Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł badawczy

Cholesterol i stearamid pośredniczą w apoptozie limfocytów i wydzielaniu cytokinów w toczniu rumieniowatym układowym

524 wyświetleń

⸱

DOI:

10.3791/69038

⸱

17 października 2025

 ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
1Anhui University of Science & Technology, The First Hospital, 2Department of Rheumatism and Immunology, Peking University Shenzhen Hospital, 3School of Computer Science and Engineering, Anhui University of Science & Technology, 4Taizhou University of Medicine, 5School of Medicine, Anhui University of Science & Technology, 6Department of Radiotherapy, Shenzhen Traditional Chinese Hospital, the Fourth Clinical Medical College of Guangzhou University of Chinese Medicine, the Clinical Medical Research Center of Shenzhen People's Hospital, 7Anhui Provincial Academician Workstation of Anhui University of Science & Technology for Autoimmune Disease Diagnostic Technology, 8Departments of Nephrology, Shenzhen People's Hospital

W tym artykule

Informacja o sprostowaniu

Important: There has been an erratum issued for this article. View Erratum Notice

Podsumowanie

Przedstawiamy tutaj badanie, które integruje dwupróbową randomizację Mendelowskią, walidację metabolomiki opartą na chromatografii cieczowej i spektrometrii mas (LC-MS) oraz testy funkcjonalne wykorzystujące limfocyty pochodzące od pacjentów z powodu tocznia układowego (SLE) w celu oceny apoptozy i odpowiedzi cytokinowych po stymulacji metabolitów, mając na celu identyfikację biomarkerów lipidowych oraz badanie ich ról immunoregulacyjnych w SLE.

Streszczenie

Zmiany w składzie surowicy coraz częściej kojarzą się z układowym toczniem rumieniakowym (SLE), jednak bezpośredni wpływ tych metabolitów na funkcjonowanie komórek odpornościowych pozostaje słabo określony. Celem tego badania było zidentyfikowanie metabolitów krwi obwodowej związanych z SLE oraz ocena ich wpływu na apoptozę i wydzielanie cytokinów u limfocytów pochodzących od pacjentów z SLE.

Przeprowadziliśmy analizę randomizacji Mendelowskiej (MR) na dwóch próbach, aby zbadać związek między 565 metabolitami surowicy a SLE, wykorzystując model ważony odwrotną wariancją jako główne podejście analityczne. Istotne wyniki zostały zweryfikowane krzyżowo, korzystając z wcześniej opublikowanych danych z nieukierunkowanej metabolomiki opartych na chromatografii cieczowej-spektrometrii masowej (LC-MS). W eksperymentach funkcjonalnych limfocyty wyizolowane od pacjentów z SLE były stymulowane docelowymi metabolitami, a następnie oceniano apoptozę i wydzielanie cytokin.

Analiza MR wykazała 28 metabolitów istotnie związanych z SLE. Spośród nich cholesterol (OR = 1,462, 95% CI: 1,100-1,940, P = 0,008) oraz stearamid (OR = 0,125, 95% CI: 0,020-0,660, P = 0,014) zostały zweryfikowane za pomocą LC-MS i stwierdzono podwyższenie u pacjentów z SLE. Analiza charakterystyki pracy odbiornika wykazała silne wyniki diagnostyczne (AUC = 0,999 dla cholesterolu; AUC = 1,000 dla stearamidu). Funkcjonalnie oba metabolity indukowały zwiększoną apoptozę oraz zwiększoną wydzielanie TNF-α, IFN-γ oraz TGF-β1 w limfocytach SLE.

Podsumowując, nasze zintegrowane podejście łączące asocjację genetyczną, profilowanie metabolitów oraz testy funkcjonalne ujawnia, że cholesterol może przyczyniać się do zaburzeń odporności w SLE. Chociaż stearamid wykazywał negatywne powiązania z ryzykiem SLE w analizie MR, jego efekty in vitro odzwierciedlały efekty cholesterolu, co sugeruje złożoną i zależną od kontekstu rolę. Wyniki te podkreślają znaczenie metabolizmu lipidów w SLE i wspierają dalsze badania mechanistyczne oraz kliniczne nad jego wpływem immunologicznym.

Wprowadzenie

Toczeń rumieniowaty układowy (SLE) to przewlekła choroba autoimmunologiczna, wyróżniająca się złożoną patogenezą i różnorodnymi przejawami klinicznymi, która dotyka miliony ludzi na całym świecie1. Heterogeniczność SLE – gdzie objawy znacznie różnią się między osobami i ewoluują w czasie – stwarza poważne wyzwania w diagnozie, monitorowaniu aktywności choroby oraz dostosowywaniu spersonalizowanych planów leczenia 2,3. Chociaż kryteria klasyfikacji SLE Europejskiej Ligi Przeciw Reumatyzmie z 2019 roku oraz Amerykańskiego Kolegium Reumatologii (EULAR/ACR) poprawiły dokładność diagnostyczną4, kryteria te nie obejmują wszystkich objawów choroby i często zależą od inwazyjnych procedur, takich jak biopsja nerki, które mogą być niepraktyczne i uciążliwe dla pacjentów.

W ostatnich latach badania nad metabolitami jako biomarkerami w SLE rosną, wykazując ich ogromny potencjał we wczesnej diagnozie, typowaniu i ocenie prognosycznej 5,6,7. Jednak potencjał translacyjny badań opartych na metabolitach w SLE pozostaje ograniczony przez kilka kluczowych wyzwań. Po pierwsze, małe próby są głównym ograniczeniem8. Większość dotychczasowych badań metabolomicznych obejmowała stosunkowo niewielu uczestników, co ogranicza ich zdolność do uchwycenia pełnej klinicznej heterogeniczności SLE. Biorąc pod uwagę, że SLE może mieć zakres od łagodnego zaangażowania skóry po ciężkie przejawy nerkowe lub neurologiczne, badania o niewystarczającej różnorodności próbek mogą mieć słabą powtarzalność i ograniczoną uogólnialność9. Po drugie, brakuje mechanistycznej głębi. Chociaż wcześniejsze badania wykazały powiązania między konkretnymi metabolitami a aktywnością chorobową, uszkodzeniem narządów lub szczególnymi cechami klinicznymi, większość wyników pozostaje opisowa10. Badania te koncentrowały się głównie na ilościowych różnicach w poziomach metabolitów i ich statystycznych korelacjach z wskaźnikami klinicznymi, nie analizując przyczynowych ról metabolitów w immunopatologii SLE. Ponieważ zaburzenia układu odpornościowego – w tym aberrancyjne apoptozy limfocytów i niezrównoważona sekrecia cytokin – są kluczowe dla patogenezy SLE, zrozumienie, jak metabolity wpływają na te procesy, jest kluczowe11. Obecnie niewiele badań bezpośrednio badało, jak konkretne metabolity modulują apoptozę komórek układu odpornościowego lub produkcję cytokinów w kontekście SLE.

Celem tego badania jest identyfikacja metabolicznych biomarkerów związanych z SLE poprzez integrację randomizacji mendelowskiej (MR) i analiz metabolomiki nieukierunkowanej LC-MS oraz wyjaśnienie funkcjonalnych ról tych kandydatów na metabolity w modulacji apoptozy limfocytów i produkcji cytokiny zapalnej za pomocą ukierunkowanych testów komórkowych, jak pokazano na Rysunku 1.

Jest to pierwsze badanie integrujące MR, walidację metabolomiczną oraz testy funkcjonalne in vitro , aby zbadać przyczynowe i mechanistyczne role metabolitów lipidów – szczególnie cholesterolu i stearamidu – w patogenezie SLE. Łącząc dowody genetyczne, metaboliczne i eksperymentalne, prace te dostarczają kompleksowego i wielowarstwowego wglądu w to, jak konkretne zmiany lipidowe mogą wpływać na zaburzenia układu odpornościowego w SLE. To integracyjne podejście oferuje nowatorskie ramy do identyfikacji potencjalnych biomarkerów metabolicznych i celów terapeutycznych w chorobach autoimmunologicznych12.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

Badanie to zostało przeprowadzone zgodnie z kryteriami klasyfikacji EULAR/ACR z 2019 roku. Badanie to zostało zatwierdzone przez Szpital Ludowy w Shenzhen (numer zatwierdzenia Komisji Etyki LL-KY-2019514).

Analiza randomizacji mendelowskiej (MR)

Źródła danych GWAS
Dane genetyczne dotyczące asocjacji dla SLE i 565 metabolitów zostały pozyskane z bazy OpenGWAS (https://gwas.mrcieu.ac.uk/). Zbiory danych GWAS o chorobie są podsumowane w Tabeli 1, natomiast źródła i wielkości próbek dla danych GWAS o metabolitach są szczegółowo opisane w Tabeli 2. Te zbiory danych stanowiły podstawę analizy MR do badania przyczynowych zależności między metabolitami a SLE 13,14,15,16.

Wybór zmiennych instrumentalnych
Warianty genetyczne związane z metabolitami krwi i SLE zostały wybrane jako zmienne instrumentalne (IV) do analizy MR. IV zostały wybrane na podstawie trzech podstawowych założeń MR: relewancji, niezależności oraz ograniczenia wykluczenia17. Konkretnie wybrano poszczególne polimorfizmy nukleotydowe (SNP) związane z metabolitami o progu istotności w całym genomie P < 5 × 10-8 18. Aby zapewnić niezależność między IV, wykonano zgrupowanie nierównowagi sprzężenia (LD) z progiem r2 < 0,001 i odległością fizyczną 10 000 kb, używając populacji europejskiej jako panelu referencyjnego19. Proces ten minimalizował redundancję i zapewniał, że każda IV dostarczała unikalnych informacji do analizy MR.

Analizy statystyczne
Głównym podejściem statystycznym do analizy MR była metoda ważona odwrotną wariancją (IVW), która łączy efekty wielu dożylnych w celu oszacowania przyczynowego wpływu metabolitów na SLE20. Aby uwzględnić potencjalną pleiotropię, przeprowadzono analizy czułości z wykorzystaniem regresji MR-Egger21. Siła każdego IV oceniano za pomocą statystyk F, przy czym zachowano tylko SNP wykazujące F > 10, aby zapewnić solidną wytrzymałość instrumentu22. SNP o niższych statystykach F-zostały wykluczone, aby uniknąć słabego błędu instrumentów. Ostateczne analizy MR przeprowadzono tylko wtedy, gdy nie wykryto istotnej heterogeniczności ani plejotropii, co zapewnia wiarygodność szacunków przyczynowych23.

Analizy wrażliwości
Zastosowano kilka analiz czułości, aby ocenić wiarygodność wyników MR. Heterogeniczność między dożylnymi testami oceniono za pomocą testu Q Cochrana, natomiast plejotropię za pomocą regresji MR-Egger24. Dodatkowo przeprowadzono analizę "leave-one-out", aby ustalić, czy wyniki MR były nieproporcjonalnie wpływane przez pojedynczy SNP25. Opracowano wykresy leśne, aby zobrazować indywidualne i łączone efekty IV. Analizy te wspólnie zapewniły, że wyniki MR nie były zniekształcone przez efekty plejotropowe ani odchylające SNP.

Źródło danych o metabolomice
Dane metabolomiczne użyte w tym badaniu pochodzą z wcześniej opublikowanego badania naszej grupybadawczej 10. W tym badaniu przeprowadziliśmy analizy metabolomiczne na próbkach surowicy od 121 pacjentów z SLE oraz 106 zdrowych osób. Profilowanie metabolomiczne nieukierunkowane przeprowadzono za pomocą ultrawysokowydajnej chromatografii cieczowej w połączeniu ze spektrometrią mas (UHPLC-MS). Dane zostały przetworzone przy użyciu standardowych procesów metabolomicznych, w tym wykrywania szczytów, wyrównywania i normalizacji, aby zidentyfikować metabolity istotnie związane z SLE. Metabolity te zostały następnie porównane z wynikami analizy MR w celu identyfikacji nakładających się metabolitów. Bardziej szczegółowe informacje można znaleźć w poprzedniej publikacji10. Metabolity istotnie powiązane w analizie metabolomiki oraz te o istotnych powiązaniach przyczynowych w analizie MR zostały przypisane do odpowiednich identyfikatorów HMDB za pomocą platformy MetaboAnalyst. Wspólne metabolity zostały następnie zidentyfikowane przez przecięcie obu zestawów identyfikatorów HMDB.

Pomiary cytokin i badanie apoptozy
Łącznie włączono 3 pacjentów z SLE (Tabela 3), zgodnie z kryteriami klasyfikacji EULAR/ACR z 2019 roku.

Pobranie próbki krwi obwodowej i izolacja limfocytów
Pobrano próbki krwi obwodowej (3-6 mL) od uczestników przy użyciu probarek próżniowych zawierających heparynę sodową jako środek przeciwzakrzepływy. Komórki monojądrowe krwi obwodowej (PBMC) zostały wyizolowane za pomocą wirowania gradientu gęstości Ficoll-Paque (400-800 × g przez 20-30 minut). Izolowane komórki były dwukrotnie myte solą fizjologiczną z buforem fosforanowym (PBS, HyClone) w niskoprędkościowej wirówce (250 × g przez 10 minut) i ponownie zawieszone w pełnym medium RPMI-1640 z dodatkiem 10% surowicy płodowej bydła. Gęstość komórek została skorygowana do 1 × 106 komórek/mL, co zostało zweryfikowane przez automatyczny licznik komórek. Zawiesina komórkowa była zasiewana do płytek hodowlanych i wstępnie inkubowana przez 2 godziny w temperaturze 37°C w atmosferze 5%CO2, aby ułatwić przyleganie. Po przedinkubacji starannie pobrano komórki nieprzylegające do supernatantu hodowli i poddano izolacji limfocytów. Zebrane zawieszenie było delikatnie nakładane na Ficoll-Paque i ponownie wirowane przy 400 × g przez 20 minut bez hamulca. Warstwa komórek monojądrowych na styku plazma-Ficoll została starannie zasysana, dwukrotnie przemyta fosforanową solą fizjologiczną (PBS) i ponownie zawiesiowana w medium RPMI-1640 zawierającym 10% surowicy płodowej bydła. Żywotność i stężenie komórek oceniano za pomocą automatycznego licznika komórek, a limfocyty wykorzystano następnie do dalszych zastosowań.

Leczenie i hodowla komórek
Komórki zostały podzielone na pięć grup w leczeniu: Grupa kontrolna: Leczone równą ilością DMSO. Grupa leczona cholesterolem: Leczona cholesterolem w stężeniu 1,5 mmol/L. Stężenie wolnego cholesterolu 1,5 mmol/l użyte w tym badaniu zostało wybrane do symulacji bogatego w lipidy mikrośrodowiska wykraczającego poza poziomy fizjologiczne. Krążenie wolnego cholesterolu u zdrowych osób zwykle wynosi od 0,9 do 1,3 mmol/L. Nieco podwyższone stężenie użyte w tym eksperymencie miało na celu naśladowanie patologicznego nagromadzenia lipidów, które może występować w tkankach zapalnych lub metabolicznie zaburzonych w SLE. Grupy leczące stearamidamidem: Traktowane stearamidem w stężeniach 5 μmol/L i 10 μmol/L. Stężenia stearamidu (5 i 10 μmol/L) zostały wybrane na podstawie wcześniejszego raportu26, który sugerował, że poziomy stearamidu w zakresie 5-10 μmol/L mogą naśladować podwyższone nagromadzenie lipidów w warunkach patologicznych. Celem było zbadanie pro-apoptotycznych i immunomodulacyjnych efektów ekspozycji na lipidy o wysokim stężeniu na limfocyty SLE, symulując stany zapalne lub metabolicznie zaburzone. Cholesterol i stearamid były najpierw rozpuszczane w DMSO w celu przygotowania roztworów zapasowych o wysokim stężeniu, które następnie rozcieńczano w pożywce hodowlarskiej, aby osiągnąć docelowe stężenia. Końcowe stężenie DMSO we wszystkich grupach nie przekroczyło 0,1% (v/v). Po dodaniu odpowiednich zabiegów płytki delikatnie potrząsano, aby zapewnić równomierne rozłożenie i inkubowano przez 48 godzin w temperaturze 37 °C w środowisku z zawartością 5%CO2.

Badanie apoptozy
W eksperymentach apoptozy zebrano i dwukrotnie przemyto 1 × 106 do 3 × 10 6 komórek za pomocą wstępnie schłodzonego PBS. Grupa kontrolna była przygotowywana przez ponowne zawieszenie komórek w 500 μL wcześniej schłodzonego roztworu kontrolnego z dodatnim apoptozą i inkubację na lodzie przez 30 minut, po czym następuje kolejne płukanie PBS. Grupy eksperymentalne były leczone zgodnie z rozdziorem 1.7, stosując kontrolę, cholesterol (1,5 mmol/L) oraz stearamid (10 μmol/L). Po leczeniu pobrano 1-10 × 10 komórek5 (w tym te z supernatantu hodowli) i ponownie zawieszono w 500 μL buforu wiążącego 1× (przygotowanego przez rozcieńczenie roztworu 5× zapasowego z podwójnie destylowaną wodą). Każda próbka była mieszana z równą liczbą nieprzetworzonych żywych komórek, a objętość była dostosowana do 1,5 mL z wcześniej schłodzonym buforem wiążącym 1×. Zawieszenie zostało następnie podzielone na trzy rury: jedną do kontroli ślepej powierzchni i dwie do kompensacji pojedynczych plam (Annexin V-FITC i PI). Do każdej probówki eksperymentalnej dodano 5 μL Annexin V-FITC oraz 10 μL roztworu barwienia PI, a następnie nastąpiło wirowanie i inkubacja w temperaturze pokojowej w ciemności przez 5 minut. Cytometria przepływowa została wykonana za pomocą lasera wzbudzającego o długości 488 nm do wykrycia Annexin V-FITC (emisja na 530 nm) oraz PI (emisja na 615 nm). Pusta lampa sterująca służyła do ustawiania napięcia rozpraszania w kierunku przednim (FSC), bocznego (SSC) i kanału fluorescencyjnego, natomiast rurki jednobarwne służyły do kompensacji fluorescencji. Apoptoza została przeanalizowana za pomocą dwuparametrowych wykresów rozproszonych w celu oceny odsetku komórek apoptotycznych27,28.

Wykrywanie czynników odpornościowych
Po 48-godzinnej inkubacji zawiesiny komórkowe były wirowane (250 × g przez 5 minut), aby zebrać supernatanty hodowlane, które przechowywano w temperaturze -80 °C do czasu analizy. Ilościowa analiza cytokiny została przeprowadzona za pomocą komercyjnego panelu odpowiedzi immunologicznej niezbędnych dla człowieka, zgodnie z instrukcjami producenta i z optymalizacjami dla instrumentu. W skrócie, do każdej dołki mikropłytki dodano 25 μL buforu testowego oraz 25 μL standardów (w zakresie od 2,4 do 10 000 pg/mL) lub próbek. Mieszanina kulek była wirowana przez 30 sekund i dodawana do studni, co dawało całkowitą objętość reakcji do 75 μL. Płyta była inkubowana przez potrząsanie (800 obr./min) w temperaturze pokojowej przez 2 godziny w ciemności. Po dwóch automatycznych płukaniach (1× buforu płukania, 250 × g przez 5 minut) do każdego dołka dodano 25 μL biotynowo-indykowanego przeciwciała wykrywającego i inkubowano przez 1 godzinę. Następnie dodano 25 μL streptawidyny-fikoerytrytryny (SA-PE) na 30 minut, aby wzmocnić sygnał.

Pozyskiwanie danych przeprowadzano za pomocą cytometru przepływowego wyposażonego w laser wzbudzający 488 nm oraz filtr 575/26 nm do wykrywania PE. Przed każdym eksperymentem stosowano kulki kalibracyjne do optymalizacji napięć lamp fotopowielaczowych i kompensacji widmowej. Dane zostały przeanalizowane za pomocą oprogramowania LEGENDplex v8.0, a stężenia cytokin zostały określone za pomocą pięcioparametrowego dopasowania krzywej logistycznej (5PL). Limity wykrywania dla każdej cytokiny wahały się od 0,68 pg/mL do 1,97 pg/mL, a eksperymenty prowadzono w duplikacie, aby zapewnić precyzję (współczynnik zmienności między dołkami <10%). Wyniki wyrażano jako średnią ±± odchylenie standardowe, a różnice statystyczne między grupami oceniano za pomocą jednokierunkowej metody ANOVA, a następnie testu po-hoc Tukeya w odpowiednim oprogramowaniu do analizy statystycznej. Okres inkubacji trwający 48 godzin został wybrany na podstawie dynamicznych zmian w wydzielaniu cytokin, aby kompleksowo uchwycić odpowiedź immunologiczną. Codzienna kalibracja instrumentów i kontrola stężenia DMSO (≤0,1%) zapewniły wiarygodność i powtarzalność wyników29, 30, 31.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Związek między kluczowymi metabolitami a objawami klinicznymi w SLE

W tym badaniu analiza MR 565 metabolitów z SLE wykazała istotne powiązania przyczynowe. Jak pokazano na Rysunku 2, zidentyfikowano łącznie 28 metabolitów istotnie związanych z SLE, obejmujących takie kategorie jak peptydy, aminokwasy, energia, lipidy, węglowodany i kwasy tłuszczowe. Peptydy takie jak gamma-glutamylofenylanina i pro-hydroksy-pro, aminokwasy w tym tryptofanbetaina i...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

Nasze badanie wykazało, że 1,5 mmol/L cholesterolu, 5 μmol/L stearamid oraz 10 μmol/L stearamid indukują podobne wzorce apoptozy i wydzielania cytokin u limfocytów u pacjentów z SLE, choć zaobserwowano różnice w ich wielkości. Konkretnie, zarówno cholesterol 1,5 mmol/L, jak i stearamid 5 μmol/L znacząco zwiększały apoptozę limfocytów SLE. Dodatkowo, leczenie cholesterolem 1,5 mmol/L w połączeniu ze stearamidem 5 μmol/L lub 10 μmol/L dodatkowo zwiększyło wydzielanie odpowiednich czynników odpornościowych. Wyniki eksperyme...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autorzy deklarują, że nie mają ze sobą rywalizujących interesów.

Podziękowania

Badania te były wspierane przez Projekt Funduszu Innowacji Dyplomowanych Uniwersytetu Nauki i Technologii Anhui (nr 2024cx2204), stanowisko pracy dla akademików prowincji Anhui (stanowisko pracy naukowych prowincji Anhui (techniki diagnostyczne chorób autoimmunologicznych), Uniwersytet Nauki i Technologii Anhui, Huainan, 232001 Anhui, Chiny) (Dokument nr 317 [2023], wydany przez Departament Nauki i Technologii prowincji Anhui), Fundusz Podstawowych i Stosowanych Badań Podstawowych prowincji Guangdong (nr 2021A1515110250), Narodowa Fundacja Nauk Przyrodniczych Chin (nr 82271824).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Zestaw apoptozowy Annexin V-FITC/PINauki wielonaukoweAP101Do wykrywania apoptozy za pomocą cytometrii przepływowej
CholesterolShanghai Jinpan Biotech Co., Ltd.JP1210051Wykorzystywany do eksperymentów stymulacyjnych w PBMC (10 g)
Wkład do wnętru przeciwstojącegoCorningCBG10001Wykorzystywane do fizycznego rozdzielania komórek w eksperymentach kokulturowych
Cytometr przepływowyBeckman CoulterCytoFLEXAnaliza cytometryczna przepływu
Oprogramowanie GraphPad PrismGraphPadAnaliza statystyczna i rysowanie wykresów
LEGENDplex Panel Odpowiedzi Immunologicznej Istotnej CzłowiekaBioLegend740390Multipleksowa detekcja cytokin immunologicznych
Zestaw mikropipet EppendorfRozmaityObsługa cieczy i transfer objętości (0,1 i dodatek; 10 μ L, 10– 100 μ L, 100– 1000 i mu; L)
Pośrednik do rozdzielania limfocytów krwi obwodowejKrajowy producentB1.1420AUżywany do izolacji PBMC (200 mL)
RPMI-1640 MediumGibcoC22400500BTMedium hodowlane dla PBMC
StearamidShanghai Jinpan Biotech Co., Ltd.1267285Wykorzystywany do stymulacji lipidów PBMC (100 g)
Sterylna płytka 24-dołkowaKrajowy producentBLJ182ADo hodowli komórkowych
CountStarShanghai Ruiyu BiotechnologyCS200Automatyczny licznik komórek
PBSHiklon10010023Pranie komórek
Ficoll-Paque Cytiva17-5442-03Izolacja komórek maziowych
LEGENDplex software BioLegendWersja 8Analiza danych cytometrii przepływowej
GraphPad Prism 9.0Oprogramowanie GraphPadWersja 9Analiza statystyczna

Bibliografia

  1. Barber, M. R., et al. Global epidemiology of systemic lupus erythematosus. Nat Rev Rheumatol. 17 (8), 515-532 (2021).
  2. Owen, K. A., Grammer, A. C., Lipsky, P. E. Deconvoluting the heterogeneity of SLE: the contribution of ancestry. J Allergy Clin Immunol. 149 (1), 12-23 (2022).
  3. Allen, M. E., Rus, V., Szeto, G. L. Leveraging heterogeneity in systemic lupus erythematosus for new therapies. Trends Mol Med. 27 (2), 152-171 (2021).
  4. Aringer, M., et al. European League against Rheumatism (EULAR)/American College of Rheumatology (ACR) SLE classification criteria item performance. Ann Rheum Dis. 80 (6), 775-781 (2021).
  5. Yoon, N., Jang, A. K., Seo, Y., Jung, B. H. Metabolomics in autoimmune diseases: Focus on rheumatoid arthritis, systemic lupus erythematous, and multiple sclerosis. Metabolites. 11 (8), 812(2021).
  6. Liang, J., et al. Targeted metabolomics combined with machine learning to identify and validate new biomarkers for early SLE diagnosis and disease activity. Clin Immunol. 264, 110235(2024).
  7. Liu, Y., Yang, X. A review on the novel biomarkers of systemic lupus erythematosus discovered via metabolomic profiling. Front Immunol. 15, 1443440(2024).
  8. Cheng, S., et al. Uncovering potential biomarkers and metabolic pathways in systemic lupus erythematosus and lupus nephritis through integrated microbiome and metabolome analysis. BMC Microbiol. 25 (1), 275(2025).
  9. Júnior, V. F. A. J. A., Silva, S. M., Amaral, A. L., Perini, J. V. deF. V., dos Santos, J. E. N. Systemic lupus erythematosus (SLE): Most common clinical manifestations and renal complications. Braz J Implantol Health Sci. 6, 647-660 (2024).
  10. He, J., et al. Serum proteome and metabolome uncover novel biomarkers for the assessment of disease activity and diagnosing of systemic lupus erythematosus. Clin Immunol. 251, 109330(2023).
  11. Moysidou, E., et al. Lymphocytes change their phenotype and function in systemic lupus erythematosus and lupus nephritis. Int J Mol Sci. 25, 10905(2024).
  12. Deng, P., Li, Z., Yi, B., Leng, Y. A Mendelian randomization study to assess the genetic liability of type 1 diabetes mellitus for IgA nephropathy. Front Endocrinol. 13, 874562(2022).
  13. Wang, Y. F., et al. Identification of 38 novel loci for systemic lupus erythematosus and genetic heterogeneity between ancestral groups. Nat Commun. 12, 772(2021).
  14. Hom, G., et al. Association of systemic lupus erythematosus with C8orf13-BLK and ITGAM-ITGAX. N Engl J Med. 358, 900-909 (2008).
  15. Shin, S. Y., et al. An atlas of genetic influences on human blood metabolites. Nat Genet. 46, 543-550 (2014).
  16. Kettunen, J., et al. Genome-wide study for circulating metabolites identifies 62 loci and reveals novel systemic effects of LPA. Nat Commun. 7, 11122(2016).
  17. Moodie, E. E., le Cessie, S. Instrumental variables analysis and mendelian randomization for causal inference. J Infect Dis. 231 (3), 556-558 (2025).
  18. Zhang, S., Zhang, W., Sun, H., Xue, R., Lv, Q. Therapeutic potential of single-nucleotide polymorphism-mediated interleukin-6 receptor blockade in cancer treatment: A Mendelian randomization study. Heliyon. 9, (2023).
  19. Yuan, S., Larsson, S. C., Gill, D., Burgess, S. Concerns about instrumental variable selection for biological effect versus uptake of proton pump inhibitors in Mendelian randomisation analysis. Gut. 74, e6-e6 (2025).
  20. Lin, Z., Deng, Y., Pan, W. Combining the strengths of inverse-variance weighting and Egger regression in Mendelian randomization using a mixture of regressions model. PLoS Genet. 17 (1), e1009922(2021).
  21. Markozannes, G., et al. Systematic review of Mendelian randomization studies on risk of cancer. BMC Med. 20, 41(2022).
  22. Li, Y., et al. The effects of coagulation factors on the risk of endometriosis: a Mendelian randomization study. BMC Med. 21, 195(2023).
  23. Grant, A. J., Burgess, S. Pleiotropy robust methods for multivariable Mendelian randomization. Stat Med. 40 (25), 5813-5830 (2021).
  24. Wang, C., Zhang, J., Han, F., Liu, D., Han, Y. No evidence for a causal link between Helicobacter pylori infection and irritable bowel syndrome: a Mendelian randomization study. Front Microbiol. 14, 1268492(2024).
  25. Zhu, K., Shi, J., Yang, R., Zhou, C., Liu, Z. Evidence based on Mendelian randomization: causal relationship between mitochondrial biological function and lung cancer and its subtypes. Neoplasia. 46, 100950(2023).
  26. Lin, F., Wang, Z., Xiang, L., Deng, L., Cui, W. Charge-guided micro/nano-hydrogel microsphere for penetrating cartilage matrix. Adv Funct Mater. 31, 2101132(2021).
  27. Chen, L. J., et al. Long non-coding RNA 01614 hyperactivates WNT/β-catenin signaling to promote pancreatic cancer progression by suppressing GSK-3β. Int J Oncol. 61, 116(2022).
  28. Zhao, J., Liang, K., Zhong, H., Liu, S., He, R., Sun, P. A cold-water polysaccharide-protein complex from Grifola frondosa exhibited antiproliferative activity via mitochondrial apoptotic and Fas/FasL pathways in HepG2 cells. Int J Biol Macromol. 218, 1021-1032 (2022).
  29. Tovar Acero, C., et al. IL-4, IL-10, CCL2 and TGF-β as potential biomarkers for severity in Plasmodium vivax malaria. PLoS Negl Trop Dis. 16, e0010798(2022).
  30. Strengert, M., et al. Cellular and humoral immunogenicity of a SARS-CoV-2 mRNA vaccine in patients on haemodialysis. EBioMedicine. 70, 103524(2021).
  31. Bhandi, S., et al. Modulation of the dental pulp stem cell secretory profile by hypoxia induction using cobalt chloride. J Pers Med. 11, 247(2021).
  32. Mao, C., et al. Alpha-ketoglutarate alleviates systemic lupus erythematosus-associated periodontitis in a novel murine model. J Clin Periodontol. 52, 457-470 (2025).
  33. Vaishnav, P., Yoo, Y. J., Yoon, Y. J., Demain, A. L. Immunosuppressants: Remarkable Microbial Products. Bioactive Nat. Prod. Chem. Biol. , 43-82 (2014).
  34. Shi, W., et al. Causal effect of three autoimmune diseases on brain functional networks and cerebrospinal fluid metabolites to underlie the pathogenesis of autoimmune psychosis: a two-sample Mendelian randomization analysis. J Transl Med. 23, 440(2025).
  35. Baig, S., Vanarsa, K., Ding, H., Titus, A., McMahon, M., Mohan, C. Baseline elevations of leukotriene metabolites and altered plasmalogens are prognostic biomarkers of plaque progression in systemic lupus erythematosus. Front Cardiovasc Med. 9, 861724(2022).
  36. Warda, M., et al. Lipid rafts: novel therapeutic targets for metabolic, neurodegenerative, oncological, and cardiovascular diseases. Lipids Health Dis. 24, 147(2025).
  37. Hu, C., Wu, H., Zhu, Q., Cao, N., Wang, H. Cholesterol metabolism in T-cell aging: accomplices or victims. FASEB J. 37, e23136(2023).
  38. Song, Y., Liu, J., Zhao, K., Gao, L., Zhao, J. Cholesterol-induced toxicity: an integrated view of the role of cholesterol in multiple diseases. Cell Metab. 33, 1911-1925 (2021).
  39. Wei, Y., Wang, D., Topczewski, F., Demain, A. L. Saturated fatty acids induce endoplasmic reticulum stress and apoptosis independently of ceramide in liver cells. Am J Physiol-Endocrinol Metab. 291 (2), E275-E281 (2006).
  40. Rámek, J., Němcová-Fürstová, V., Pavlíková, N., Kovář, J. Effect of saturated stearic acid on MAP kinase and ER stress signaling pathways during apoptosis induction in human pancreatic β-cells is inhibited by unsaturated oleic acid. Int J Mol Sci. 18 (11), 2313(2017).
  41. Westerterp, M., et al. Cholesterol accumulation in dendritic cells links the inflammasome to acquired immunity. Cell Metab. 25 (6), 1294-1304.e6 (2017).
  42. Chen, J., et al. UPLC-MS/MS-based plasma lipidomics reveal a distinctive signature in systemic lupus erythematosus patients. MedComm (2020). 2 (2), 269-278 (2021).
  43. López, P., et al. Low-density granulocytes and monocytes as biomarkers of cardiovascular risk in systemic lupus erythematosus. Rheumatology (Oxford). 59 (7), 1795(2020).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Sprostowanie


Formal Correction: Erratum: Cholesterol and Stearamide Mediate Lymphocyte Apoptosis and Cytokine Secretion in Systemic Lupus Erythematosus
Posted by JoVE Editors on 11/18/2025. Citeable Link.

This corrects the article 10.3791/69038

Tagi

Metabolity w surowicyrandomizacja mendlowskametabolizm cholesteroluefekty stearamiduchromatografia cieczowa sprz ona z spektrometri masdysregulacja odporno cimetabolizm lipid w
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.