript. Dit werk werd ondersteund door het Provincial Department-Level Scientific Research Project (Grant No. 2021JDZX2026), “Mechanism of Yiqi Huoxue Formula in Attenuating Atherosclerotic Vascular Remodeling via KLF2-Nrf2-Mediated Inflammatory Regulation.”

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

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
Aquasonic Clear echogelParker Laboratories, Inc.Mar-34Gebruikt voor echocardiografische beeldvorming bij kleine dieren.
BCA-proteïne-assaykitThermo Fisher Scientific23227Detectie bij 562 nm; bereik, 20–2,000 µg/mLgebruikt voor kwantificering van het totale eiwitgehalte van lysaten van muizenhart.
CellAge-databaseGenomische bronnen voor menselijke verouderinghttps://genomics.senescence.info/cells/Bron van verouderingsgerelateerde gensignaturen.
CytoHubba, Cytoscape-pluginCytoscape App StoreVersie 0.1Gebruikt voor de score van de knoopentopologie in eiwit-eiwitinteractienetwerken.
CytoscapeCytoscape ConsortiumVersie 3.9.1Wordt gebruikt voor de visualisatie van eiwit-eiwitinteractienetwerken.
Microplaatlezer met volledig golflengtebereikThermo Fisher ScientificMultiskan FCWordt gebruikt om de absorbentie in ELISA-assays te meten.
Gene Expression OmnibusNational Center for Biotechnology Informationhttps://www.ncbi.nlm.nih.gov/geo/Openbare repository gebruikt voor het verkrijgen van transcriptomische datasets.
GeneCardsWeizmann Institute of Sciencehttps://www.genecards.org/Bron van mitochondria-gerelateerde genensets.
Halt Protease- en Fosfataseremmercocktail, 100×, EDTA-vrijThermo Fisher Scientific78441Bewaard bij 4 °C; toegevoegd aan RIPA-buffer bij 10 µL/mL vlak voor gebruik.
Vloeibare stikstofLokale leverancier van laboratoriumgassenNiet van toepassingWordt gebruikt voor het snap-freezen van myocardweefsel.
Mannelijke SPF-grade C57BL/6J-muizen, 6–8 weken oud, 25 ± 2 gBeijing Vital River Laboratory Animal Technology Co., Ltd.Niet van toepassingDierproductievergunning nr. SCXK (Jing) 2021-0006; gebruikt als normale controles.
Mannelijke transgene DCM-muizen van SPF-kwaliteit (CTNTR141W), 6–8 weken oud, 25 ± 2 gInstitute of Laboratory Animal Science, Chinese Academy of Medical SciencesNiet van toepassingVergunning voor dierproductie nr. SCXK (Jing) 2021-0065; gebruikt als het spontane DCM-model.
MCODE, Cytoscape-pluginCytoscape App StoreVersie 2.0.2Wordt gebruikt om functionele kernsubnetwerken in eiwit-eiwitinteractienetwerken te identificeren.
Muis CYBB ELISA-kitBiogradetechA-QEK09250-96wellsIn deze studie gebruikt om CYBB te meten in lysaten van myocardiaal weefsel van muizen.
Muis PAI-1 ELISA-kitEK-BIOML30970In deze studie gebruikt om PAI-1, het door SERPINE1 gecodeerde eiwit, te meten in lysaten van myocardiale weefsel uit muizen.
Muis TGF-β2 ELISA-kitElaBoXSEKM-0036Gebruikt in deze studie om TGF- te metenβ2 in lysaten van myocardweefsel van muizen.
Muis TLR-2 ELISA-kitSolarbioSEKM-0163In deze studie gebruikt om TLR-2 te meten in lysaten van myocardweefsel van muizen.
Fosfaatgebufferde zoutoplossing, pH 7,4, calcium- en magnesiumvrijBiologische Industrieën02-024-1ACSSteriel 1× oplossing; bewaard bij 4 °C; gebruikt voor het wassen van weefsel en verdunning.
R-pakket: caretCRANVersie 6.0-94Gebruikt voor support vector machine-recursieve kenmerkeliminatie.
R-pakket: CellChatCellChat-ontwikkelaarsVersie 1.6.1Gebruikt voor inferentie van cel-celcommunicatie op basis van single-cell RNA-sequenceringsgegevens.
R-pakket: clusterProfilerBioconductorVersie 4.8.3Gebruikt voor functionele verrijkingsanalyse.
R-pakket: ConsensusClusterPlusBioconductorVersie 1.64.0Gebruikt voor ongesuperviseerde consensusclustering.
R-pakket: edgeRBioconductorVersie 3.42.4Gebruikt voor normalisatie van RNA-sequencinggegevens met de trimmed mean of M-values-methode.
R-pakket: GEOqueryBioconductorVersie 2.68.0Wordt gebruikt om gegevens te downloaden uit de Gene Expression Omnibus.
R-pakket: glmnetCRANVersie 4.1-8Gebruikt voor logistische regressie met de least absolute shrinkage and selection operator.
R-pakket: limmaBioconductorVersie 3.56.2Gebruikt voor differentieel expressieanalyse en statistische modellering.
R-pakket: pROCCRANVersie 1.18.5Gebruikt voor de analyse van de receiver operating characteristic-curve.
R-pakket: randomForestCRANVersie 4.7-1.2Gebruikt voor random forest machine learning.
R-pakket: SeuratCRANVersie 5.0.1Wordt gebruikt voor de analyse van single-cell RNA-sequencingdata.
R-pakket: SingleRBioconductorVersie 2.2.0Gebruikt voor geautomatiseerde celtype-annotatie.
R-pakket: svaBioconductorVersie 3.48.0Gebruikt voor ComBat batch-effectcorrectie.
Gekoelde centrifugeSigma-AldrichSIGMA 3-KGebruikt voor centrifugatie van myocardiale weefsellysaten.
RIPA-lysis- en extractiebufferThermo Fisher Scientific89900Klaar voor gebruik 1× oplossing; bewaard bij 4 °C; voor gebruik aangevuld met protease- en fosfataseremmers.
Echografie-beeldvormingssysteem voor kleine dierenVINNO Technology Co., Ltd.VINN06LABGebruikt voor echocardiografische beoordeling van de hartfunctie.
NatriumpentobarbitalSinopharm Chemical Reagent Co.20040428Bereid als een 1% oplossing, 10 mg/mL, in steriele zoutoplossing; gebruikt voor intraperitoneale anesthesie bij 30 mg/kg.
STRING-databaseSTRING-consortiumVersie 11.5Gebruikt voor de constructie van proteïne-proteïne-interactienetwerken.
TGrinder H24 weefselhomogenisatorTIANGENOSE-TH-01Gebruikt om myocardweefsel van muizen te homogeniseren in RIPA-buffer bij 6,0 m/s gedurende 30–60 s over 2–3 cycli.
Thermostatisch dierenplatform/verwarmde operatietafel voor kleine dierenShanghai Yuyan Scientific Instrument Co., Ltd.T-30350Gebruikt om muizen te houden op 37 °C tijdens echocardiografie; bedrijfsbereik, van kamertemperatuur tot 50 °C.

Referenties

  1. Pinto YM et al. Proposal for a revised definition of dilated cardiomyopathy, hypokinetic non-dilated cardiomyopathy, and its implications for clinical practice: a position statement of the ESC working group on myocardial and pericardial diseases. Eur Heart J. 2016;37(23):1850-1858. https://doi.org/10.1093/eurheartj/ehv727
  2. Newman NA, Burke MA. Dilated Cardiomyopathy: A Genetic Journey from Past to Future. Int J Mol Sci. 2024;25(21):11460. https://doi.org/10.3390/ijms252111460
  3. Mishra B et al. Tumour necrosis factor-alpha promoter polymorphism and its association with viral dilated cardiomyopathy in Indian population: a pilot study. Indian J Med Microbiol. 2015;33(1):16–20. https://doi.org/10.4103/0255-0857.148368
  4. Frustaci A et al. Oxidative myocardial damage in human cocaine-related cardiomyopathy. Eur J Heart Fail. 2015;17(3):283-290. https://doi.org/10.1002/ejhf.219
  5. Ni B et al. The role of β-catenin in cardiac diseases. Front Pharmacol. 2023;14:1157043. https://doi.org/10.3389/fphar.2023.1157043
  6. Kuwahara K et al. TRPC6 fulfills a calcineurin signaling circuit during pathologic cardiac remodeling. J Clin Invest. 2006;116(12):3114-3126. https://doi.org/10.1172/JCI27702
  7. He SL et al. Mitochondrial-related gene expression profiles suggest an important role of PGC-1alpha in the compensatory mechanism of endemic dilated cardiomyopathy. Exp Cell Res. 2013;319(17):2604–2616. https://doi.org/10.1016/j.yexcr.2013.07.017
  8. Luczak ED et al. Mitochondrial CaMKII causes adverse metabolic reprogramming and dilated cardiomyopathy. Nat Commun. 2020;11(1):4416. https://doi.org/10.1038/s41467-020-18165-6
  9. Li E et al. BMAL1 regulates mitochondrial fission and mitophagy through mitochondrial protein BNIP3 and is critical in the development of dilated cardiomyopathy. Protein Cell. 2020;11(9):661–679. https://doi.org/10.1007/s13238-020-00713-1
  10. Alila-Fersi O et al. First description of a novel mitochondrial mutation in the MT-TI gene associated with multiple mitochondrial DNA deletion and depletion in family with severe dilated mitochondrial cardiomyopathy. Biochem Biophys Res Commun. 2018;497(4):1049-1054. https://doi.org/10.1016/j.bbrc.2018.02.162
  11. Ramaccini D et al. Mitochondrial Function and Dysfunction in Dilated Cardiomyopathy. Front Cell Dev Biol. 2020;8:624216. https://doi.org/10.3389/fcell.2020.624216
  12. Yang J et al. Stem cells in the treatment of myocardial injury-induced cardiomyopathy: mechanisms and efficient utilization strategies. Front Pharmacol. 2025;16:1600604. https://doi.org/10.3389/fphar.2025.1600604
  13. Van Linthout S et al. State of the art and perspectives of gene therapy in heart failure. A scientific statement of the Heart Failure Association of the ESC, the ESC Council on Cardiovascular Genomics and the ESC Working Group on Myocardial & Pericardial Diseases. Eur J Heart Fail. 2025;27(1):5–25. https://doi.org/10.1002/ejhf.3516
  14. Alimadadi A, Munroe PB, Joe B, Cheng X. Meta-Analysis of Dilated Cardiomyopathy Using Cardiac RNA-Seq Transcriptomic Datasets. Genes (Basel). 2020;11(1):60. https://doi.org/10.3390/genes11010060
  15. Verdonschot J et al. Clustering of Cardiac Transcriptome Profiles Reveals Unique Subgroups of Dilated Cardiomyopathy Patients. JACC Basic Transl Sci. 2023;8(4):406–418. https://doi.org/10.1016/j.jacbts.2022.10.007
  16. Zhu T et al. Identification and Verification of Feature Biomarkers Associated With Immune Cells in Dilated Cardiomyopathy by Bioinformatics Analysis. Front Genet. 2022;13:874544. https://doi.org/10.3389/fgene.2022.874544
  17. Li H et al. Identification of Centrosome Duplication-Related Biomarkers in Hypertrophic Cardiomyopathy Through Integrative Multi-Omics, Single-Cell Transcriptomics, and Experimental Validation. J Am Heart Assoc. 2026;15(12):e047416. https://doi.org/10.1161/JAHA.125.047416
  18. Ni L et al. Dissecting and validation the biomarker of heart failure progression in patients with atherosclerosis by single-cell sequencing, bioinformatics, and machine learning. Front Genet. 2025;16:1587274. https://doi.org/10.3389/fgene.2025.1587274
  19. Barrett T et al. NCBI GEO: archive for functional genomics data sets--update. Nucleic Acids Res. 2013;41(Database issue):D991–D995. https://doi.org/10.1093/nar/gks1193
  20. Davis S, Meltzer PS. GEOquery: a bridge between the Gene Expression Omnibus (GEO) and BioConductor. Bioinformatics. 2007;23(14):1846-1847. https://doi.org/10.1093/bioinformatics/btm254
  21. Irizarry RA et al. Exploration, normalization, and summaries of high density oligonucleotide array probe level data. Biostatistics. 2003;4(2):249-264. https://doi.org/10.1093/biostatistics/4.2.249
  22. Robinson MD, McCarthy DJ, Smyth GK. edgeR: a Bioconductor package for differential expression analysis of digital gene expression data. Bioinformatics. 2010;26(1):139–140. https://doi.org/10.1093/bioinformatics/btp616
  23. Leek JT et al. The sva package for removing batch effects and other unwanted variation in high-throughput experiments. Bioinformatics. 2012;28(6):882–883. https://doi.org/10.1093/bioinformatics/bts034
  24. Butler A et al. Integrating single-cell transcriptomic data across different conditions, technologies, and species. Nat Biotechnol. 2018;36(5):411-420. https://doi.org/10.1038/nbt.4096
  25. Korsunsky I et al. Fast, sensitive and accurate integration of single-cell data with Harmony. Nat Methods. 2019;16(12):1289-1296. https://doi.org/10.1038/s51592-019-0619-0
  26. Aran D et al. Reference-based analysis of lung single-cell sequencing reveals a transitional profibrotic macrophage. Nat Immunol. 2019;20(2):163-172. https://doi.org/10.1038/s41590-018-0276-y
  27. Ritchie ME et al. limma powers differential expression analyses for RNA-sequencing and microarray studies. Nucleic Acids Res. 2015;43(7):e47. https://doi.org/10.1093/nar/gkv007
  28. Barbie DA et al. Systematic RNA interference reveals that oncogenic KRAS-driven cancers require TBK1. Nature. 2009;462(7269):108-112. https://doi.org/10.1038/nature08460
  29. Yu G et al. clusterProfiler: an R package for comparing biological themes among gene clusters. OMICS. 2012;16(5):284-287. https://doi.org/10.1089/omi.2011.0118
  30. Szklarczyk D et al. STRING v11: protein-protein association networks with increased coverage, supporting functional discovery in genome-wide experimental datasets. Nucleic Acids Res. 2019;47(D1):D607–D613. https://doi.org/10.1093/nar/gky1131
  31. Shannon P et al. Cytoscape: a software environment for integrated models of biomolecular interaction networks. Genome Res. 2003;13(11):2498-2504. https://doi.org/10.1101/gr.1239303
  32. Chin CH et al. cytoHubba: identifying hub objects and sub-networks from complex interactome. BMC Syst Biol. 2014;8(Suppl 4):S11. https://doi.org/10.1186/1752-0509-8-S4-S11
  33. Bader GD, Hogue CW. An automated method for finding molecular complexes in large protein interaction networks. BMC Bioinformatics. 2003;4:2. https://doi.org/10.1186/1471-2105-4-2
  34. Friedman J, Hastie T, Tibshirani R. Regularization Paths for Generalized Linear Models via Coordinate Descent. J Stat Softw. 2010;33(1):1-22. https://doi.org/10.18637/jss.v033.i01
  35. Touw WG et al. Data mining in the Life Sciences with Random Forest: a walk in the park or lost in the jungle. Brief Bioinform. 2013;14(3):315-326. https://doi.org/10.1093/bib/bbs034
  36. Chicco D. Ten quick tips for machine learning in computational biology. BioData Min. 2017;10:35. https://doi.org/10.1186/s13040-017-0155-3
  37. Robin X et al. pROC: an open-source package for R and S+ to analyze and compare ROC curves. BMC Bioinformatics. 2011;12:77. https://doi.org/10.1186/1471-2105-12-77
  38. Lundberg SM et al. From Local Explanations to Global Understanding with Explainable AI for Trees. Nat Mach Intell. 2020;2(1):56-67. https://doi.org/10.1038/s42256-019-0138-9
  39. Jin S et al. Inference and analysis of cell-cell communication using CellChat. Nat Commun. 2021;12(1):1088. https://doi.org/10.1038/s41467-021-21246-9
  40. Charoentong P et al. Pan-cancer Immunogenomic Analyses Reveal Genotype-Immunophenotype Relationships and Predictors of Response to Checkpoint Blockade. Cell Rep. 2017;18(1):248–262. https://doi.org/10.1016/j.celrep.2016.12.019
  41. Wilkerson MD, Hayes DN. ConsensusClusterPlus: a class discovery tool with confidence assessments and item tracking. Bioinformatics. 2010;26(12):1572–1573. https://doi.org/10.1093/bioinformatics/btq170
  42. Hänzelmann S, Castelo R, Guinney J. GSVA: gene set variation analysis for microarray and RNA-seq data. BMC Bioinformatics. 2013;14:7. https://doi.org/10.1186/1471-2105-14-7
  43. Zheng Y et al. Exploring Key Genes to Construct a Diagnosis Model of Dilated Cardiomyopathy. Front Cardiovasc Med. 2022;9:865096. https://doi.org/10.3389/fcvm.2022.865096
  44. Johnson WE, Li C, Rabinovic A. Adjusting batch effects in microarray expression data using empirical Bayes methods. Biostatistics. 2007;8(1):118-127. https://doi.org/10.1093/biostatistics/kxj037
  45. Koslow M, Mondaca-Ruff D, Xu X. Transcriptome studies of inherited dilated cardiomyopathies. Mamm Genome. 2023;34(2):312-322. https://doi.org/10.1007/s00335-023-09978-z
  46. Zhang B, Horvath S. A general framework for weighted gene co-expression network analysis. Stat Appl Genet Mol Biol. 2005;4:Article17. https://doi.org/10.2202/1544-6115.1128
  47. Lin M et al. Machine learning and multi-omics integration: advancing cardiovascular translational research and clinical practice. J Transl Med. 2025;23(1):388. https://doi.org/10.1186/s12967-025-06425-2
  48. Climente-González H et al. Interpretable machine learning leverages proteomics to improve cardiovascular disease risk prediction and biomarker identification. Commun Med (Lond). 2025;5(1):170. https://doi.org/10.1038/s43856-025-00872-0
  49. Shah P et al. Predicting cardiovascular risk with hybrid ensemble learning and explainable AI. Sci Rep. 2025;15(1):17927. https://doi.org/10.1038/s41598-025-01650-7
  50. Chaffin M et al. Single-nucleus profiling of human dilated and hypertrophic cardiomyopathy. Nature. 2022;608(7921):174-180. https://doi.org/10.1038/s41586-022-04817-8
  51. Juan F et al. The changes of the cardiac structure and function in cTnTR141W transgenic mice. Int J Cardiol. 2008;128(1):83-90. https://doi.org/10.1016/j.ijcard.2008.03.006
  52. Russell-Hallinan A et al. Single-Cell RNA Sequencing Reveals Cardiac Fibroblast-Specific Transcriptomic Changes in Dilated Cardiomyopathy. Cells. 2024;13(9):752. https://doi.org/10.3390/cells13090752
  53. Knowlton KU. Dilated Cardiomyopathy. Circulation. 2019;139(20):2339-2341. https://doi.org/10.1161/CIRCULATIONAHA.119.040037
  54. Smith GD, Ebrahim S. Mendelian randomization: prospects, potentials, and limitations. Int J Epidemiol. 2004;33(1):30-42. https://doi.org/10.1093/ije/dyh132
  55. Chen R et al. Macrophages in cardiovascular diseases: molecular mechanisms and therapeutic targets. Signal Transduct Target Ther. 2024;9(1):130. https://doi.org/10.1038/s41392-024-01840-1
  56. Liu R et al. Tead1 is essential for mitochondrial function in cardiomyocytes. Am J Physiol Heart Circ Physiol. 2020;319(1):H89-H99. https://doi.org/10.1152/ajpheart.00732.2019
  57. Sharma S et al. SOD2 deficiency in cardiomyocytes defines defective mitochondrial bioenergetics as a cause of lethal dilated cardiomyopathy. Redox Biol. 2020;37:101740. https://doi.org/10.1016/j.redox.2020.101740

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

Herprints en machtigingen

Meer artikelen verkennen

Mitochondriële dysfunctieverouderingsgerelateerde genenbulk-transcriptomicssingle-cell RNAgen-co-expressieproteïne-interactienetwerkimmuuncelinfiltratiemachine learning biomarkersmoleculaire subtypering
Neem contact met ons op
Aanbevelen aan de bibliotheek

Privacy

Gebruiksvoorwaarden

Beleidsoverzicht

Copyright © 2026 MyJoVE Corporation. Alle rechten voorbehouden.