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

Onderzoeksartikel

CCL4 als potentiële immuun-metabole biomarker bij acute myocardinfarct via machine learning en single-cell transcriptomics

83 weergaven

⸱

DOI:

10.3791/72480

⸱

11 augustus 2026

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

In dit artikel

Samenvatting

Deze studie integreert bulk- en single-cell transcriptomics met machine learning om CCL4 en vijf andere genen te identificeren als potentiële diagnostische biomarkers voor acute myocardinfarct, waarmee immuno-metabole crosstalk en celtype-specifieke expressiepatronen aan het licht komen.

Samenvatting

Acuut myocardinfarct (AMI) is wereldwijd een belangrijke oorzaak van morbiditeit en mortaliteit, wat de noodzaak van nieuwe complementaire biomarkers benadrukt. Door bulk- en single-cell transcriptomische data te integreren met machine learning-methoden, werden calmoduline-gerelateerde genen die geassocieerd zijn met AMI en hun immuun-metabole kenmerken onderzocht, geïdentificeerd. Differentiële expressie- en gewogen co-expressieanalyses onthulden 60 calmoduline-gerelateerde genen, waarvan zes sleutelgenen (SOCS3, GBP4, ST14, KPNA5, STAB1 en CCL4) werden gescreend met behulp van meerdere machine learning-algoritmen en gevalideerd in onafhankelijke datasets. Functionele analyses gaven verrijking aan in immuun-, ontstekings- en metabole routes. Immuuninfiltratie en single-cell transcriptomics vertoonden celtype-specifieke expressiepatronen, waarbij CCL4 voornamelijk tot expressie kwam in T- en NK-cellen en duidelijk verminderd was in AMI-monsters. qPCR-validatie bevestigde significante expressieveranderingen voor vier van de zes genen in de lokale cohort. Analyses van geneesmiddel-geninteractie en docking suggereerden kandidaatverbindingen voor verder onderzoek. Gezamenlijk suggereren de bevindingen dat CCL4 mogelijk een potentiële diagnostische biomarker voor AMI kan zijn, en de waargenomen immuun-metabole associaties vormen een basis voor toekomstige mechanistische en translationele studies.

Inleiding

Acuut myocardinfarct (AMI), veroorzaakt door aanhoudende myocardischemie, behoort tot de dodelijkste hart- en vaatziekten wereldwijd1˒2. De pathogenese is multifactorieel, met belangrijke bijdragers zoals atherosclerose, trombose, kransslagaderspasmen en hartritmestoornissen3˒4. Hypertensie, diabetes, hyperlipidemie, roken, obesitas en psychologische stress worden ook erkend als belangrijkerisicofactoren. Hoewel vooruitgang in interventietechnieken, anti-trombocyttherapieën en trombolytische strategieën de kortetermijnoverleving aanzienlijk heeft verbeterd, blijft de algehele incidentie van AMI stijgen, vooral onder jongere populaties6. Cardiale troponine (cTn) is momenteel de gouden standaard biomarker voor het diagnosticeren van AMI. Het is een structureel eiwit dat na myocardnecrose in de circulatie wordt vrijgegeven en vertoont een hoge gevoeligheid en specificiteit. Echter, cTn-niveaus kunnen worden beïnvloed door de nierfunctie en het tijdstip van monsterafname7˒8. Daarom blijft er behoefte aan het ontwikkelen van nieuwe complementaire biomarkers.

Calmoduline (CaM) is een klein, alomtegenwoordig tot expressie gebracht en sterk geconserveerd calciumbindend eiwit dat fungeert als een belangrijke intracellulaire transducer van calciumsignalen en deelneemt aan een breed scala aan biologische processen9˒10. Door veranderingen in intracellulaire Ca2⁺-concentraties te detecteren, interacteert CaM met tal van doeleiwitten, waaronder kinasen, fosfatasen en ionenkanalen, om celproliferatie, apoptose, metabolisme, spiercontractie en ontstekingsreacties te reguleren11. In het cardiovasculaire systeem speelt CaM een centrale rol bij het reguleren van cardiomyocytencontractiliteit, hartslag, elektrische stabiliteit en de vasculaire gladde spiertonus12˒13. Steeds meer bewijs wijst erop dat CaM-disfunctie of disregulatie van CaM-gerelateerde signaalroutes bijdraagt aan verschillende cardiovasculaire aandoeningen, waaronder hartritmestoornissen, hartfalen, hypertensie en harthypertrofie14˒15. Bovendien neemt CaM deel aan cardiomyocytenreacties op ischemie, oxidatieve stress en ontstekingsprikkels, wat wijst op mogelijke betrokkenheid bij de pathologische progressie van AMI16. Daarom is het onderzoeken van CaM in de context van hart- en vaatziekten van aanzienlijke wetenschappelijke en klinische interesse.

Bulk-RNA-seq en single-cell RNA-seq datasets werden geïntegreerd om systematisch differentieel tot expressie gebrachte genen (DEG's) te identificeren die significant geassocieerd zijn met de CaM-score. Gewogen genco-expressienetwerkanalyse (WGCNA) werd gebruikt om CaM-gerelateerde kandidaatgenen die betrokken zijn bij AMI verder te identificeren. Meerdere machine learning-algoritmen werden vervolgens toegepast om te screenen op belangrijke genen en om voorspellende modellen te construeren om het individuele AMI-risico te beoordelen. Transcriptomische kenmerken, immuuninfiltratieprofielen en concurrerende endogene RNA (ceRNA) regulatienetwerken werden ook geïntegreerd om te onderzoeken hoe deze sleutelgenen kunnen bijdragen aan immuunregulatie en mogelijke interacties tussen geneesmiddelen en doel. De bevindingen geven aan dat verschillende kerngenen betrokken zijn bij immunometabole crosstalkroutes en voorspellende waarde en therapeutisch potentieel vertonen. Deze geïntegreerde aanpak verfijnt het moleculaire begrip van AMI en biedt een rechtvaardiging voor de ontwikkeling van biomarkers en gerichte interventie.

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

Protocol

De studie werd uitgevoerd in overeenstemming met de Verklaring van Helsinki. Het protocol werd goedgekeurd door de Ethische Commissie van het Anhui Public Health Clinical Center op 19 september 2025 (goedkeurings-ID: PJ-YX2025-062). Schriftelijke geïnformeerde toestemming werd van alle deelnemers verkregen vóór de bloedafname. De lokale cohort omvatte acht patiënten met een acuut myocardinfarct (AMI) en acht gezonde controlegroepen. De onderzoeksinstrumenten die in het protocol worden gebruikt, zijn vermeld in de Materiaaltabel.

1. Gegevensbronnen en verwerking

Bulk-RNA-sequencingdatasets gerelateerd aan myocardinfarct werden verkregen uit de Gene Expression Omnibus (GEO). De GSE59867 en GSE48060 datasets werden gebruikt voor bulktranscriptomische analyses, en de GSE269269 single-cell RNA-sequencing dataset werd gebruikt voor cellulaire analyses (Tabel 1). Een set van 255 calmoduline-gerelateerde genen werd verkregen uit de Human Protein Atlas voor latere gensetanalyses.

DatasetVoorbeeldtypeMonster (controles)Steekproef (patiënten)Sequencingplatform
GSE59867Bulk RNA-seq46111GPL6244
GSE48060Bulk RNA-seq2131GPL570
GSE269269scRNA-seq (perifeer bloed)10GPL24676

Tabel 1: Kenmerken van de datasets die in de studie zijn gebruikt. De tabel geeft de dataset-accessienummers, monstertypes, aantal controle- en patiëntmonsters, en sequencingplatforms voor de bulk RNA- en single-cell RNA-sequencingdatasets weer weer. RNA-sequencing, RNA-sequencing; scRNA-seq, single-cell RNA-sequencing.

De variabiliteit tussen de samples in de bulk transcriptomic datasets werd gecorrigeerd met behulp van de normalizeBetweenArrays-functie in het limma-pakket, versie 3.60.6. Differentiële genexpressie-analyse werd vervolgens uitgevoerd met limma. Differentieel expressieve genen (DEGs) werden gedefinieerd met behulp van de drempels P < 0,05 en |log₂ fold change| > 0,5. De resulterende DEG's werden gevisualiseerd met vulkaangrafieken en heatmaps en geclassificeerd als significant opgewaardeerd, significant verlaagd of niet significant veranderd.

2. Verrijkingsanalyse van enkelsteekproeven en gewogen genco-expressienetwerkanalyse

Single-sample genset verrijkingsanalyse (ssGSEA) werd uitgevoerd met behulp van de 255 calmoduline-gerelateerde genen. Het GSVA-pakket werd gebruikt om een calmoduline-gerelateerde genscore te berekenen, aangeduid als Calmodulin_score, voor elke AMI en controlemonster. Verschillen in Calmodulin_score tussen de AMI- en controlegroepen werden geëvalueerd met behulp van de Wilcoxon rangsomtest.

Gewogen genco-expressienetwerkanalyse (WGCNA) werd uitgevoerd met behulp van de bulktranscriptomische gegevens van patiënten met AMI. Genen met een gemiddelde fragmenten per kilobase van transcript per miljoen gemapte leeswaarden van ≤0,5 werden uitgesloten. Monsters werden geclusterd om uitschieters te identificeren en te verwijderen.

Een soft-thresholding power die een schaalvrije topologiefit van R² > 0,8 bereikte, werd gekozen. Vervolgens werd een topologische overlappingsmatrix geconstrueerd. Genmodules werden geïdentificeerd met behulp van het dynamische tree-cut algoritme met een minimale modulegrootte van 200. Modules met zeer vergelijkbare eigengenen werden samengevoegd met een correlatiedrempel van >0,75, wat overeenkomt met een module-merging drempel van 0,25.

Relaties tussen module-eigengenen en klinische kenmerken, inclusief Calmodulin_score, werden beoordeeld met behulp van Pearson-correlatieanalyse. De resulterende module-eigenschapsrelaties werden weergegeven in een heatmap met annoten met correlatiecoëfficiënten en bijbehorende P-waarden. Modulelidmaatschap en gensignificantie werden voor elk gen berekend. Scatterplots van modulelidmaatschap tegenover gensignificantie werden gegenereerd om genen met een hoge intramodulaire connectiviteit en eigenschapsrelevantie te identificeren.

3. Identificatie van AMI-geassocieerde calmoduline-gerelateerde genen

AMI-geassocieerde calmoduline-gerelateerde genen werden geïdentificeerd door de DEG's te kruisen met genen uit WGCNA-modules die significant gecorreleerd zijn met Calmodulin_score. De overlappende genen werden behouden voor downstream analyses.

Functionele verrijkingsanalyse werd uitgevoerd met behulp van het clusterProfiler-pakket. Annotaties van Genontologie en Kyoto Encyclopedia of Genes and Genomes werden gebruikt om biologische processen, moleculaire functies, cellulaire componenten en signaalroutes die samenhangen met overlappende genen te identificeren.

4. Identificatie en validatie van sleutelgenen met behulp van machine learning

Univariate logistische regressie-analyse werd uitgevoerd met behulp van overlappende genen. Drie machine learning-algoritmen werden vervolgens onafhankelijk toegepast met de volgende R-pakketten en parameters: random forest, XGBoost en support vector machine.

Elk algoritme werd gebruikt om genen met voorspellende waarde voor AMI te prioriteren. Kandidaat-sleutelgenen werden gedefinieerd als de genen die door alle drie de algoritmen zijn geïdentificeerd. Genen die ook significante en richtingconsistent differentiële expressie vertoonden in zowel de GSE59867 trainingsdataset als de GSE48060 externe validatiedataset, werden behouden als definitieve sleutelgenen.

5. Constructie en evaluatie van diagnostische modellen

Er werd een logistisch regressiemodel opgebouwd met behulp van de geïdentificeerde sleutelgenen en de lrm-functie. Een nomogram werd gegenereerd met behulp van de regplotfunctie om de bijdrage van elk feature-gen aan de voorspelde kans op AMI weer te geven.

Modeldiscriminatie werd geëvalueerd door een analyse van de bedieningskenmerken van de ontvanger met behulp van het pROC-pakket. Het gebied onder de bedieningskarakteristiekcurve van de ontvanger werd berekend om het vermogen van het model te beoordelen om AMI te onderscheiden van controlemonsters.

Kalibratiecurves werden gegenereerd om voorspelde kansen te vergelijken met waargenomen uitkomsten. Er werd een beslissingscurveanalyse uitgevoerd om het netto klinisch voordeel van het model te schatten over een bereik van drempelkansen.

6. Analyse van gensetverrijking en concurrente endogene RNA-netwerkconstructie

Analyse van gensetverrijking werd afzonderlijk uitgevoerd voor elk sleutelgen met behulp van de gencorrelatiematrix en het clusterProfiler-pakket. De verrijkingsresultaten van de Kyoto Encyclopedia of Genes and Genomes-routes werden gerangschikt op basis van de absolute genormaliseerde verrijkingsscore. De vijf hoogstgeplaatste paden werden voor elk gen weergegeven.

Functionele associaties en geninteractienetwerken werden onderzocht met behulp van GeneMANIA. Potentiële microRNA-regulatoren van de sleutelgenen werden voorspeld met behulp van miRanda, miRTarBase, TargetScan en miRDB. Kandidaat-microRNA-mRNA-interacties werden geïdentificeerd door de voorspellingen uit de vier databases te kruisen.

Lange niet-coderende RNA-microRNA-interacties werden verkregen met spongeScan. De lange niet-coderende RNA-microRNA en microRNA-mRNA relaties werden vervolgens geïntegreerd om een concurrerend endogeen RNA-regulatienetwerk te construeren. Het netwerk werd gevisualiseerd als een Sankey-diagram met behulp van het ggalluviale pakket.

7. Geneesmiddelvoorspelling en moleculaire koppeling

Geneesmiddel-geninteracties werden voorspeld met behulp van de Drug-Gene Interaction Database. Het resulterende interactienetwerk werd gevisualiseerd met netwerkanalysesoftware.

De UniProt-eiwitidentificatie voor CCL4 werd verkregen als P13236. De bijbehorende driedimensionale eiwitstructuur werd verkregen in Protein Data Bank-formaat (PDB) onder het accessienummer 1HUM (human MIP-1β, röntgendiffractiestructuur), dat werd geselecteerd voor docking. Chain A, die de biologisch relevante monomeer vertegenwoordigt, werd geselecteerd voor koppeling. De eiwitbereiding werd uitgevoerd met de Prepare Protein-module in CB-Dock2, die het verwijderen van watermoleculen, toevoeging van polaire waterstoffen en toewijzing van Gasteiger-ladingen omvat. De driedimensionale chemische structuren van de kandidaatverbindingen (clodronzuur en epoetine alfa) werden opgehaald uit de PubChem-database in Structure-Data File (SDF)-formaat. Dockingsimulaties werden uitgevoerd met behulp van het CB-Dock2 online platform, dat het AutoDock Vina-algoritme gebruikt voor blind docking. De koppelingsplaats was ingesteld om het gehele eiwitoppervlak te bedekken, zodat potentiële bindingspockets onbevooroordeeld geïdentificeerd konden worden. Bindingsaffiniteit werd berekend als de voorspelde vrije bindingsenergie (ΔG) in kcal/mol. Definitieve koppelingshoudingen en eiwit-ligandinteracties (bijv. waterstofbruggen, hydrofobe contacten) werden gevisualiseerd met behulp van PyMOL en de ingebouwde interactieviewer van CB-Dock2.

8. Preprocessing van single-cell RNA-sequencinggegevens

Kwaliteitscontrole werd uitgevoerd vóór downstream single-cell RNA-sequencinganalyse. Cellen werden behouden toen het aantal gedetecteerde genen tussen 200 en 10.000 lag, het totale aantal unieke moleculaire identificaties ≥1.000 was, en het aandeel mitochondriale transcripten ≤20%.
Cellen met minder dan 200 genen en genen die in minder dan drie cellen werden gedetecteerd, werden uitgesloten. Deze filters werden toegepast om de opname van laagwaardige cellen en technische ruis te verminderen. Genexpressiewaarden werden genormaliseerd met behulp van de functie NormalizeData in het Seurat-pakket. Zeer variabele genen werden geïdentificeerd met behulp van de FindVariableFeatures-functie. Expressiewaarden voor de zeer variabele genen werden gecentreerd en gestandaardiseerd met behulp van de ScaleData-functie.

Batch-effecten die samenhangen met experimentele of sequencingvariatie werden gecorrigeerd met behulp van de RunHarmony-functie uit het Harmony-integratieframework17.

9. Reductie, clustering en annotatie van dimensionaliteit in één cel

Principal component analyse werd voor het eerst toegepast om de dimensionaliteit van de single-cell RNA sequencing dataset te verminderen. Uniforme manifoldbenadering en -projectie, en t-verdeelde stochastische buur-inbedding werden vervolgens gebruikt om cellulaire heterogeniteit te visualiseren.

Transcriptioneel vergelijkbare cellen werden gegroepeerd met behulp van de FindNeighbors- en FindClusters-functies in Seurat. Differentieel expressieve markergenen voor elk cluster werden geïdentificeerd met behulp van de FindAllMarkers-functie door elke cluster te vergelijken met alle overige clusters.

Celtypen werden toegewezen met behulp van canonieke markergenen verkregen uit gepubliceerde literatuur en gevestigde celmarkerdatabases. De ruimtelijke distributie en expressieniveaus van sleutelgenen werden gevisualiseerd met behulp van de FeaturePlot-functie18.

10. Kwantitatieve polymerasekettingreactie-analyse

Perifere bloedmonsters werden afgenomen van 8 patiënten met AMI en 8 gezonde controlegroepen in het Anhui Public Health Clinical Center. De AMI-groep omvatte patiënten die waren gediagnosticeerd volgens de Vierde Universele Definitie van Myocardinfarct, met symptomen die consistent zijn met myocardischemie en verhoogde cardtroponine I-waarden boven de bovenste referentiegrens van het 99e percentiel. De controlegroep bestond uit leeftijds- en geslachtsgematchte gezonde personen zonder voorgeschiedenis van hart- en vaatziekten, normale elektrocardiogrammen en zonder afwijkingen in routinematige bloedtesten, leverfunctie of nierfunctie. Voor patiënten met AMI werd binnen 24 uur na opname 3 ml ethyleendiaminetetraazijnzuur-anticoaguleerd bloed afgenomen. Hetzelfde volume werd verzameld van gezonde controles tijdens de overeenkomstige studieperiode.

Totaal RNA werd geïsoleerd uit perifere bloed volgens het protocol dat bij de bloed-RNA-isolatiekit werd geleverd. RNA-concentratie en zuiverheid werden beoordeeld met een NanoDrop-spectrofotometer, en de integriteit van RNA werd geverifieerd door agarosegel-elektroforese. Voor latere analyses werden alleen monsters met een A260/A280-verhouding tussen 1,8 en 2,1 gebruikt. In totaal werd 500 ng RNA omgekeerd getranscribeerd in complementair DNA met behulp van een eerstestrengs complementair DNA-synthesereagens. Het resulterende complementaire DNA werd verdund tot een uiteindelijke concentratie van 150 ng/mL. Kwantitatieve polymerasekettingreactie-amplificatie werd uitgevoerd in een totaal reactievolume van 10 μL met behulp van een SYBR Green-gebaseerde mastermix zonder passieve referentiekleurstof. Alle qPCR-reacties werden twee keer in technische duplicaten uitgevoerd, en de daaropvolgende berekeningen waren gebaseerd op de gemiddelde CT-waarden.

De versterking werd uitgevoerd met een realtime polymerase-kettingreactie-instrument. De cyclische omstandigheden bestonden uit initiële denaturatie bij 95 °C gedurende 5 minuten, gevolgd door 40 cycli denaturatie bij 95 °C gedurende 10 seconden, annealing bij 60 °C gedurende 30 seconden en verlenging bij 72 °C gedurende 30 seconden. Smeltcurve-analyse werd uitgevoerd na amplificatie.

De genexpressieniveaus werden genormaliseerd naar β-actine. De relatieve expressie werd berekend met behulp van de 2−ΔΔCt-methode .

11. Statistische analyse

Statistische analyses werden uitgevoerd in R. Netwerkvisualisaties werden gegenereerd met netwerkanalysesoftware. Verschillen tussen twee groepen werden geëvalueerd met behulp van de Wilcoxon-test, tenzij anders gespecificeerd. Continue variabelen met een normale verdeling werden vergeleken met behulp van de Student's t-test. Niet-normaal verdeelde continue variabelen werden vergeleken met behulp van de Mann-Whitney U-test, ook wel de Wilcoxon-rangsomtest genoemd. Alle statistische tests waren tweezijdig. Een P-waarde van <0,05 werd als statistisch significantbeschouwd 19.

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

Resultaten

Identificatie en verrijkingsanalyse van calmoduline-gerelateerde genen geassocieerd met AMI
Batch-effectcorrectie werd eerst uitgevoerd op de GSE59867 dataset om cross-sample vergelijkbaarheid te waarborgen (Figuur 1A). In totaal werden vervolgens 168 differentieel tot expressie gebrachte genen (DEGs) geïdentificeerd, waaronder 77 upreguleerde en 91 downregulated genen in AMI-monsters vergeleken met controles (Figuur ...

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

Discussie

Acuut myocardinfarct (AMI) ontstaat door een acute afsluiting van de kransslagader, wat leidt tot myocardischeemische necrose en een hoge morbiditeit en mortaliteit wereldwijd. Calmoduline, een calciumafhankelijk regulerend eiwit, speelt een cruciale rol bij intracellulaire signaaltransductie. Eerdere studies hebben aangetoond dat calmoduline cardiomyocytenapoptose, ontstekingsreacties en calciumhomeostase reguleert tijdens AMI, wat suggereert dat het een belangrijk molecuul kan zijn in ...

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

Openbaarmakingen

De auteurs geven geen belangenconflicten aan.

Dankbetuigingen

Dit werk werd ondersteund door het Anhui Medical University Research Fund (subsidienummer 2022xkj059) en het Anhui Institute of Translational Medicine (subsidienummer 2021zhyx-C71). De auteurs bedanken alle collega's die hebben geholpen bij en dit onderzoek hebben ondersteund.

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

Materialen

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

Referenties

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

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

Herprints en machtigingen

Tags

Calmoduline-gerelateerde genendifferentiële expressieimmuuninfiltratiegewogen co-expressieT-cellenNK-cellen
Neem contact met ons op
Aanbevelen aan de bibliotheek

Privacy

Gebruiksvoorwaarden

Beleidsoverzicht

Copyright © 2026 MyJoVE Corporation. Alle rechten voorbehouden.