Artykuł badawczy

Wspólne mechanizmy molekularne i kandydaci na cele leków w cukrzycy typu 2 i miażdżycowej chorobie układu krążenia

52 wyświetleń

⸱

DOI:

10.3791/70237

⸱

4 sierpnia 2026

 ,  ,  ,  , 
1Department of Cardiology, Ningxia Gem Flower Hospital, 2Department of General Surgery, People's Hospital of Ningxia Hui Autonomous Region, Ningxia Medical University, 3Department of Anesthesiology, People's Hospital of Ningxia Hui Autonomous Region, Ningxia Medical University, 4Department of Orthopedics, People's Hospital of Ningxia Hui Autonomous Region, Ningxia Medical University

W tym artykule

Podsumowanie

To badanie zidentyfikowało wspólne geny, ścieżki biologiczne, związki odpornościowe i potencjalne cele terapeutyczne leżące u podstaw cukrzycy typu 2 i miażdżycowej choroby układu krążenia poprzez zintegrowane bioinformatyki i walidację eksperymentalną.

Streszczenie

To badanie zbadano mechanizmy leżące u podstaw współistnienia cukrzycy typu 2 (T2DM) i miażdżycowej choroby układu krążenia (ASCVD), jednocześnie identyfikując potencjalne cele terapeutyczne. Wspólne różnicowo eksponowane geny (C-DEGs) między T2DM a ASCVD zostały wyodrębnione z zestawów danych GSE78721 i GSE12288. Przeprowadzono analizy obogazania dla Ontologii Genów (GO) i ścieżek z Encyklopedii Genów i Genomów Kyoto (KEGG), analizę sieci interakcji białko-białko (PPI), identyfikację genów centralnych oraz analizę z bazy danych interakcji gen-lek (DGIdb). Związek między centralnymi C-DEGs a komórkami przenikającymi się uodparniająco przeanalizowano metodą CIBERSORT. Poziom ekspresji centralnych C-DEGs zmierzono za pomocą qRT-PCR oraz analiz Western blot. Łącznie zidentyfikowano 32 C-DEGs, w tym 20 eksponowanych w górę i 12 eksponowanych w dół. C-DEGs były przede wszystkim wzbogacone w kluczowych ścieżkach, w tym w zapalenie mięśnia sercowego wirusowego, mięśniakowato-zwłókniającą kardiomiopatię prawej komory, hipertroficzną kardiomiopatię i rozstrzenną kardiomiopatię. Analiza PPI ujawniła 29 węzłów i 39 krawędzi, co doprowadziło do identyfikacji ośmiu centralnych C-DEGs (HSP90B1, PLAU, SLPI, TOP3A, NCF4, PRF1, TUBA1C i CS) w obu zestawach danych. Co więcej, centralne C-DEGs (TOP3A, SLPI, NCF4, PRF1 i PLAU) wykazały istotne korelacje z poziomem komórek przenikających się uodparniająco. Leki specyficznie ukierunkowane na te centralne C-DEGs stanowią obiecujące kandydatury dla leczenia T2DM i ASCVD. Dodatkowo, ekspresję centralnych C-DEGs na poziomie mRNA i białka potwierdzono u pacjentów z T2DM i ASCVD. Zintegrowana analiza bioinformatyczna umożliwiła przesiewowe wyszukiwanie kandydatów do terapii, mechanizmów i leków dla T2DM i ASCVD, oferując nowe wglądy w terapię molekularną tych schorzeń.

Wprowadzenie

Cukrzyca (DM) to przewlekła choroba o złożonej etiologii, wpływ na którą mają różne czynniki genetyczne i środowiskowe, obecnie dotycząca szacunkowo 463 milionów osób na całym świecie, z przewidywaną liczbą 700 milionów do 2045 roku1,2. Cukrzyca typu 2 (T2DM) to wieloczynnikowa choroba charakteryzująca się opornością na insulinę i względnym niedoborem insuliny wynikającym z niewydolności komórek beta, prowadzącym do hiperglikemii i dyslipidemii, odpowiadając za 90% przypadków DM3,4,5. Oporność na insulinę jest kluczowym prekursorem wielu zaburzeń metabolicznych układu krążenia, które łącznie sprzyjają rozwojowi miażdżycowej choroby układu krążenia (ASCVD) i mogą wpływać na jej rokowanie6,7. Choroba miażdżycowa tętnic wieńcowych (CAD) wynika przede wszystkim z postępującego gromadzenia się miażdżycowego materiału, co prowadzi do zwężenia światła i zaburzeń przepływu krwi8. Miażdżyca jest napędzana przez wiele czynników, w tym hipercholesterolemię i cukrzycę9,10. Znaczące obciążenia dla człowieka i finanse związane z T2DM i CAD, wraz z wyzwaniami w ich długoterminowym leczeniu, podkreślają pilną potrzebę skutecznych strategii prewencyjnych.

Pacjenci z CAD i współistniejącą T2DM mają znacznie wyższe ryzyko zdarzeń sercowych11. Choroba układu krążenia (CVD) jest częstą powikłaniem T2DM i stanowi główną przyczynę śmiertelności wśród pacjentów z T2DM, z około 32,2% dotkniętych CVD12. Podbadania LoDoCo2 potwierdza, że współistniejąca T2DM koreluje ze zwiększonym ryzykiem poważnych niepożądanych zdarzeń sercowo-naczyniowych w populacjach z przewlekłym CAD13. Osoby z T2DM mają podwyższone ryzyko ASCVD14,15, a te z przewlekłym CAD, które również mają cukrzycę, nieść znacznie większe ryzyko kolejnych zdarzeń sercowo-naczyniowych16, co podkreśla krytyczną niezabezpieczoną potrzebę innowacyjnych opcji leczenia.

Wzrasta liczba grup badawczych przesiewających nowe geny o różnicowo wyrażanym transkrypcie (DEGs) w T2DM i ASCVD poprzez kompleksowe analizy danych transkryptomu z różnych baz danych. Wysiłki koncentrują się na wyjaśnieniu związku między tymi chorobami i identyfikacji skutecznych funkcji biologicznych. Ostatnie badania bioinformatyczne zbadali T2DM w związku z innymi chorobami; na przykład, Song i in. zidentyfikowali wspólne DEGs między T2DM a chorobą zwyrodnieniową stawów17, Castillo-Velázquez i in. przewidzieli związek między chorobą Alzheimera a DM18, a ważne geny i ścieżki w T2DM i zespole policystycznych jajników zostały rozpoznane poprzez analizę bioinformatyczną19. Jednakże mechanizmy molekularne łączące T2DM i ASCVD pozostają słabo poznane, co podkreśla znaczenie identyfikacji nowych potencjalnych celów terapeutycznych w leczeniu progresji obu stanów.

Niniejsze badanie ma na celu systematyczne zidentyfikowanie wspólnych ścieżek molekularnych i potencjalnych celów terapeutycznych między T2DM a ASCVD poprzez przeprowadzenie zintegrowanej analizy bioinformatycznej danych transkryptomu z zestawów danych GSE78721 (T2DM) i GSE12288 (ASCVD). Te zestawy danych zostały wybrane ze względu na dostarczenie dopasowanych próbek pacjentów i kontrolnych dla każdej choroby, stosując porównywalne platformy mikroarray, aby umożliwić mocną analizę porównawczą. Obecne podejście obejmowało zidentyfikowanie wspólnych DEGs (C-DEGs), przeprowadzenie analizy wzbogacenia funkcjonalnego i interakcji białkowych, ocenę skojarzeń z infiltracją immunologiczną oraz przewidywanie interakcji leków. Dodatkowo przeprowadzono wstępną eksperymentalną weryfikację. Praca ta dostarcza nowych wglądów i kandydatów na cele dla zrozumienia współistnienia T2DM i ASCVD.

Protokół

Ten protokół badania został przejrzano i zatwierdzono przez Ningxia Medical University Institutional Review Board w zakresie etyki (Numer wewnętrznego komitetu etycznego: Ethics [2023]-YCSKT-002) i zgodnie z zasadami określonymi w Deklaracji Helsińskiej. Pisemną zgodę na udział w badaniu uzyskały wszystkie zaangażowane osoby przed ich udziałem.

Źródła danych ekspresji dla T2DM i ASCVD

Dane dotyczące ekspresji genów dla T2DM i ASCVD zostały uzyskane z zestawów danych GSE78721 i GSE12288, pochodzących z bazy danych GEO. Oba zestawy danych wykorzystywały dane mikrotablicowe z platform [PrimeView] Affymetrix Human Gene Expression Array i [HG-U133A] Affymetrix Human Genome U133A Array. Zestaw danych GSE78721 zawierał dane ekspresji od 68 pacjentów z T2DM i 62 normalnych próbek (szczegóły w Tabeli uzupełniającej 1), podczas gdy zestaw GSE12288 zawierał dane ekspresji od 110 próbek ASCVD i 112 normalnych kontroli (szczegóły w Tabeli uzupełniającej 2). Sondy genowe zostały przekształcone na odpowiadające im symbole genów na podstawie informacji o adnotacji platformy.

Identyfikacja różnicowej ekspresji genów w T2DM i ASCVD

Po pobraniu danych z bazy danych GEO, surowe macierze ekspresji dla T2DM i ASCVD zostały skorygowanych i znormalizowanych za pomocą pakietu oprogramowania "limma" w celu zidentyfikowania DEG. Do selekcji DEG zastosowano próg P < 0.05. Wyniki różnicowej ekspresji zostały zwizualizowano za pomocą pakietów 'heatmap' i 'ggplot2' w języku R, aby stworzyć heatmapę i wykres wulkaniczny. C-DEG między T2DM i ASCVD zidentyfikowano poprzez diagram Venna.

Analiza funkcyjna Gene Ontology (GO) i analizy wzbogacenia ścieżek Kyoto Encyclopedia of Genes and Genomes (KEGG) dla C-DEG

Funkcje biologiczne i ścieżki zostały określone poprzez analizy wzbogacenia ścieżek GO i KEGG. Pakiet R org.Hs.eg.db został użyty do konwersji nazw C-DEG na identyfikatory genów, a analiza wzbogacenia GO została przeprowadzona za pomocą pakietów R clusterProfiler, enrichplot, ggplot2 i GOplot w celu zbadania wspólnych funkcji biologicznych C-DEG. Następnie przeprowadzono analizę KEGG w celu zidentyfikowania wspólnych znaczących ścieżek zaangażowanych w mechanizmy molekularne leżące u podstawy współistnienia T2DM i ASCVD. Wyniki wzbogacenia GO i KEGG przedstawiono w wykresach słupkowych przedstawiających liczbę genów, opisy funkcji i wartości P, przy czym statystyczne znaczenie zdefiniowano jako P < 0,05.

Analiza sieci interakcji białko-białko (PPI) dla C-DEG

C-DEG i geny centralne zdefiniowano jako wspólne geny w niniejszym badaniu. Aby ocenić funkcjonalne skojarzenia między tymi wspólnymi genami, sieć PPI została zbudowana za pomocą bazy danych STRING (https://string-db.org). Analiza rozpoczęła się od wyboru "Wielu białek" w funkcji "Szukaj" i wprowadzenia nazw C-DEG, określając gatunki jako "Homo sapiens". Podstawowe parametry dla C-DEG zostały skonfigurowane, aby wyświetlić sieć regulacyjną PPI. Wizualizację sieci PPI przeprowadzono za pomocą oprogramowania Cytoscape (wersja 3.9.1) (https://apps.cytoscape.org/), zapewniając graficzne przedstawienie interakcji między C-DEG. Centralne C-DEG zostały zidentyfikowane w sieci PPI przy użyciu wtyczki CytoHubba w Cytoscape, na podstawie algorytmu rankingu stopni.

Analiza infiltracji komórek odpornościowych

Aby zbadać różnice w infiltracji komórek odpornościowych między grupą T2DM a grupą kontrolną, zastosowano metodę CIBERSORT do oceny obfitości różnych typów komórek infiltracji odpornościowej. Następnie zastosowano algorytm testu Wilcoxona do porównania proporcji tych infiltracyjnych komórek odpornościowych między próbkami T2DM a próbkami kontrolnymi, ułatwiając ocenę zaobserwowanych różnic. Wizualizację danych osiągnięto za pomocą wykresów skrzypcowych. Aby zweryfikować korelacje między C-DEG a infiltracją komórek odpornościowych, wykorzystano pakiety R takie jak limma, scales, tidyverse i ggplot2 do obliczenia współczynników korelacji Spearmana. Krok ten sprecyzował relację między ekspresją C-DEG a poziomem infiltracji komórek odpornościowych, przy czym wyniki przedstawiono w formie heatmap. Wartość P mniejsza niż 0,05 była uważana za statystycznie istotną.

Analiza interakcji centralnych C-DEG z potencjalnymi celami leków

Baza danych interakcji leków i genów (DGIdb) zapewnia kompleksowy katalog interakcji leków i genów oraz profili genetycznych zatwierdzonych i potencjalnych środków terapeutycznych. W niniejszym badaniu lista centralnych C-DEG została wprowadzona do bazy danych w celu odzyskania informacji o interakcji między centralnymi C-DEG a ich potencjalnymi celami leków, które następnie zostały zwizualizowane za pomocą oprogramowania Cytoscape.

Walidacja eksperymentalna genów rdzeniowych za pomocą próbek klinicznych

Wyniki

Identyfikacja DEG

W niniejszym badaniu do analizy bioinformatycznej wykorzystano dwa zestawy danych: GSE78721 oraz GSE12288. W zbiorze GSE78721 zidentyfikowano łącznie 2266 DEG pomiędzy pacjentami z T2DM a próbkami prawidłowymi, w tym 1209 genów o zwiększonej i 1057 genów o zmniejszonej ekspresji (Rysunek 1A). W zbiorze GSE12288 potwierdzono 924 DEG pomiędzy pacjentami z ASCVD a grupą kontrolną, w tym 403 geny z nadekspresją i 521 geny o zmniejszonej ekspresji (Rysunek 1C). 50 najważniejszych DEG zidentyfikowanych w obu zbiorach danych przedstawiono na mapach ciepła widocznych na Rysunku 1B,D. Poprzez przecięcie tych dwóch zbiorów danych zidentyfikowano 32 C-DEG, składających się z 20 genów o zwiększonej i 12 genów o zmniejszonej ekspresji (Rysunek 2A,B).

Wzbogacenie GO i KEGG dla C-DEG

W celu wyjaśnienia funkcji biologicznych i kluczowych szlaków związanych z 32 C-DEG przeprowadzono analizy GO oraz KEGG. Dziesięć najważniejszych terminów związanych z procesem biologicznym (BP), komponentem komórkowym (CC) i funkcją molekularną (MF) wśród C-DEG przedstawiono na Rysunku 3A. Funkcje BP obejmują przede wszystkim regulację aktywacji plazminogenu, regulację fibrynolizy, pozytywną regulację różnicowania kardiocytów, negatywną regulację wiązania białek oraz różnicowanie kardioblastów. Funkcje CC dotyczą kompleksu endopeptydazy serynowej, kompleksów białkowych uczestniczących w adhezji komórka-macierz, skondensowanego chromosomu, specyficznej błony ziarnistej oraz ciałek PML. MF obejmuje strukturalne składniki cytoszkieletu, aktywność aktywatora NADPH oksydazy generującej ponadtlenek, wewnątrzkomórkową aktywność transferazy (fosfotransferaz), aktywność eksopeptydazy serynowej oraz wiązanie IgG (Rysunek 3A). W analizie KEGG C-DEG były głównie zaangażowane w kluczowe szlaki, w tym zapalenie mięśnia sercowego wirusowe, kardiomiopatię arytmogenną prawej komory, kaskady dopełniacza i krzepnięcia, raka prostaty, kardiomiopatię przerostową, kardiomiopatię rozstrzeniową, apoptozę, fagosom oraz przetwarzanie białek w retikulum endoplazmatycznym (Rysunek 3B).

Konstrukcja sieci PPI i screening genów hubowych

Spośród 32 C-DEGów, trzy geny nie wykazały znanych interakcji z innymi C-DEGami w bazie danych STRING i zostały zatem wykluczone z konstrukcji sieci PPI. Platforma STRING została wykorzystana do analizy PPI pozostałych 29 C-DEGów, co ujawniło sieć składającą się z 29 węzłów i 39 krawędzi, zwizualizowaną za pomocą programu Cytoscape (Rycyna 4A). Następnie, na podstawie stopnia łączności, zidentyfikowano osiem kluczowych C-DEGów (HSP90B1, PLAU, SLPI, TOP3A, NCF4, PRF1, TUBA1C oraz CS) (Rycyna 4B).

Różnice w infiltracji komórek odpornościowych i ich korelacja z hubowymi C-DEGami

Analiza ta koncentrowała się wyłącznie na zbiorze danych T2DM (GSE78721), aby wstępnie zbadać zmiany w mikrośrodowisku immunologicznym w kontekście T2DM oraz ich związek z genami węzłowymi (hub genes). Do wizualizacji zależności między zbiorem danych T2DM a poziomami infiltracji 22 typów komórek odpornościowych wykorzystano wykresy skrzypcowe (Rysunek 5A; szczegóły w Tablicy uzupełniającej 3). Analiza infiltracji komórek odpornościowych wykazała wyższą proporcję aktywowanych komórek dendrytycznych w grupie T2DM w porównaniu z grupą kontrolną (P = 0,049), podczas gdy proporcja spoczynkowych komórek dendrytycznych była istotnie niższa w grupie T2DM (P = 0,023). Ponadto relacja między poziomami ekspresji ośmiu węzłowych C-DEG a poziomami infiltracji 22 różnych typów komórek odpornościowych została zwizualizowana za pomocą mapy ciepła (Rysunek 5B). Warto zauważyć, że ekspresja TOP3A wykazała silną dodatnią korelację z poziomem infiltracji limfocytów T regulatorowych (Tregs) (P < 0,001), natomiast ekspresja SLPI była silnie dodatnio skorelowana z infiltracją limfocytów T gamma delta (P < 0,001). Odwrotnie, ekspresja NCF4 wykazała silną ujemną korelację z poziomem infiltracji aktywowanych komórek NK (P < 0,001), ekspresja PRF1 była silnie ujemnie skorelowana z poziomem infiltracji makrofagów M2 (P < 0,001), a ekspresja PLAU była silnie ujemnie powiązana z poziomem infiltracji naiwnych limfocytów B (P < 0,001).

Sieć potencjalnych interakcji lek-cel dla hubowych C-DEG

Spośród ośmiu zidentyfikowanych hubowych C-DEG, CS i TOP3A nie zostały wymienione jako znane cele lekowe w bazie danych DGIdb i tym samym zostały wykluczone z późniejszej analizy sieci kandydatów na leki i ich celów. W celu zidentyfikowania leków o potencjalnej roli terapeutycznej w T2DM i ASCVD, pozostałe sześć hubowych C-DEG zostało wprowadzonych do bazy danych DGIdb (szczegóły w Tabeli uzupełniającej 4). Następnie wykorzystano program Cytoscape do skonstruowania sieci kandydatów na leki i ich cele, ilustrującej powiązania między hubowymi C-DEG a kandydackimi lekami celowanymi (Rycina 6). Sieć ta obejmowała sześć hubowych C-DEG, 136 leków molekularnych oraz 137 krawędzi. W szczególności dla TUBA1C, NCF4, PRF1, SLPI, HSP90B1 i PLAU zidentyfikowano odpowiednio 82, 5, 3, 4, 1 i 42 kandydackich leków celowanych, z których większość sklasyfikowano jako leki przeciwnowotworowe, przeciwzapalne oraz przeciwzakrzepowe.

Walidacja ekspresji hubowych C-DEG

Z powodu braku CS i TOP3A jako potencjalnych celów terapeutycznych w bazie danych DGIdb oraz faktu, że ich funkcje biologiczne są mniej bezpośrednio powiązane ze strategiami terapeutycznymi w kontekście badań nad T2DM i ASCVD, w walidacji eksperymentalnej skupiono się na pozostałych sześciu hubowych C-DEG (HSP90B1, PLAU, SLPI, NCF4, PRF1 oraz TUBA1C). Aby dalej zbadać rolę tych hubowych C-DEG, przeprowadzono analizy qRT-PCR i western blot w celu oceny poziomów ekspresji kluczowych genów w różnych grupach (Rycina 7 i Rycina 8). Poziomy ekspresji TUBA1C, NCF4, SLPI, HSP90B1 i PLAU były znacząco podwyższone u pacjentów z T2DM i ASCVD w porównaniu z odpowiednimi grupami kontrolnymi osób zdrowych, natomiast ekspresja PRF1 była obniżona. Wyniki te sugerują, że geny te mogą odgrywać istotną rolę w progresji schorzeń u pacjentów z T2DM i ASCVD.

DOSTĘPNOŚĆ DANYCH:Zbiory danych dotyczących ekspresji genów GSE78721 oraz GSE12288, wykorzystane do analizy bioinformatycznej w niniejszym badaniu, są dostępne w publicznej bazie danych NCBI GEO. Surowe dane z części walidacji eksperymentalnej wygenerowane w ramach niniejszego badania zostały udostępnione w Pliku uzupełniającym 1.

Analiza ekspresji genów: wykresy wulkaniczne i mapy ciepła przedstawiające różnicową ekspresję w sekwencjonowaniu RNA.
Rysunek 1: Identyfikacja DEG w zbiorach danych GSE78721 i GSE12288. (A,C) Wykresy wulkaniczne DEG odpowiednio w GSE78721 i GSE12288. Jako próg selekcji przyjęto |logFC|≥ 0.5 oraz P < 0.05; geny o zwiększonej ekspresji zaznaczono na czerwono, a geny o zmniejszonej ekspresji na zielono. (B,D) Mapy ciepła dla 50 najważniejszych DEG odpowiednio w GSE78721 i GSE12288. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Diagram Venna przedstawiający nakładanie się ekspresji genów w T2DM w porównaniu z ASCVD dla genów o zwiększonej i zmniejszonej regulacji.
Rysunek 2: Diagram Venna C-DEG z dwóch zbiorów danych. (A) Diagram Venna dla C-DEG o zwiększonej regulacji w T2DM i ASCVD w zbiorach danych GSE78721 oraz GSE12288. (B) Diagram Venna dla C-DEG o zmniejszonej regulacji w T2DM i ASCVD w zbiorach danych GSE78721 oraz GSE12288. Prosimy kliknąć tutaj, aby wyświetlić większą wersję tego rysunku.

Wykresy słupkowe terminów ontologii genów; p-value zakodowane kolorami, analiza procesów biologicznych w programie R.
Rycina 3: Analiza wzbogacenia funkcjonalnego i szlaków dla C-DEG. Wykresy słupkowe analiz wzbogacenia GO (A) i KEGG (B). Współrzędne pionowe wskazują opis poszczególnych elementów GO lub szlaków KEGG, a współrzędne poziome wskazują liczbę wzbogaconych C-DEG. Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.

Schematy sieci oddziaływań białkowych przedstawiające relacje genetyczne; wizualna analiza danych, mapowanie sieci.
Rycina 4: Sieć PPI i screening genów hubowych wśród C-DEG. (A) Sieć PPI dla C-DEG. Kolor czerwony i niebieski reprezentują odpowiednio zwiększone i zmniejszone C-DEG. (B) Wśród C-DEG zidentyfikowano osiem genów hubowych. Węzły reprezentują C-DEG, a krawędzie oddziaływania między C-DEG. Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.

Porównanie wykresami skrzypcowymi i mapą ciepła typów komórek odpornościowych z wartościami p w warunkach T2DM w porównaniu do normalnych.
Rysunek 5: Analiza infiltracji komórek odpornościowych. (A) Różnice w infiltracji 22 typów komórek odpornościowych pomiędzy grupą T2DM a grupą kontrolną. Oś pozioma: podtypy komórek odpornościowych; Oś pionowa: względny poziom infiltracji komórek odpornościowych. (B) Mapa ciepła korelacji ekspresji 8 kluczowych C-DEGs oraz poziomów infiltracji 22 typów komórek odpornościowych. Czerwone kwadraty: korelacja dodatnia; Niebieskie kwadraty: korelacja ujemna. Ciemniejsze kolory wskazują silniejsze korelacje. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.

Schemat sieci oddziaływań genów; węzły reprezentują białka (np. TUBA1C, PLAU) oraz połączenia.
Rysunek 6: Kandydacka sieć celów lekowych dla sześciu hubowych C-DEG. Czerwone węzły reprezentują hubowe C-DEG, zielone węzły reprezentują kandydackie leki celowane, a krawędzie między nimi reprezentują pary oddziaływań. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Wykresy słupkowe porównujące względne poziomy mRNA w grupach eksperymentalnej i kontrolnej; analiza ekspresji genów.
Rycina 7: Walidacja ekspresji kluczowych genów u pacjentów z T2DM i ASCVD metodą qRT-PCR. Poziomy ekspresji mRNA dla HSP90B1 (A), PLAU (B), SLPI (C), NCF4 (D), PRF1 (E) i TUBA1C (F) zostały określone za pomocą qRT-PCR. Prosimy kliknąć tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Analiza białek metodą Western blot dla HSP90B1, PLAU, SLPI, NCF4, PRF1, TUBA1C; grupa eksperymentalna vs kontrolna.
Rysunek 8: Walidacja ekspresji kluczowych genów u pacjentów z T2DM i ASCVD za pomocą metody Western blot. Poziomy ekspresji białek HSP90B1 (A), PLAU (B), SLPI (C), NCF4 (D), PRF1 (E) oraz TUBA1C (F) zostały wykryte za pomocą analizy Western blot. Aby wyświetlić powiększoną wersję tego rysunku, kliknij tutaj.

Tabela uzupełniająca 1. Macierz ekspresji genów dla zbioru danych GSE78721, wykorzystana do analizy transkrypcyjnej T2DM w niniejszym badaniu.Kliknij tutaj, aby pobrać ten plik.

Tabela uzupełniająca 2. Macierz ekspresji genów dla zbioru danych GSE12288, wykorzystana do analizy transkryptomicznej ASCVD w niniejszym badaniu.Proszę kliknąć tutaj, aby pobrać ten plik.

Tabela uzupełniająca 3: Analiza infiltracji komórek odpornościowych w zbiorze danych GSE78721.Kliknij tutaj, aby pobrać ten plik.

Tabela uzupełniająca 4: Potencjalne oddziaływania lek-cel dla wspólnych genów hub o różnej ekspresji.Kliknij tutaj, aby pobrać ten plik.

Plik uzupełniający 1: Surowe dane wygenerowane w ramach części walidacji eksperymentalnej w niniejszym badaniu.Aby pobrać ten plik, kliknij tutaj.

Dyskusja

CUK i ASCVD są chorobami złożonymi, a rosnące dowody sugerują istotne powiązanie między nimi. Oporność na insulinę jest kluczowym prekursorem różnych zaburzeń metabolicznych układu krążenia, w tym CUK, które łącznie przyczyniają się do rozwoju ASCVD i mogą wpływać na jej przebieg6,7. Dodatkowo, cukrzyca jest czynnikiem napędzającym progresję miażdżycy20. Osoby z CUK mają wyższe ryzyko CAD21, ale nadal istnieją pytania dotyczące mechanizmów leżących u podstaw współistnienia chorób. Niniejsze badanie ma na celu zbadanie związku i mechanizmów łączących te dwie choroby, a także zidentyfikowanie potencjalnych biomarkerów poprzez analizę bioinformatyczną i weryfikację eksperymentalną.

W niniejszym badaniu zidentyfikowano łącznie 32 C-DEG pomiędzy CUK i ASCVD, w tym 20 uregulowane w górę i 12 uregulowane w dół geny. Analizy wzbogacenia GO i KEGG ujawniły, że te C-DEG były przede wszystkim wzbogacone w kluczowe szlaki metaboliczne ściśle związane zarówno z CAD, jak i CUK22,23. Wyselekcjonowano osiem centralnych C-DEG (HSP90B1, PLAU, SLPI, TOP3A, NCF4, PRF1, TUBA1C i CS) w obu warunkach. Warto zauważyć, że centralne C-DEG (TOP3A, SLPI, NCF4, PRF1 i PLAU) były znacząco powiązane z poziomem infiltracji komórek immunologicznych. HSP90B1 był zaangażowany w progresję raka24 i może mieć również związki z CUK25. PLAU wykazał rolę w zapobieganiu przedwczesnemu starzeniu się naczyń związanemu z CUK26  i jest krytyczny w progresji blaszki miażdżycowej, dostarczając informacji na temat biomarkerów wczesnego ostrzegania i wyjaśniając mechanizmy leżące u podstaw progresji CAD27. Ekspresja SLPI wzrasta wraz z postępującą dysfunkcją metaboliczną28 i została zidentyfikowana jako C-DEG związana z upośledzoną tolerancją glukozy i CUK29. NCF4 ma udowodnione powiązania z CAD30 i przyczynia się do regulacji aktywności NADPH oksydazy i aktywacji inflammasomu31. Ze względu na kluczowe znaczenie PRF1 w monitorowaniu i regulacji odpowiedzi immunologicznej32, ma potencjał diagnostyczny, pozwalając na rozróżnienie między zawałem mięśnia sercowego a stabilnym CAD33. Ponadto, PRF1 działa jako krytyczny gracz immunologiczny w insulinooporności związanej z otyłością34. TUBA1C został również powiązany z rakiem i jest związany z infiltracją immunologiczną w mikrośrodowisku nowotworowym35. Został zidentyfikowany jako gen predysponujący do choroby wieńcowej36. Jednak związek między ASCVD a CUK pozostaje niedobrze zbadany.

Analiza KEGG ujawniła udział tych kandydatów genów w szlakach takich jak „Kaskady dopełniacza i krzepnięcia” oraz „Przetwarzanie białek w siateczki endoplazmatycznej”. Weryfikacja eksperymentalna kluczowych genów w tych szlakach, szczególnie PLAU (proteaza serynowa zaangażowana w fibrynoliz i krzepnięcie) i HSP90B1 (chaperon siateczki endoplazmatycznej), potwierdziła ich dysregulację w naszym modelu CUK. Te odkrycia sytuują nasze badania w konkretnej ramie molekularnej, sugerując, że dysbalansy w odpowiedzi na stres siateczki endoplazmatycznej i szlakach trombolitycznych mogą być integralne dla patologii cukrzycowej, wykraczając poza powszechnie rozpoznawane procesy zapalne.

Liczne badania wykazały dysfunkcjonalne reakcje odpornościowe u pacjentów z cukrzycą37. Nienormalna aktywacja komórek immunologicznych odgrywa kluczową rolę w progresji CUK38,39. Analiza infiltracji immunologicznej ujawniła znaczącą zmianę w komparcie komórek dendrytycznych w CUK, charakteryzującą się zwiększoną proporcją aktywowanych komórek dendrytycznych i zmniejszoną proporcją komórek dendrytycznych w stanie spoczynku (Rysunek 5A). To wskazuje na stan zwiększonej prezentacji antygenu i aktywacji immunologicznej w CUK, co potencjalnie przyczynia się do przewlekłych uszkodzeń tkanek docelowych. Ponadto, silne korelacje obserwowane między określonymi centralnymi genami (np. NCF4 z aktywowanymi komórkami NK, PRF1 z makrofagami M2) (Rysunek 5B) sugerują mechanistyczne powiązania między ekspresją genów w tkankach metabolicznych a lokalną składową mikrośrodowiska immunologicznego, identyfikując w ten sposób nowe cele dla interwencji immunomodulujących.

Dodatkowo, przeprowadzono analizę sieci leki-cel, aby przewidzieć potencjalne cele terapeutyczne, mechanizmy leżące u ich podstaw i leki dla CUK i ASCVD. Ta sieć kandydatów leki-cel obejmowała sześć centralnych C-DEG, 136 leków molekularnych i 137 krawędzi. Analiza wynikała w 82, 5, 3, 4, 1 i 42

Oświadczenia

Autorzy deklarują brak konfliktu interesów.

Podziękowania

Autorzy z wdzięcznością dziękują za wsparcie finansowe udzielone przez Ningxia Natural Science Foundation Program (Grant No. 2023AAC03498) i Yinchuan Science and Technology Innovation Project (Grant No. 2024SF005). Autorzy dziękują również wszystkim uczestnikom i badaczom, których wkład umożliwił to badanie.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Anti-GAPDHProteintech60004-1-Ig
Anti-HSP90B1Abcam ab238126
Anti-NCF4 Proteintech14648-1-AP
Anti-PLAUProteintech17968-1-AP
Anti-PRF1Abcamab256453
Anti-SLPI Abcamab46763
Anti-TUBA1CAbcam ab222849
CIBERSORT Stanford Universityhttps://cibersortx.stanford.edu
clusterProfiler (R package)Bioconductorhttp://www.bioconductor.org/packages/release/bioc/html/clusterProfiler.html
CytoHubba (Cytoscape plugin)Cytoscape Consortiumhttps://apps.cytoscape.org
Cytoscape (version 3.9.1)Cytoscape Consortiumhttp://cytoscape.org/
DGIdb
 (Drug-Gene Interaction Database)		Washington Universityhttp://www.dgidb.org/
Enhanced chemiluminescent (ECL) substrate Thermo Fisher Scientific34080
enrichplot (R package)Bioconductorhttp://bioconductor.org/packages/release/bioc/html/enrichplot.html
Gel imaging system Bio-RadChemiDox XRS
GEO Database
(Datasets: GSE78721, GSE12288)		NCBIhttps://www.ncbi.nlm.nih.gov/geo/
ggplot2 (R package)CRANhttps://ggplot2.tidyverse.org
GOplot (R package)CRANhttps://cran.r-project.org/web/packages/GOplot/index.html
GraphPad Prism(version 9.1.2)GraphPad Softwarehttps://www.graphpad.com/scientific-software/prism/
limma (R package)Bioconductorhttp://bioconductor.org/packages/release/bioc/html/limma.html
loading bufferBio-Rad1610737
org.Hs.eg.db (R package)Bioconductorhttps://bioconductor.org/packages/release/data/annotation/html/org.Hs.eg.db.htm
PVDF membraneBio-Rad1620177
R software (version 4.0.2) R Foundationhttps://www.r-project.org/
Real-time PCR systemBio-RadCFX-96
Reverse Transcription System KitTakaraD6110A
scales (R package)CRANhttps://CRAN.R-project.org/package = scales
SDS-PAGE GelsBio-Rad4561085
Secondary antibodyAbcam ab6721
STRING databasSTRING Consortiumhttps://string-db.org/
SYBR-green PCR Master MixVazyme BiotechCat #Q311-02
tidyverse (R package)CRANhttps://cran.r-project.org/web/packages/tidyverse/index.html
Trans-Blot transfer systemBio-Rad1704150
TRIzol reagentThermo Fisher Scientific #1559602

Bibliografia

  1. Artasensi A, Pedretti A. Type 2 diabetes mellitus: a review of multi-target drugs. Molecules. 2020;25(8):1986.
  2. Saeedi P, Petersohn I, Salpea P, Malanda B, Karuranga S, Unwin N, et al. Global and regional diabetes prevalence estimates for 2019 and projections for 2030 and 2045: results from the International Diabetes Federation Diabetes Atlas, 9th edition. Diabetes Res Clin Pract. 2019;157:107843.
  3. Chatterjee S, Khunti K, Davies MJ. Type 2 diabetes. Lancet. 2017;389(10085):2239-2251.
  4. Wu J, Yang K, Fan H, Wei M, Xiong Q. Targeting the gut microbiota and its metabolites for type 2 diabetes mellitus. Front Endocrinol (Lausanne). 2023;14:1114424.
  5. Holman N, Young B, Gadsby R. Current prevalence of Type 1 and Type 2 diabetes in adults and children in the UK. Diabet Med. 2015;32(9):1119-1120.
  6. Mancusi C, de Simone G. Myocardial mechano-energetic efficiency and insulin resistance in non-diabetic members of the Strong Heart Study cohort. Cardiovasc Diabetol. 2019;18(1):56.
  7. Hill MA, Yang Y, Zhang L, Sun Z, Jia G, Parrish AR, et al. Insulin resistance, cardiovascular stiffening and cardiovascular disease. Metabolism. 2021;119:154766.
  8. Trigka M, Dritsas E. Long-term coronary artery disease risk prediction with machine learning models. Bioengineering (Basel). 2023;23(3):1193.
  9. Nowbar AN, Gitto M, Howard JP, Francis DP, Al-Lamee R. Mortality from ischemic heart disease. Circ Cardiovasc Qual Outcomes. 2019;12(6):005375.
  10. Mensah GA, Roth GA, Fuster V. The global burden of cardiovascular diseases and risk factors: 2020 and beyond. J Am Coll Cardiol. 2019;74(20):2529-2532.
  11. Tian R, Liu H, Feng S, Wang H, Wang Y, Wang Y, et al. Gut microbiota dysbiosis in stable coronary artery disease combined with type 2 diabetes mellitus influences cardiovascular prognosis. Nutr Metab Cardiovasc Dis. 2021;31(5):1454-1466.
  12. Ma CX, Ma XN, Guan CH, Li YD, Mauricio D, Fu SB. Cardiovascular disease in type 2 diabetes mellitus: progress toward personalized management. Cardiovasc Diabetol. 2022;21(1):74.
  13. Mohammadnia N, Los J, Opstal TSJ, Fiolet ATL, Eikelboom JW, Mosterd A, et al. Colchicine and diabetes in patients with chronic coronary artery disease: insights from the LoDoCo2 randomized controlled trial. Front Cardiovasc Med. 2023;10:1244529.
  14. Einarson TR, Acs A, Ludwig C, Panton UH. Prevalence of cardiovascular disease in type 2 diabetes: a systematic literature review of scientific evidence from across the world in 2007-2017. Cardiovasc Diabetol. 2018;17(1):83.
  15. Huang J, Li N, Li Z, Hou XJ, Li ZZ. Low-dose unfractionated heparin with sequential enoxaparin in patients with diabetes mellitus and complex coronary artery disease during elective percutaneous coronary intervention. Chin Med J (Engl). 2018;131(7):764-769.
  16. Knuuti J, Wijns W, Saraste A, Capodanno D, Barbato E, Funck-Brentano C, et al. 2019 ESC Guidelines for the diagnosis and management of chronic coronary syndromes. Eur Heart J. 2020;41(3):407-477.
  17. Song S, Yu J. Identification of the shared genes in type 2 diabetes mellitus and osteoarthritis and the role of quercetin. J Cell Mol Med. 2024;28(4):18127.
  18. Castillo-Velázquez R, Martínez-Morales F, Castañeda-Delgado JE, García-Hernández MH, Herrera-Mayorga V, Paredes-Sánchez FA, et al. Bioinformatic prediction of the molecular links between Alzheimer's disease and diabetes mellitus. PeerJ. 2023;11:14738.
  19. Zhang J, Zhang FJ, Zhang L, Xian DX, Wang SA, Peng M, et al. Identification of key genes and molecular pathways in type 2 diabetes mellitus and polycystic ovary syndrome via bioinformatics analyses. Eur Rev Med Pharmacol Sci. 2023;27(8):3255-3269.
  20. Sun H, Ma X, Ma H, Li S, Xia Y, Yao L, et al. High glucose levels accelerate atherosclerosis via NLRP3-IL/MAPK/NF-κB-related inflammation pathways. Biochem Biophys Res Commun. 2024;704:149702.
  21. Hasbani NR, Westerman KE. Type 2 diabetes modifies the association of CAD genomic risk variants with subclinical atherosclerosis. Circ Genom Precis Med. 2023;16(6):004176.
  22. Vernon ST, Tang O, Kim T, et al. Metabolic signatures in coronary artery disease: results from the BioHEART-CT study. J Am Heart Assoc. 2021;10(5):019852.
  23. Colosimo S, Mitra SK, Chaudhury T, Marchesini G. Insulin resistance and metabolic flexibility as drivers of liver and cardiac disease in T2DM. Diabetes Res Clin Pract. 2023;206:111016.
  24. Huang X, Zhang W, Yang N, Zhang Y, Qin T, Ruan H, et al. Identification of HSP90B1 in pan-cancer hallmarks to aid development of a potential therapeutic target. Mol Cancer. 2024;23(1):19.
  25. Sims-Robinson C, Zhao S, Hur J, Feldman EL. Central nervous system endoplasmic reticulum stress in a murine model of type 2 diabetes. Diabetologia. 2012;55(8):2276-2284.
  26. Wan Y, Liu Z, Wu A, Khan AH. Hyperglycemia promotes endothelial cell senescence through AQR/PLAU signaling axis. Int J Mol Sci. 2022;23(5):2677.
  27. Song C, Qiao Z, Chen L, Ge J, Zhang R, Yuan S, et al. Identification of key genes as early warning signals of acute myocardial infarction based on weighted gene correlation network analysis and dynamic network biomarker algorithm. Front Immunol. 2022;13:879657.
  28. López-Bermejo A, Ortega FJ, Castro A, Ricart W, Fernández-Real JM. The alarm secretory leukocyte protease inhibitor increases with progressive metabolic dysfunction. Clin Chim Acta. 2011;412(11-12):1122-1126.
  29. Songtao Y, Fangyu L, Jie C, Li Y. Identification of claudin-2 as a promising biomarker for early diagnosis of pre-diabetes. Front Pharmacol. 2024;15:1370708.
  30. Wang Y, Liu T, Liu Y, Chen J, Xin B, Wu M, et al. Coronary artery disease associated specific modules and feature genes revealed by integrative methods of WGCNA, MetaDE and machine learning. Gene. 2019;710:122-130.
  31. Li L, Mao R, Yuan S, Xie Q, Meng J, Gu Y, et al. NCF4 attenuates colorectal cancer progression by modulating inflammasome activation and immune surveillance. 2024;15(1):5170.
  32. Chen J, Yu L, Zhang S, Chen X. Network analysis-based approach for exploring the potential diagnostic biomarkers of acute myocardial infarction. Front Physiol. 2016;7:615.
  33. Zhang L, Wang Q, Xie X. Identification of biomarkers related to immune cell infiltration with gene coexpression network in myocardial infarction. Dis Markers. 2021;2021:2227067.
  34. Revelo XS, Tsai S, Lei H, Luck H, Ghazarian M, Tsui H, et al. Perforin is a novel immune regulator of obesity-related insulin resistance. Diabetes. 2015;64(1):90-103.
  35. Zou Y, Wang G. Comprehensive multiomic analysis identified TUBA1C as a potential prognostic biological marker of immune-related therapy in pan-cancer. 2022;2022:9493115.
  36. Yan X, Huang Y, Wu J. Identify cross talk between circadian rhythm and coronary heart disease by multiple correlation analysis. J Comput Biol. 2018;25(12):1312-1327.
  37. Rubinstein MR, Genaro AM, Wald MR. Differential effect of hyperglycaemia on the immune response in an experimental model of diabetes in BALB/cByJ and C57BL/6J mice: participation of oxidative stress. Clin Exp Immunol. 2013;171(3):319-329.
  38. Donath MY, Shoelson SE. Type 2 diabetes as an inflammatory disease. Nat Rev Immunol. 2011;11(2):98-107.
  39. Zhou J, Zhang X, Ji L. Identification of potential biomarkers of type 2 diabetes mellitus-related immune infiltration using weighted gene coexpression network analysis. 2022;2022:9920744.
  40. Su Z, Ma C, Zhao R, Jiang Y, Cai Y, Yong G, et al. Heterogeneity of circulating CXCR5−PD-1hi Tph cells in patients with type 2 and type 1 diabetes in the Chinese population. 2023;60(6):767-776.
  41. Banerjee M, Vats P. Reactive metabolites and antioxidant gene polymorphisms in type 2 diabetes mellitus. Redox Biol. 2014;2:170-177.
  42. Leh HE, Lee LK. Lycopene: a potent antioxidant for the amelioration of type II diabetes mellitus. 2022;27(7):2335.
  43. Wu X, Gong H, Hu X, Shi P, Cen H, Li C. Effect of verapamil on bone mass, microstructure and mechanical properties in type 2 diabetes mellitus rats. BMC Musculoskelet Disord. 2022;23(1):363.
  44. Chen YS, Weng SJ, Chang SH. Evaluating the antidiabetic effects of R-verapamil in type 1 and type 2 diabetes mellitus mouse models. PLoS One. 2021;16(8):e0255405.
  45. Chu L, Su D, Wang H. Association between antibiotic exposure and type 2 diabetes mellitus in middle-aged and older adults. 2023;15(5):1290.
  46. Guan J, Abudouaini H, Lin K, Yang K. Emerging insights into the role of IL-1 inhibitors and colchicine for inflammation control in type 2 diabetes. Diabetol Metab Syndr. 2024;16(1):140.
  47. Armitage JD, Montero C, Benner A, Armitage JO, Bociek G. Acute coronary syndromes complicating the first infusion of rituximab. Clin Lymphoma Myeloma. 2008;8(4):253-255.
  48. Ribichini F, Joner M, Ferrero V, Finn AV, Crimins J, Nakazawa G, et al. Effects of oral prednisone after stenting in a rabbit model of established atherosclerosis. J Am Coll Cardiol. 2007;50(2):176-185.
  49. Bastani A, Rajabi S, Daliran A, Saadat H, Karimi-Busheri F. Oxidant and antioxidant status in coronary artery disease. Biomed Rep. 2018;9(4):327-332.
  50. Sotoudeh Anvari M, Mortazavian Babaki M, Boroumand MA, Eslami B, Jalali A, Goodarzynejad H. Relationship between calculated total antioxidant status and atherosclerotic coronary artery disease. Anatol J Cardiol. 2016;16(9):689-695.
  51. Winniford MD, Jansen DE, Reynolds GA, Apprill P, Black WH, Hillis LD. Cigarette smoking-induced coronary vasoconstriction in atherosclerotic coronary artery disease and prevention by calcium antagonists and nitroglycerin. Am J Cardiol. 1987;59(4):203-207.
  52. Muhlestein JB. Antibiotic treatment of atherosclerosis. Curr Opin Lipidol. 2003;14(6):605-614.
  53. Nelson K, Fuster V, Ridker PM. Low-dose colchicine for secondary prevention of coronary artery disease: JACC review topic of the week. J Am Coll Cardiol. 2023;82(7):648-660.
  54. Fiolet ATL, Nidorf SM, Mosterd A, Cornel JH. Colchicine in stable coronary artery disease. Clin Ther. 2019;41(1):30-40.
  55. Aimo A, Pascual-Figal DA, Barison A, Cediel G, Vicente ÁH, Saccaro LF, et al. Colchicine for the treatment of coronary artery disease. Trends Cardiovasc Med. 2021;31(8):497-504.
  56. Ikeda T, Manabe H, Iwata K. Clinical significance of alendronate in postmenopausal type 2 diabetes mellitus. Diabetes Metab. 2004;30(4):355-358.
  57. Wang Y, Huang M, Xu W, Li F, Ma C, Tang X. Calcitriol-enhanced autophagy in gingival epithelium attenuates periodontal inflammation in rats with type 2 diabetes mellitus. Front Endocrinol (Lausanne). 2022;13:1051374.
  58. Cheng S, So WY, Zhang D, Cheng Q, Boucher BJ, Leung PS. Calcitriol reduces hepatic triglyceride accumulation and glucose output through Ca2+/CaMKKβ/AMPK activation under insulin-resistant conditions in type 2 diabetes mellitus. Curr Mol Med. 2016;16(8):747-758.
  59. Tian F, Zhang YJ, Li Y, Xie Y. Celecoxib ameliorates non-alcoholic steatohepatitis in type 2 diabetic rats via suppression of the non-canonical Wnt signaling pathway expression. PLoS One. 2014;9(1):e83819.
  60. Reed MJ, Meszaros K, Entes LJ, Claypool MD, Pinkett JG, Brignetti D, et al. Effect of masoprocol on carbohydrate and lipid metabolism in a rat model of type II diabetes. Diabetologia. 1999;42(1):102-106.
  61. Fleseriu M, Biller BMK, Findling JW, Molitch ME, Schteingart DE, Gross C. Mifepristone, a glucocorticoid receptor antagonist, produces clinical and metabolic benefits in patients with Cushing's syndrome. J Clin Endocrinol Metab. 2012;97(6):2039-2049.
  62. Chuengsamarn S, Rattanamongkolgul S, Luechapudiporn R, Phisalaphong C, Jirawatnotai S. Curcumin extract for prevention of type 2 diabetes. Diabetes Care. 2012;35(11):2121-2127.
  63. Bozkurt O, Kocaadam-Bozkurt B. Effects of curcumin, a bioactive component of turmeric, on type 2 diabetes mellitus and its complications: an updated review. 2022;13(23):11999-12010.

Przedruki i uprawnienia

Tagi

MedycynaWydanie 234Wydanie 234Warto pustaWydanieBioinformatykaMia d ycowa choroba t tnic wie cowychGeny r nicowo ekspresowaneCel terapeutyczny leku
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.