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

Artykuł badawczy

Stres związany z retikulum endoplazmatycznym, związany z odpowiedzią immunologiczną w migotaniu przedsionków: uczenie maszynowe i transkryptyka pojedynczych komórek

141 wyświetleń

⸱

DOI:

10.3791/71532

⸱

7 sierpnia 2026

 ,  ,  ,  ,  ,  , 
1Department of Traditional Chinese Medicine, Aerospace Center Hospital, 2Third Affiliated Hospital, Beijing University of Chinese Medicine, 3College of Traditional Chinese Medicine, Shandong University of Traditional Chinese Medicine, 4School of Basic Medical Sciences, Harbin Medical University

* These authors contributed equally

W tym artykule

Podsumowanie

Przedstawiamy tutaj protokół do identyfikacji immunologicznych sygnatur związanych ze stresem retikulum endoplazmatycznego w migotaniu przedsionków poprzez integrację publicznej analizy transkryptomiki masowej, uczenia maszynowego, analizy infiltracji immunologicznej oraz analizy transkryptomiki pojedynczych komórek dla reproduktywnej priorytetyzacji biomarkerów i lokalizacji typów komórek.

Streszczenie

To badanie opisuje powtarzalny przepływ pracy obliczeniowej do identyfikacji sygnatur genów związanych ze stresem śródpiąszczykowym (ERS) w migotaniu przedsionków (AF) poprzez integrację masowych danych ekspresji genów, uczenia maszynowego, analizy infiltracji immunologicznej i danych ekspresji genów na poziomie pojedynczych komórek. Publiczne dane masowej ekspresji genów zostały pobrane z Gene Expression Omnibus (GEO), po czym przeprowadzono harmonizację fenotypową, normalizację, korekcję efektów partii i analizę różnicowej ekspresji. Analiza skoncentrowanej ekspresji genów (WGCNA) została połączona z zestawami genów związanymi z ERS w celu zidentyfikowania kandydatów do genów związanych z ERS. Następnie zastosowano wieloalgorytmiczną ramę uczenia maszynowego do porównania strategii wyboru cech i dopasowania modelu. Wybrany model został zweryfikowany w niezależnej zewnętrznej kohorcie walidacyjnej (GSE115574) i dalszej ocenie w dodatkowej kohorcie (GSE14975), przy czym dyskryminacyjną wydajność zmierzyło się za pomocą analizy ROC (receiver operating characteristic) i obszaru pod krzywą (AUC). Korzystając z tego przepływu pracy, zidentyfikowano 22 geny związane z ERS, a model Elastic Net (Enet) zawierający 18 genów wykazał najwyższą ogólną dyskryminacyjną wydajność wśród kohorty szkoleniowej i walidacyjnej. Analiza SHapley Additive exPlanations (SHAP) podkreśliła główny wkład genów takich jak RPS11, NCF2 i S100A4 do predykcji modelu. Dekonwolucja immunologiczna i analiza transkryptomowa na poziomie pojedynczych komórek dalsze mapowały sygnaturę związaną z ERS głównie na linię komórek monocytów-makrofagów, sugerując jej potencjalne zaangażowanie w remodelację immunologiczną związaną z migotaniem przedsionków. Ten przepływ pracy zapewnia powtarzalną strategię łączenia sygnatur transkryptomowych związanych z chorobą z określonymi populacjami komórek immunologicznych i może być dostosowany do innych kontekstów chorobowych z odpowiednimi danymi masowymi i danymi na poziomie pojedynczych komórek.

Wprowadzenie

Migotanie przedsionków (MP) jest najczęstszą utrzymującą się arytmią w praktyce klinicznej, charakteryzującą się uporządkowaną aktywnością elektryczną w przedsionkach i utratą funkcji mechanicznej. Znacznie zwiększa ryzyko udaru, niewydolności serca i wszystkich przyczyn śmiertelności, stając się głównym globalnym obciążeniem zdrowia publicznego1. Obecne kliniczne leczenie MP napotyka na znaczne wyzwania: tradycyjne leki przeciwarytmiczne mają ograniczoną długoterminową skuteczność w utrzymaniu rytmu zatokowego, a ich działania niepożądane, takie jak zaburzenia rytmu i toksyczność sercowa, ograniczają ich ciągłe stosowanie2,3. Ablacja za pomocą cewnika jest również wyzwaniem w utrzymaniu długoterminowego rytmu zatokowego w przetrwałej MP4. Obecnie nowe strategie leczenia są ograniczone przez brak systematycznego zrozumienia układu molekularnego mechanizmów wstępnych MP, co utrudnia identyfikację i przekładanie precyzyjnych celów. Badania wykazały, że patologiczna progresja MP obejmuje złożone interakcje na wielu płaszczyznach, w tym remodelowanie elektryczne, strukturalne i autonomicznego układu nerwowego. Wśród nich, strukturalne remodelowanie przedsionków, skupione wokół przewlekłego zapalenia mięśnia sercowego, jest kluczowy dla utrzymania MP5,6,7.

Dlatego wyjaśnienie wstępnych ścieżek stresu, które napędzają fibrozę, jest jednym z kluczy do pokonania terapeutycznej butelki w przetrwałej MP. Ostatnie badania sugerują, że stres siateczki śródplazmatycznej (ERS), kluczowy węzeł regulacyjny, który umożliwia komórkom radzenie sobie z zaburzeniami wewnątrz- i pozakomórkowymi, jest wysoce konserwowaną reakcją adaptacyjną wyzwalaną, gdy homeostaza ER jest zakłócona, prowadząc do nadmiernego gromadzenia się niezwiniętych lub nieprawidłowo zwiniętych białek w świetle ER. ERS może brać udział w remodelacji przedsionków poprzez regulację proteostazy, cyklu wapniowego, reakcji zapalnych i apoptozy8,9. Jednak wstępne wyzwalacze, kluczowe cząsteczki efektorowe i ścieżki zstępujące ERS w MP nie zostały jeszcze systematycznie scharakteryzowane, co utrudnia określenie krytycznych węzłów i punktów działania w remodelacji przedsionków.

W porównaniu z tradycyjnymi badaniami transkryptomicznymi, integracja multi-omiki może dać bardziej odporne sygnały związane z chorobą na poziomie populacyjnym. Ponadto, włączenie transkryptomiki pojedynczych komórek umożliwia rozdzielenie heterogeniczności komórkowej i identyfikację źródeł komórkowych tych sygnałów, umożliwiając przypisanie wyników asocjacyjnych do określonych typów komórek i ich potencjalnych ścieżek interakcji. Daje to podstawę dla kolejnych badań mechaniscicznych i priorytetyzacji celów. W niniejszym badaniu, powiązane z MP zestawy danych transkryptomicznych i pojedynczych komórek zostały odzyskane z bazy danych Gene Expression Omnibus (GEO). Węzły ERS-związane z rdzeniem zostały zidentyfikowane poprzez analizę różnic w ekspresji i wagowaną analizę współwystępowania genów (WGCNA). Poprzez integrację analiz pojedynczych komórek, kluczowe cząsteczki zostały dodatkowo zlokalizowane w określonych typach komórek i ich sieciach interakcji. W sumie, to badanie ma na celu określenie kluczowych sieci związanych z ERS w MP i ich związki z remodelacją strukturalną, zapewniając tym samym uzasadnienie dla odkrycia celów i mechanizmu-sterowanych, stratyfikowanych strategii terapeutycznych.

W porównaniu z analizą różnic w ekspresji pojedynczego zestawu danych lub badaniem biomarkerów jednego algorytmu, ten przepływ pracy poprawia odporność i interpretowalność poprzez integrację walidacji między kohortami, biologicznie ograniczony wybór funkcji, porównanie modeli wieloalgorytmicznych, dekonwolucję odporności i transkryptomikę pojedynczych komórek. Te kroki pomagają priorytetyzować powtarzalne ERS-związane sygnały i lokalizować sygnały pochodzące z tkanki do określonych populacji komórek odpornościowych i sieci interakcji. Ten przepływ pracy jest odpowiedni dla badań korzystających z publicznych lub własnych zestawów danych transkryptomicznych z dobrze zdefiniowanymi grupami chorób i kontrolnymi, porównywalnymi źródłami tkanki, wystarczającą liczbą próbek i dostępnymi adnotacjami fenotypowymi. Jest szczególnie przydatny do generowania hipotez, priorytetyzacji biomarkerów i lokalizacji typów komórek programów molekularnych związanych z chorobą. Jednak jego wydajność zależy od jakości zestawu danych, spójności fenotypu i skutecznej korekcji efektów wsadowy; dlatego kandydatki do sygnałów zidentyfikowane przez ten przepływ pracy wymagają walidacji w niezależnych kohortach i modelach eksperymentalnych przed translacją kliniczną. Ogólny przepływ pracy badania jest przedstawiony na Rysunek 1.

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

Protokół

Zgodnie z obowiązującymi w Chinach Środkami dotyczącymi etycznej oceny badań naukowych z zakresu nauk o życiu i badań medycznych z udziałem osób, ogłoszonymi 18 lutego 2023 r., badania wykorzystujące publicznie dostępne dane mogą spełniać kryteria zwolnienia z etycznej oceny. W niniejszym badaniu wykorzystano tylko publicznie dostępne, anonimizowane dane transkryptomiczne wtórne i nie obejmowało nowego rekrutowania uczestników ludzkich, pobierania próbek ludzkich lub eksperymentów na zwierzętach. Dlatego nie było potrzeby dodatkowej instytucjonalnej zgody etycznej. W niniejszym badaniu nie przeprowadzono eksperymentów na zwierzętach. Dlatego zgoda komitetu ds. opieki nad zwierzętami i ich wykorzystania w instytucji nie była stosowana.

Źródła danych dla genów związanych ze stresem retikulum endoplazmatycznego w migotaniu przedsionków
W niniejszym badaniu publicznie dostępne zestawy danych transkryptomicznych związanych z AF zostały pobrane z bazy danych GEO, w tym GSE41177, GSE79768, GSE115574, GSE14975 i GSE165838. Szczegółowe informacje na temat zestawów danych GSE są podanych w Pliku uzupełniającym 1—Tabeli uzupełniającej S1. Zestawy GSE41177 i GSE79768 zostały wykorzystane do zbudowania zintegrowanego zestawu szkoleniowego transkryptomicznego, podczas gdy zestawy GSE115574 i GSE14975 zostały wykorzystane jako dwie niezależne zewnętrzne kohorty walidacji. Zestaw GSE165838 został wykorzystany do analizy transkryptomicznej pojedynczych komórek. Ponieważ zestawy te zostały wygenerowane na różnych platformach i mogą różnić się pod względem źródła tkanki, tła klinicznego i składu próbek, każdy zestaw danych był przetwarzany osobno zgodnie ze swoimi charakterystykami platformy przed integracją lub walidacją. Korekta efektu partii została następnie przeprowadzona za pomocą pakietu sva R dla połączonej kohorty szkoleniowej. Zestaw genów związanych ze stresem retikulum endoplazmatycznego został pobrany z bazy danych GeneCards z wynikiem trafności ≥ 3 i po usunięciu duplikatów utworzył listę docelowych genów wykorzystanych w niniejszym badaniu.

Analiza różnicowej ekspresji genów
Po standardyzacji i normalizacji danych, do zidentyfikowania różnicowej ekspresji genów (DEG) w zintegrowanym zestawie szkoleniowym wykorzystano pakiet R limma. DEG zdefiniowano na podstawie następujących kryteriów istotności: wartość P skorygowany za fałszywym odkryciem (adj.P.Val) < 0.05 i |log2FC| > 0.58510. Aby zwizualizować wzorce ekspresji DEG, wykorzystano biblioteki ggplot2 i pheatmap do generowania wykresów wulkanowych i heatmap.

Analiza WGCNA
Aby wyjaśnić potencjalne mechanizmy skoordynowanej regulacji genów, zdefiniować wzorce skojarzeń między modułami współekspresji a zmiennymi cech klinicznych oraz zidentyfikować kluczowe biomarkery lub cele terapeutyczne o potencjale translacyjnym, zastosowano WGCNA11.

Ważona sieć współekspresji została zbudowana za pomocą pakietu WGCNA w R. Moc progowania miękkiego (β) została wybrana zgodnie z kryterium topologii wolnej od skali; wartość β została wybrana dla następnych analiz, gdy współczynnik pasowania topologii wolnej od skali (R2) osiągnął i utrzymywał się powyżej 0.8512. Podczas identyfikacji modułów parametry związane z dynamicznym cięciem drzewa i czułością wykrywania modułów zostały zoptymalizowane, aby poprawić rozdzielczość i stabilność granic modułów. Wreszcie, wyodrębniono moduły istotnie związane z docelową cechą, a geny hub wewnątrzmodułowe zostały zidentyfikowane jako zbiory kandydatów na geny dla analiz poniżej.

Analiza wzbogacenia DEG związanych z AF
Aby precyzyjnie zidentyfikować geny hub, DEG najpierw przecięto z genami z kluczowych modułów WGCNA, aby zdefiniować zestaw genów zaangażowanych w patogenezę AF. Następnie ten zestaw genów AF został dalszy przecięty z genami związanymi z ERS, a wynikające geny nakładające się zostały zachowane do dalszych analiz.

Wzbogacenie funkcjonalne przesiewanych genów zostało ocenione za pomocą analiz Gene Ontology (GO) i Kyoto Encyclopedia of Genes and Genomes (KEGG). Analizy terminów GO przeprowadzono za pomocą pakietu R clusterProfiler, aby podsumować wzbogacenie w kategoriach procesów biologicznych (BP), składników komórkowych (CC) i funkcji molekularnych (MF)13. Następnie zastosowano analizę KEGG, aby zidentyfikować wzbogacone ścieżki związane z docelowymi genami14. Wyniki wzbogacenia z wartością P skorygowaną < 0.05 uznano za istotne statystycznie. Wiodące terminy GO i ścieżki KEGG zostały wyświetlone jako wykresy słupkowe i wykresy bąbelkowe za pomocą ggplot2.

Analiza interakcji białko-białko (PPI)
Analizę PPI przeprowadzono, przesyłając zestaw przecięć do bazy danych STRING, z gatunkiem ograniczanym do <

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

Wyniki

Identyfikacja genów różnicowo wyrażonych w AF
Aby poprawić porównywalność między kohortami, zintegrowano dwa zestawy danych transkrypomicznych związanych z AF (GSE417 i GSE79768), a następnie skorygowano efekty serii (batch effects) w połączonej macierzy ekspresji. Rysunek 2A,B przedstawia wykresy pudełkowe globalnych rozkładów ekspresji przed i po korekcie efektu serii, które posłużyły do oceny, czy rozkłady intensywności ekspresji były porównywalne mię...

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

Dyskusja

To badanie integrowało transkryptomy frakcji głównej i pojedynczych komórek, aby zbadać rolę ERS w AF. Zostało wyprowadzone znakowanie genów związanych z ERS z dobrą dyskryminacją między kohortami, a te sygnały zostały przede wszystkim zamapowanie na linię komórek monocyt-makrofag i były związane z rozległą komunikacją międzykomórkową. Łącznie wyniki sugerują, że programy związane z ERS są sprzężone z remodelacją o centrum komórki odpornościowej w AF. W porównaniu z przesiewaniem biomarkerów tylko w frakcji głównej, ta m...

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

Oświadczenia

Autorzy nie zgłaszają żadnych konfliktów interesów w niniejszej pracy. Podczas rewizji niniejszego rękopisu, ChatGPT firmy OpenAI został użyty tylko do pomocy w dopracowywaniu języka angielskiego. Autorzy przejrzeli, zweryfikowali i edytowali cały tekst wspierany przez AI i ponoszą pełną odpowiedzialność za dokładność i integralność ostatecznego rękopisu. Żadne narzędzia wspierane przez AI nie zostały użyte do generowania pomysłów badawczych, przeprowadzania analizy danych, interpretacji wyników, tworzenia figur czy tabel, ani też do wyciągania wniosków naukowych. Praca opisana w artykule została przeprowadzona przez autorów. F.T, PR.W: Pisanie - oryginalny szkic, Oprogramowanie, Metodologia, Wizualizacja, Walidacja i Kurowanie danych. SY.T: Badania i Metodologia. FF.B: Nadzór. QR.L: Nadzór, Metodologia, Kurowanie danych. XY.J, YX.X: Wyszukiwanie literatury i interpretacja danych.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
AddModuleScoreFunkcja Seuratwersja 4.4.0NA
AUCellBioconductorwersja 1.32.0RRID:SCR_021327
caretCRANwersja 7.0.1RRID:SCR_022524
celda / decontXBioconductorwersja 1.24.0NA
CellChatGitHub / CellChatwersja 2.2.0RRID:SCR_021946
CIBERSORT / LM22 matrix of signaturesCIBERSORTLM22NA
clusterProfilerBioconductorwersja 4.12.6RRID:SCR_016884
CytoscapeCytoscape Consortiumwersja 3.10RRID:SCR_003032
DoubletFinderGitHub / McGinnis Labwersja 2.0.4NA
e1071CRANwersja 1.7.16NA
gbmCRANwersja 2.2.2NA
Gene Expression Omnibus (GEO) databaseNational Center for Biotechnology Information (NCBI)GSE41177NA
Gene Expression Omnibus (GEO) databaseNCBIGSE79768NA
Gene Expression Omnibus (GEO) databaseNCBIGSE115574NA
Gene Expression Omnibus (GEO) databaseNCBIGSE14975NA
Gene Expression Omnibus (GEO) databaseNCBIGSE165838NA
glmnetCRANwersja 4.1.8NA
HarmonyCRANwersja 1.2.4NA
limmaBioconductorwersja 3.60.6RRID:SCR_010943
MASSCRANwersja 7.3.61NA
mboostCRANwersja 2.9.11NA
MonocleBioconductorwersja 2.38.0RRID:SCR_016339
org.Hs.eg.dbBioconductorwersja 3.19.1NA
plsRglmCRANwersja 1.5.1NA
pROCCRANwersja 1.18.5RRID:SCR_024286
R statistical softwareR Foundation for Statistical Computingwersja 4.4.2RRID:SCR_001905
randomForestCRANwersja 4.7.1.2RRID:SCR_015718
RStudioPosit Software, PBCwersja 2024.4.1.748RRID:SCR_000432
SeuratCRAN / Satija Labwersja 4.4.0RRID:SCR_016341
shapvizCRANwersja 0.10.2NA
svaBioconductorwersja 3.52.0NA
WGCNACRANwersja 1.73RRID:SCR_003302
xgboostCRANwersja 1.7.8.1NA

Bibliografia

  1. Saleh K, Haldar S. Atrial fibrillation: a contemporary update. Clin Med (Lond). 2023;23(5):437-41.
  2. Lemme M, et al. Atrial-like engineered heart tissue: an in vitro model of the human atrium. Stem Cell Reports. 2018;11(6):1378-90.
  3. van Gorp PRR, Trines SA, Pijnappels DA, de Vries AAF. Multicellular in vitro models of cardiac arrhythmias: focus on atrial fibrillation. Front Cardiovasc Med. 2020;7:43.
  4. Scherr D, et al. Five-year outcome of catheter ablation of persistent atrial fibrillation using termination of atrial fibrillation as a procedural endpoint. Circ Arrhythm Electrophysiol. 2015;8(1):18-24.
  5. Staerk L, et al. Atrial fibrillation: epidemiology, pathophysiology, and clinical outcomes. Circ Res. 2017;120(9):1501-17.
  6. Schotten U, Verheule S, Kirchhof P, Goette A. Pathophysiological mechanisms of atrial fibrillation: a translational appraisal. Physiol Rev. 2011;91(1):265-325.
  7. Van Wagoner DR, Chung MK. Inflammation, inflammasome activation, and atrial fibrillation. Circulation. 2018;138(20):2243-6.
  8. Yuan M, et al. IP3R1/GRP75/VDAC1 complex mediates endoplasmic reticulum stress-mitochondrial oxidative stress in diabetic atrial remodeling. Redox Biol. 2022;52:102289.
  9. Wang M, Kaufman RJ. Protein misfolding in the endoplasmic reticulum as a conduit to human disease. Nature. 2016;529(7586):326-35.
  10. Ritchie ME, et al. limma powers differential expression analyses for RNA-sequencing and microarray studies. Nucleic Acids Res. 2015;43(7):e47.
  11. Langfelder P, Horvath S. WGCNA: an R package for weighted correlation network analysis. BMC Bioinformatics. 2008;9:559.
  12. Hu H, et al. Dissection of metabolome and transcriptome: insights into capsaicin and flavonoid accumulation in two typical Yunnan Xiaomila fruits. Int J Mol Sci. 2024;25(14):7761.
  13. Chen GY, et al. Integrating network pharmacology and experimental validation to explore the key mechanism of Gubitong Recipe in the treatment of osteoarthritis. Comput Math Methods Med. 2022;2022:7858925.
  14. Chen GY, et al. Prediction of Rhizoma Drynariae targets in the treatment of osteoarthritis based on network pharmacology and experimental verification. Evid Based Complement Alternat Med. 2021;2021:5233462.
  15. Díaz-Uriarte R, Alvarez de Andrés S. Gene selection and classification of microarray data using random forest. BMC Bioinformatics. 2006;7:3.
  16. Saeys Y, Inza I, Larrañaga P. A review of feature selection techniques in bioinformatics. Bioinformatics. 2007;23(19):2507-17.
  17. Statnikov A, Wang L, Aliferis CF. A comprehensive comparison of random forests and support vector machines for microarray-based cancer classification. BMC Bioinformatics. 2008;9:319.
  18. Liu H, et al. Unraveling diethyl phthalate-induced prostate carcinogenesis: core targets revealed by integrated network toxicology, machine learning, and structural validation. Hum Genomics. 2025;19(1):149.
  19. Subramanian A, et al. Gene set enrichment analysis: a knowledge-based approach for interpreting genome-wide expression profiles. Proc Natl Acad Sci U S A. 2005;102(43):15545-50.
  20. Newman AM, et al. Robust enumeration of cell subsets from tissue expression profiles. Nat Methods. 2015;12(5):453-7.
  21. Xu H, et al. Single-cell transcriptomics reveals CCL3+ classical monocyte subset linked to autoimmune pathogenesis. J Inflamm Res. 2025;18:16273-91.
  22. Wang Y, et al. Immunological profiling of rheumatoid factor-positive primary Sjögren’s syndrome by single-cell RNA sequencing. Front Immunol. 2026;17:1822615.
  23. Wiersma M, et al. Endoplasmic reticulum stress is associated with autophagy and cardiomyocyte remodeling in experimental and human atrial fibrillation. J Am Heart Assoc. 2017;6(10):e006458.
  24. Hu HJ, et al. Hydrogen sulfide ameliorates angiotensin II-induced atrial fibrosis progression to atrial fibrillation through inhibition of the Warburg effect and endoplasmic reticulum stress. Front Pharmacol. 2021;12:690371.
  25. Liu Y, et al. Integrative transcriptomic, proteomic, and machine learning approach to identifying feature genes of atrial fibrillation using atrial samples from patients with valvular heart disease. BMC Cardiovasc Disord. 2021;21(1):52.
  26. Fu S, et al. Using integrative bioinformatics approaches and machine-learning strategies to identify potential signatures for atrial fibrillation. Int J Cardiol Heart Vasc. 2025;56:101592.
  27. Wu S, et al. Multiplex proteomics identifies inflammation-related plasma biomarkers for aging and cardio-metabolic disorders. Clin Proteomics. 2024;21(1):30.
  28. Xie Z, et al. Identification and verification of biomarkers and immune infiltration in obesity-related atrial fibrillation. Biology (Basel). 2023;12(1):121.
  29. Huo TM, Wang ZW. Comprehensive analysis to identify key genes involved in advanced atherosclerosis. Dis Markers. 2021;2021:4026604.
  30. Chen M, et al. Weighted gene co-expression network analysis identifies crucial genes mediating progression of carotid plaque. Front Physiol. 2021;12:601952.
  31. Wang S, et al. S100A8/A9 in inflammation. Front Immunol. 2018;9:1298.
  32. Wang Q, et al. Myeloid-specific S100A8/A9 deficiency attenuates atrial fibrillation through prevention of TLR4/NF-κB-mediated immune cell recruitment and inflammation. Front Immunol. 2025;16:1623486.
  33. Wu CL, Yin R, Wang SN, Ying R. A review of CXCL1 in cardiac fibrosis. Front Cardiovasc Med. 2021;8:674498.
  34. Zhang YF, et al. CXCR4 and TYROBP mediate the development of atrial fibrillation via inflammation. J Cell Mol Med. 2022;26(12):3557-67.
  35. Hulsmans M, et al. Recruited macrophages elicit atrial fibrillation. Science. 2023;381(6654):231-9.
  36. van der Net JB, et al. Arachidonate 5-lipoxygenase-activating protein gene and coronary heart disease risk in familial hypercholesterolemia. Atherosclerosis. 2009;203(2):472-8.
  37. Ye X, et al. ALOX5AP predicts poor prognosis by enhancing M2 macrophage polarization and immunosuppression in serous ovarian cancer microenvironment. Front Oncol. 2021;11:675104.
  38. Song P, Deng H, Liu Y, Zhang M. Integrated bioinformatics analysis and experimental validation reveal the relationship between ALOX5AP and the prognosis and immune microenvironment in glioma. BMC Med Genomics. 2024;17(1):218.
  39. Chen S, Tang L, Guillot A, Liu H. Bariatric surgery associates with nonalcoholic steatohepatitis/hepatocellular carcinoma amelioration via SPP1 suppression. Metabolites. 2023;13(1):11.
  40. Ji H, et al. Integrated genomic, transcriptomic, and epigenetic analyses identify a leukotriene synthesis-related M2 macrophage gene signature that predicts prognosis and treatment vulnerability in gliomas. Front Immunol. 2022;13:970702.
  41. Sirish P, et al. The critical roles of proteostasis and endoplasmic reticulum stress in atrial fibrillation. Front Physiol. 2021;12:793171.
  42. Sun Z, et al. Cross-talk between macrophages and atrial myocytes in atrial fibrillation. Basic Res Cardiol. 2016;111(6):63.
  43. Schall TJ, Proudfoot AEI. Overcoming hurdles in developing successful drugs targeting chemokine receptors. Nat Rev Immunol. 2011;11(5):355-63.

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

Przedruki i uprawnienia

Tagi

MedycynaWydanie 234Wydanie 234Wartość pustaWydanieAnaliza pojedynczych komórekAnaliza SHAP
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.