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

Artykuł badawczy

UPP1 jako biomarker diagnostyczny: wnioski z integracyjnej bioinformatyki i analiz infiltracji immunologicznej w POChP

62 wyświetleń

⸱

DOI:

10.3791/72242

⸱

3 września 2026

 ,  ,  ,  ,  ,  , 
1Shenzhen Luohu Hospital of Traditional Chinese Medicine, 2Tianbei Community Health Service Center of Shenzhen Luohu Hospital Group, 3Guangdong Provincial Hospital of Chinese Medicine

* These authors contributed equally

W tym artykule

Podsumowanie

Niniejsze badanie przedstawia odtwarzalny rurociąg bioinformatyczny integrujący transkryptomikę, uczenie maszynowe oraz analizę nacieku immunologicznego w celu zidentyfikowania potencjalnych biomarkerów diagnostycznych i sieci regulacyjnych w przewlekłej obturacyjnej chorobie płuc (POChP).

Streszczenie

POChP jest postępującym zaburzeniem oddechowym charakteryzującym się utrwalonym ograniczeniem przepływu powietrza i przewlekłym stanem zapalnym, jednak rola modyfikacji RNA N4-acetylcytydyny (ac4C) w jego patogenezie pozostaje w dużej mierze nieznana. Celem niniejszego badania było systematyczne przeszukanie opublikowanej bazy danych w poszukiwaniu genów powiązanych z ac4C (ac4C-RGs) oraz zbadanie ich sieci regulacyjnych w POChP, aby zidentyfikować potencjalne biomarkery do dalszych badań mechanistycznych, bez zakładania bezpośredniej zależności regulacyjnej między jakimkolwiek konkretnym genem a modyfikacją ac4C. Geny różnicowo wyrażone (DEG) zidentyfikowano na podstawie profili transkrypcyjnych, a analizę sieci współwyrażania genów z wagami (WGCNA) zastosowano w celu wykrycia kluczowych modułów współwyrażania. Przeprowadzono analizę krzyżową między DEG, istotnymi modułami a ac4C-RGs. Kluczowe geny wyłoniono za pomocą regresji LASSO oraz algorytmów XGBoost i lasów losowych, a następnie skonstruowano model diagnostyczny oparty na regresji logistycznej. Wydajność modelu oceniono za pomocą analizy krzywej charakterystyki operacyjnej odbiornika (ROC), pola pod krzywą (AUC) z 95% przedziałami ufności, oceny krzywej kalibracyjnej oraz analizy krzywej decyzyjnej (DCA). Zidentyfikowano łącznie 160 wspólnych genów, a sześć genów centralnych (PTRF, PRKCDBP, UPP1, TOR3A, FAM168B i B4GALT2) zostało spójnie wybranych przez wszystkie trzy algorytmy uczenia maszynowego. Model diagnostyczny wykazał dobrą zdolność dyskryminacyjną, z wartościami AUC wynoszącymi odpowiednio 0,766, 0,759 i 0,723 w zbiorze treningowym, wewnętrznym zbiorze testowym i zewnętrznym zbiorze walidacyjnym. Analiza sieci regulacyjnych zasugerowała potencjalne osie ceRNA i interakcje czynników transkrypcyjnych, natomiast profilowanie infiltracji immunologicznej ujawniło istotne korelacje między kluczowymi genami a wieloma podzbiorami komórek odpornościowych. Analiza interakcji lek-gen oraz dokowanie molekularne wskazały, że fluorouracyl, kapecytabina i 5-benzyloacyloorydyna mogą wykazywać korzystne przewidywane powinowactwa wiązania z UPP1. Podsumowując, geny PTRF, PRKCDBP, UPP1, TOR3A, FAM168B i B4GALT2 zostały zidentyfikowane jako potencjalne biomarkery związane z ac4C w POChP, potencjalnie zaangażowane w regulację immunologiczną i metaboliczną, co stanowi podstawę dla przyszłych badań funkcjonalnych i poszukiwań terapeutycznych.

Wprowadzenie

POChP jest przewlekłym i heterogennym schorzeniem układu oddechowego, charakteryzującym się postępującym ograniczeniem przepływu powietrza wynikającym z nieprawidłowości w strukturach pęcherzyków płucnych i dróg oddechowych1,2. Nierównowaga między proteazami a antyproteazami, stres oksydacyjny, przewlekły stan zapalny oraz starzenie komórkowe stanowią podstawowe mechanizmy patofizjologiczne POChP, prowadząc do destrukcji strukturalnej i upośledzenia czynności tkanki płucnej3,4. Co więcej, na POChP wpływa wiele czynników ryzyka, w tym wieloletnie palenie tytoniu, zanieczyszczenie środowiska, narażenie zawodowe, infekcje dróg oddechowych oraz podatność genetyczna5,6. POChP stanowi znaczne obciążenie dla globalnej gospodarki. Przewiduje się, że w latach 2020–2050 będzie ono odpowiadać za 0,111% globalnego PKB rocznie7. Chociaż obecne strategie terapeutyczne, takie jak leki rozszerzające oskrzela, glikokortykosteroidy wziewne, rehabilitacja płucna i długoterminowa tlenoterapia, mogą łagodzić objawy, zatrzymanie progresji choroby pozostaje wyzwaniem. Ze względu na wyraźną heterogenność kliniczną wyniki leczenia pacjentów są bardzo zróżnicowane8. Dlatego pilnie potrzebne są nowe biomarkery diagnostyczne i wskaźniki prognostyczne, aby usprawnić zarządzanie POChP i zwiększyć przeżywalność pacjentów.

Modyfikacja RNA odnosi się do chemicznych zmian w cząsteczkach RNA, które mogą zmieniać strukturę i funkcję RNA w celu regulacji ekspresji genów9,10. Do powszechnych modyfikacji RNA należą N6-metyloadenozyna (m6A), pseudourydyna (Ψ), 5-metylocytozyna (m5C) oraz ac4C11. Modyfikacja ac4C odgrywa kluczową rolę w zachowaniu stabilności mRNA i promowaniu translacji mRNA12,13. NAT10 jest jedynym znanym enzymem eukariotycznym katalizującym modyfikację ac4C, a jego aktywność jest niezbędna do powstania tej modyfikacji14. Badania wykazały silną korelację między stresem oksydacyjnym, starzeniem się komórek, stanem zapalnym a modyfikacją ac4C. Na przykład limfocyty T CD4+ w tkankach jelita grubego osób z nieswoistymi zapaleniami jelit (IBD) wykazują wyraźnie podwyższone poziomy NAT1015. NAT10 zwiększa acetylację ac4C chemokin CCL2 i CXCL1, promując tym samym naciekanie makrofagów i neutrofili oraz zaostrzając uszkodzenia zapalne16. Odpowiedź komórkowa na stres oksydacyjny może obejmować modyfikację ac4C, o czym świadczy znaczny wzrost poziomów ac4C w warunkach stresu oksydacyjnego. Ponadto NAT10 promuje włóknienie płuc indukowane przez PM2.5 poprzez stabilizację mRNA TGFB1 za pomocą modyfikacji ac4C, wywołując tym samym przejście nabłonkowo-mezenchymalne17. Jednak rola modyfikacji ac4C w POChP pozostaje w dużej mierze niezbadana, co podkreśla potrzebę dalszych badań w tym obszarze.

W badaniu tym wykorzystano bazę danych GEO w celu zidentyfikowania DEGs pomiędzy pacjentami z COPD a grupą kontrolną. Opublikowaną listę ac4C-RGs, opracowaną na podstawie danych multiomicznych18, zintegrowano następnie z DEGs w celu zidentyfikowania wspólnych kandydatów. Biorąc pod uwagę, że modyfikacja ac4C wpływa na stan zapalny i stres oksydacyjny – kluczowe procesy w COPD – wysunięto hipotezę, że geny związane z siecią regulacyjną ac4C mogą być rozregulowane w COPD. Jednak geny wspólne nie były traktowane jako bezpośrednie substraty NAT10 ani geny bezpośrednio regulowane przez ac4C; uznano je raczej za kandydatów powiązanych z siecią związaną z ac4C. Kluczowe geny wyselekcjonowano za pomocą wielu algorytmów uczenia maszynowego, a następnie zbudowano i zwalidowano model diagnostyczny. Następnie określono istotne szlaki zaangażowane w patogenezę COPD i przewidziano potencjalne leki celowane. Na koniec przeprowadzono analizy RT-qPCR w celu potwierdzenia poziomów ekspresji kluczowych genów, co dostarczyło wstępnych informacji na temat patofizjologii COPD i potencjalnych kierunków poszukiwań terapeutycznych.

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

Protokół

Oświadczenie komisji etyki

Badanie to zostało przeprowadzone zgodnie z Deklaracją Helsińską. Protokół został zatwierdzony przez Komisję Etyczną Szpitala Tradycyjnej Medycyny Chińskiej Shenzhen Luohu (numer zatwierdzenia 2024-LHQZYYYXLL-KY-039), a od wszystkich uczestników przed włączeniem do badania uzyskano pisemną świadomą zgodę. Szczegółowe informacje na temat narzędzi badawczych i materiałów wykorzystanych w tym protokole znajdują się w Tabeli materiałów.

Źródło i przetwarzanie danych

Zbiory danych dotyczących ekspresji genów powiązanych z POChP pobrano z bazy Gene Expression Omnibus (GEO). Zbiór GSE54837 wykorzystano jako zbiór transkryptomiczny, a zbiór GSE112811 posłużył jako zestaw walidacyjny (Tabela 1). Geny ac4C-RG zgromadzono na podstawie literatury18. Geny różnicowo ulegające ekspresji (DEG) pomiędzy grupą z POChP a grupą kontrolną zidentyfikowano przy użyciu pakietu R limma. Geny DEG uznano za statystycznie istotne, jeśli |log2FC| > 0 oraz p < 0,05. W celu wizualizacji ogólnego rozkładu zmian ekspresji genów wygenerowano wykresy wulkaniczne.

Konstrukcja WGCNA

Analizę WGCNA przeprowadzono na zbiorze danych GSE54837 przy użyciu języka R w celu zidentyfikowania modułów związanych z POChS. Przed konstrukcją sieci zidentyfikowano i usunięto próbki odstające za pomocą hierarchicznej analizy skupień, wykorzystując funkcję hclust z metodą średniego wiązania (average linkage) oraz miarą odległości euklidesowej. Optymalna wartość parametru miękkiego progowania (soft-thresholding power) (β = 10) wybrano, aby uzyskać wskaźnik dopasowania topologii bezskalowej R2 ≥ 0,85, zapewniając równowagę między topologią wolną od skali a średnią łącznością. Skonstruowano macierz sąsiedztwa, którą następnie przekształcono w macierz nakładania topologicznego (TOM). Moduły genów zidentyfikowano przy użyciu algorytmu dynamicznego cięcia drzewa (deepSplit = 2, minClusterSize = 50). Moduły o korelacjach eigen-genów > Następnie, przy użyciu funkcji mergeCloseModules, scalono moduły o wartości 0,75. W celu zidentyfikowania modułów związanych z POChP do dalszej analizy, eigengeny modułów skorelowano z cechami klinicznymi (status POChP, wiek, płeć i status palenia) przy użyciu współczynników korelacji Pearsona.

Przesiewanie, analiza wzbogacenia i analiza sieci PPI dla genów nakładających się

W celu zidentyfikowania genów wspólnych dla DEG, genów modułu MEsalmon oraz ac4C-RG wygenerowano wykres Venna przy użyciu pakietu R ggvenn. Analizę wzbogacenia funkcjonalnego genów wspólnych przeprowadzono z wykorzystaniem baz danych Gene Ontology (GO) oraz Kyoto Encyclopedia of Genes and Genomes (KEGG) przy użyciu pakietu R clusterProfiler. Informacje o oddziaływaniach białko-białko (PPI) pobrano z bazy danych STRING (https://string-db.org/), aby przeanalizować interakcje na poziomie białek pomiędzy genami wspólnymi. Do wizualizacji wynikowej sieci PPI wykorzystano oprogramowanie Cytoscape.

Identyfikacja kluczowych genów za pomocą uczenia maszynowego

Zastosowano trzy techniki uczenia maszynowego: regresję LASSO (least absolute shrinkage and selection operator), XGBoost (extreme gradient boosting) oraz las losowy (RF). Regresję LASSO zaimplementowano przy użyciu pakietu glmnet z 10-krotną walidacją krzyżową w celu wyznaczenia optymalnego parametru kary λ. Parametr type.measure ustawiono na "deviance", a parametr family na "binomial". Optymalne λ wybrano na podstawie kryterium λmin, które minimalizuje dewiancję z walidacji krzyżowej, co pozwoliło wyłonić 17 genów. XGBoost wykonano przy użyciu pakietu xgboost z następującymi hiperparametrami: nrounds = 100, max_depth = 6, eta = 0.3, subsample = 0.8, colsample_bytree = 0.8 oraz eval_metric = "logloss". Istotność cech uszeregowano według metryki gain, a następnie wybrano 30 najważniejszych genów. Las losowy zaimplementowano przy użyciu pakietu randomForest z ntree = 200. Istotność cech uszeregowano według średniego spadku współczynnika Gini i wybrano 30 najważniejszych genów. Geny wybrane przez trzy metody uczenia maszynowego poddano analizie części wspólnej, aby zidentyfikować kluczowe geny do dalszych analiz.

Budowa i ocena modelu regresji logistycznej do przewidywania ryzyka

Zbiór danych GSE54837 został losowo podzielony na zestaw treningowy (70%) i zestaw testowy (30%). Na podstawie zestawu treningowego zbudowano model regresji logistycznej przy użyciu funkcji glm z pakietu MASS, przyjmując poziomy ekspresji kluczowych genów jako cechy wejściowe. Wydajność modelu oceniono za pomocą krzywych ROC wygenerowanych przy użyciu pakietu pROC. Przedziały ufności 95% dla AUC obliczono za pomocą 2000 replik bootstrapowych. Kalibrację modelu oceniono za pomocą krzywych kalibracyjnych wygenerowanych z 1000 prób bootstrapowych (pakiet rms). Analizę DCA przeprowadzono przy użyciu pakietu dca w celu oceny wypadkowej korzyści klinicznej dla zakresu prawdopodobieństw progowych. W celu ułatwienia indywidualnej oceny ryzyka skonstruowano nomogram przy użyciu funkcji nomogram z pakietu rms.

Równanie regresji miało postać:

logit(P) = 0.5823 + 0.6010 × UPP1 - 0.6563 × PTRF + 0.3853 × B4GALT2 - 0.3972 × FAM168B + 0.1848 × PRKCDBP - 0.4787 × TOR3A.   (1)

W tym przypadku P oznacza przewidywane prawdopodobieństwo wystąpienia COPD, a każdy współczynnik reprezentuje wkład odpowiadającej mu wartości ekspresji genu w logarytm szans wystąpienia COPD.

Analiza ekspresji, sieć GeneMANIA oraz molekularna sieć regulacyjna

Poziomy ekspresji genów pomiędzy grupą z POChP a grupą kontrolną w zbiorze danych GSE54837 porównano za pomocą testu sum rang Wilcoxona. W celu wizualizacji rozkładu poziomów ekspresji wygenerowano wykresy pudełkowe z wykorzystaniem pakietu ggplot2, z naniesioną medianą, rozstępem międzykwartylowym (IQR) oraz poszczególnymi punktami danych. Do konstrukcji sieci genowych i przewidywania interakcji funkcjonalnych wykorzystano narzędzie GeneMANIA. Wyszukiwanie przeprowadzono z parametrami domyślnymi: gatunek = Homo sapiens, maksymalna liczba powiązanych genów = 20. Powstałą sieć pobrano i zwizualizowano, przy czym kolory krawędzi wskazywały typy interakcji. W celu zbadania mechanizmów regulacji potranskrypcyjnej skonstruowano sieć konkurencyjnych endogennych RNA (ceRNA). miRNA celujące w sześć kluczowych genów przewidziano z wykorzystaniem dwóch niezależnych baz danych: DIANA-microT (wynik ≥ 0,8) oraz miRanda (wynik ≥ 140, energia ≤ −20 kcal/mol). Do konstrukcji par miRNA-mRNA wykorzystano część wspólną miRNA zidentyfikowanych przez obie bazy danych. Następnie, z wykorzystaniem bazy danych StarBase, przewidziano lncRNA celujące w te miRNA. Sieć regulacyjną lncRNA-miRNA-mRNA skonstruowano i zwizualizowano przy użyciu programu Cytoscape. Relacje regulacji transkrypcyjnej przewidziano za pomocą ChIP-X Enrichment Analysis Version 3 (ChEA3). Dla każdego kluczowego genu z przewidzianymi TF wybrano 10 czynników transkrypcyjnych o najwyższych wynikach wzbogacenia. Sieć regulacyjną TF-cel skonstruowano w programie Cytoscape.

Analiza wzbogacenia zestawów genów oraz ocena infiltracji komórek odpornościowych

Analizę wzbogacenia zestawów genów (GSEA) przeprowadzono przy użyciu pakietu clusterProfiler w celu zbadania funkcji biologicznych każdego kluczowego genu. Dla każdego kluczowego genu próbki podzielono na grupy o wysokiej i niskiej ekspresji w oparciu o wartość mediany. Analizę ekspresji różnicowej pomiędzy dwiema grupami wykonano za pomocą pakietu limma, a otrzymaną listę genów uszeregowano według wartości signed log₂ fold-change. Analizę GSEA przeprowadzono przy użyciu funkcji gseGO dla terminów procesów biologicznych GO oraz funkcji gseKEGG dla szlaków KEGG, stosując następujące parametry: minGSSize = 10, maxGSSize = 500, pvalueCutoff = 0.05 oraz nPerm = 1 000. Względną obfitość 28 typów komórek odpornościowych oszacowano za pomocą analizy wzbogacenia zestawów genów dla pojedynczych próbek (ssGSEA) zaimplementowanej w pakiecie GSVA. Kuratowana macierz sygnatur zestawów genów zawierająca geny markerowe dla 28 typów komórek odpornościowych została pozyskana z literatury przedmiotowej19. Dla każdej próbki zastosowano funkcję gsva z parametrami method = "ssgsea", ssgsea.norm = TRUE oraz kcdf = "Gaussian". Współczynniki korelacji Spearmana pomiędzy wynikami wzbogacenia ssGSEA a poziomami ekspresji sześciu kluczowych genów obliczono za pomocą funkcji cor.test. Wartości p skorygowano pod kątem wielokrotnych testów metodą Benjamini-Hochberga. Macierz korelacji zwizualizowano w formie mapy ciepła (heatmap) przy użyciu pakietu pheatmap.

Przewidywanie leków, dokowanie molekularne i analiza powiązań z chorobami

Potencjalne związki terapeutyczne ukierunkowane na kluczowe geny zidentyfikowano przy użyciu bazy danych DrugBank. W programie Cytoscape skonstruowano sieć interakcji „lek ukierunkowany na kluczowy gen”, aby zwizualizować przewidywane oddziaływania lek-gen. Przeprowadzono dokowanie molekularne przy użyciu platformy CB-Dock2 w celu oceny powinowactwa wiązania. Trójwymiarową strukturę białka ludzkiego UPP1 pobrano z Protein Data Bank (PDB ID: 7B8T). Struktury molekularne leków (w formacie SMILES) pozyskano z bazy PubChem. Dokowanie wykonano przy użyciu silnika AutoDock Vina, a wyniki uszeregowano według wolnej energii wiązania (ΔG, w kcal/mol). Kompleksy dokowania zwizualizowano za pomocą programu PyMOL. Powiązania między kluczowymi genami a chorobami ludzi związanymi z ekspozycją na czynniki środowiskowe zbadano przy użyciu Comparative Toxicogenomics Database (CTD). Każdy gen analizowano oddzielnie, a następnie wyekstrahowano dziesięć najsilniej powiązanych chorób i przedstawiono je za pomocą wykresów radarowych.

Protokół RT-qPCR

Próbki krwi żylnej obwodowej pobrano od ośmiu pacjentów z POChP oraz ośmiu zdrowych osób z grupy kontrolnej w szpitalu Shenzhen Luohu Hospital of Traditional Chinese Medicine. POChP zdiagnozowano zgodnie z kryteriami Global Initiative for Chronic Obstructive Lung Disease (GOLD), definiującymi chorobę jako stosunek FEV1/FVC < 0,70 po podaniu leku rozszerzającego oskrzela. Grupa kontrolna składała się z dopasowanych pod względem wieku i płci zdrowych ochotników, bez historii chorób dróg oddechowych i z prawidłowymi wynikami prób czynnościowych płuc (przewidywane FEV1% ≥ 80% oraz FEV1/FVC ≥ 0,70). Informacje wyjściowe dotyczące pacjentów przedstawiono w Tabeli 2. Całkowite RNA wyekstrahowano z próbek krwi pacjentów z POChP przy użyciu zestawu do ekstrakcji RNA z krwi. W celu syntezy cDNA, 500 ng całkowitego RNA poddano odwrotnej transkrypcji z wykorzystaniem zestawu do syntezy cDNA z usuwaniem genomowego DNA, zgodnie z dostarczonym protokołem. Otrzymane cDNA rozcieńczono do stężenia 150 ng/μL.

Analizę RT-qPCR przeprowadzono z wykorzystaniem qPCR master mix opartego na SYBR Green w systemie PCR w czasie rzeczywistym. Każda reakcja o objętości 10 μL zawierała 5 μL 2x SYBR Green master mix, po 0,5 μL starterów bezpośrednich i odwrotnych (10 μM), 1 μL rozcieńczonego cDNA (15 ng/μL) oraz 3 μL wody wolnej od nukleaz. Warunki cykliczności obejmowały wstępną denaturację w 95 °C przez 5 min, a następnie 40 cykli: 95 °C przez 10 s i 60 °C przez 30 s, z końcową analizą krzywej topnienia od 60 °C do 95 °C w celu weryfikacji swoistości amplifikacji. Wszystkie reakcje przeprowadzono w trzech powtórzeniach technicznych. Jako wewnętrzny gen referencyjny wykorzystano β-actin. Efektywność starterów dla każdego genu docelowego została zwalidowana za pomocą serii rozcieńczeń krzywej standardowej i mieściła się w zakresie od 90% do 110%. Poziomy ekspresji genów znormalizowano do β-actin, a względną ekspresję obliczono metodą 2-ΔΔCt. Porównania statystyczne między grupą z COPD a grupą kontrolną przeprowadzono za pomocą testu U Manna-Whitneya.

Analiza statystyczna

Wizualizacje sieci zostały utworzone przy użyciu programu Cytoscape, a analizy statystyczne przeprowadzono w oprogramowaniu R. O ile nie wskazano inaczej, w przypadku danych o rozkładzie nienormalnym zastosowano test U Manna-Whitneya, a w przypadku danych o rozkładzie normalnym test t Studenta w celu porównania dwóch grup. Wartość p < 0,05 uznano za statystycznie istotną.

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

Wyniki

Identyfikacja genów wspólnych, analiza wzbogacenia i konstrukcja sieci PPI

Z zestawu danych GSE54837 zidentyfikowano 3 371 DEG, w tym 1 675 DEG o zwiększonej ekspresji i 1 696 DEG o zmniejszonej ekspresji. 10 genów o najistotniejszej regulacji w górę i w dół przedstawiono na Rysunku 1A. Przeprowadzono hierarchiczną analizę skupień danych GSE54837 (Rysunek dodatkowy 1A), a w celu zapewnienia bezskalowej topologii sieci zastosowano ...

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

Dyskusja

Konserwacyjna modyfikacja RNA ac4C, która występuje głównie w matrycowym RNA (mRNA) i transferowym RNA (tRNA), zwiększa stabilność mRNA oraz wydajność translacji20. NAT10 jest jedyną znaną acetylotransferazą RNA pośredniczącą w modyfikacji ac4C21. Badania wykazały, że NAT10 jest nadmiernie ekspresyjny w komórkach nabłonkowych płuc pacjentów z POChP. Wyciszenie NAT10 zaburza funkcję mitochondriów oraz odpowiedzi transkrypcyjne22. W oparciu o zintegrow...

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

Oświadczenia

Autorzy oświadczają, że nie występuje konflikt interesów. Od wszystkich osób uczestniczących w badaniu uzyskano świadomą zgodę.

Podziękowania

Wyrażamy wdzięczność szpitalowi Shenzhen Luohu Hospital of Traditional Chinese Medicine za udostępnienie zaplecza klinicznego oraz wsparcie administracyjne niezbędne do przeprowadzenia niniejszego badania. Wreszcie dziękujemy wszystkim pacjentom i zdrowym ochotnikom, którzy wzięli udział w tym badaniu; ich wkład był nieodzowny dla realizacji tej pracy. Praca ta została sfinansowana przez Sanming Project of Medicine in Shenzhen (No. SZZYSM202401018), Luohu District Priority Specialty Funds (No. LX202402021) oraz Luohu District Priority Specialty Funds (No. LX202302064).

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

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
βstartery do $\beta$-aktynyTsingkeProszę podać tekst źródłowy do tłumaczenia.Do przodu: 5’-CATGTACGTTGCTATCCAGGC-3’
Odwrócenie: 5’-CTCCTTAATGTCACGCACGAT-3’
startery do genu B4GALT2TsingkePonieważ nie dostarczono tekstu źródłowego do przetłumaczenia, proszę o przesłanie treści, którą mam przełożyć na język polski zgodnie z wytycznymi.Przesuń w przód: 5’-GGGCAGACTGCTGATCGAG-3’
Odwrócenie: 5’-CCGGTGTCTAAAGGGGATGAT-3’
CB-Dock2LabShareOnlineDokowanie molekularne
clusterProfilerBioconductorv4.14.6Analiza wzbogacenia
CytoscapeKonsorcjum Cytoscapev3.8.3Wizualizacja sieci
DrugBankUniwersytet AlbertaOnlinePrzewidywanie leków
startery FAM168BTsingkeProszę podać tekst źródłowy do tłumaczenia.Przesunięcie: 5’-TCTGGGGTTCCCTATGCAAAT-3’
Odwrócenie: 5’-GTAGGATTCGCTCCAGGATACA-3’
glmnetCRANv4.1Regresja LASSO
GSVA (analiza wzbogacenia zestawów genów)Bioconductorv1.52.3analiza ssGSEA
Supermix do syntezy pierwszej nici cDNA Hifair IIIYEASEN11141ESsynteza cDNA
Hieff RTPCR SYBR Green Master MixYEASEN11201ESamplifikacja qPCR
limmaBioconductorv3.54.0Ekspresja różnicowa
System LightCycler 480 IIRocheLightCycler 480 IIPCR w czasie rzeczywistym
startery PTRFTsingkePonieważ nie dostarczono tekstu źródłowego do przetłumaczenia, proszę o przesłanie treści, którą należy przełożyć na język polski zgodnie z wytycznymi.Prawe: 5’-GGGCCGTAGACCAGATCCA-3’
Odwrotność: 5’-CTTGCTCACCGTATTGCTCGT-3’
startery PRKCDBPTsingkePonieważ nie dostarczono tekstu źródłowego do przetłumaczenia, proszę o przesłanie treści, którą należy przełożyć na język polski zgodnie z wytycznymi.Do przodu: 5’-CACGTTCTGCTCTTCAAGGAG-3’
Odwrócenie: 5’-TGTACCTTCTGCAATCCGGTG-3’
oprogramowanie RR Foundationv4.4.2Obliczenia statystyczne
las losowyCRANv4.7Las Losowy
Zestaw do izolacji RNA z krwi MolPure Blood RNA KitYEASEN19241ES50Ekstrakcja RNA
baza danych STRINGEMBLOnlinesieć PPI
startery TOR3ATsingkePonieważ nie dostarczono tekstu źródłowego do przetłumaczenia, proszę o przesłanie treści, którą należy przełożyć na język polski. Jestem gotowy do przygotowania profesjonalnego przekładu naukowego zgodnie z wytycznymi dla treści JoVE.Forward: 5’-CCCTTGCTCTGTCGTTCCAC-3’
Odwrócenie: 5’-CCCGTCCCGATACAGGTTC-3’
startery UPP1TsingkeNie dotyczyDo przodu: 5’-CTGTCAGTCATGGTATGGGCA-3’
Odwrócenie: 5’-GAGCACCGGGCATAGTACA-3’
WGCNA (analiza sieci współwyrażenia genów ważona)CRANv1.72Sieć koekspresji
XGBoostCRANv1.7Algorytm XGBoost

Bibliografia

  1. Hogg JC. Pathophysiology of airflow limitation in chronic obstructive pulmonary disease. Lancet. 2004;364(9435):709-21.
  2. Baraldo S, Turato G, Saetta M. Pathophysiology of the small airways in chronic obstructive pulmonary disease. Respiration. 2012;84(2):89-97.
  3. Fischer BM, Pavlisko E, Voynow JA. Pathogenic triad in COPD: oxidative stress, protease-antiprotease imbalance, and inflammation. Int J Chron Obstruct Pulmon Dis. 2011;6:413-21.
  4. Pandey KC, De S, Mishra PK. Role of proteases in chronic obstructive pulmonary disease. Front Pharmacol. 2017;8:512.
  5. Wang L, Xie J, Hu Y, Tian Y. Air pollution and risk of chronic obstructed pulmonary disease: the modifying effect of genetic susceptibility and lifestyle. EBioMedicine. 2022;79:103994.
  6. Elonheimo HM, et al. Environmental substances associated with chronic obstructive pulmonary disease-a scoping review. Int J Environ Res Public Health. 2022;19(7):3945.
  7. Chen S, et al. The global economic burden of chronic obstructive pulmonary disease for 204 countries and territories in 2020-50: a health-augmented macroeconomic modelling study. Lancet Glob Health. 2023;11(8):e1183-e93.
  8. Rutten-van Mölken MP, et al. Costs and effects of inhaled corticosteroids and bronchodilators in asthma and chronic obstructive pulmonary disease. Am J Respir Crit Care Med. 1995;151(4):975-82.
  9. Ontiveros RJ, Stoute J, Liu KF. The chemical diversity of RNA modifications. Biochem J. 2019;476(8):1227-45.
  10. Roundtree IA, Evans ME, Pan T, He C. Dynamic RNA modifications in gene expression regulation. Cell. 2017;169(7):1187-200.
  11. Wang C, et al. RNA modification in cardiovascular disease: implications for therapeutic interventions. Signal Transduct Target Ther. 2023;8(1):412.
  12. Zhang W, et al. ac4C acetylation regulates mRNA stability and translation efficiency in osteosarcoma. Heliyon. 2023;9(6):e17103.
  13. Qiu L, Jing Q, Li Y, Han J. RNA modification: mechanisms and therapeutic targets. Mol Biomed. 2023;4(1):25.
  14. Luo J, Cao J, Chen C, Xie H. Emerging role of RNA acetylation modification ac4C in diseases: current advances and future challenges. Biochem Pharmacol. 2023;213:115628.
  15. Li H, et al. RNA cytidine acetyltransferase NAT10 maintains T cell pathogenicity in inflammatory bowel disease. Cell Discov. 2025;11(1):19.
  16. Wang JN, et al. NAT10 exacerbates acute renal inflammation by enhancing N4-acetylcytidine modification of the CCL2/CXCL1 axis. Proc Natl Acad Sci U S A. 2025;122(17):e2418409122.
  17. Shenshen W, et al. NAT10 accelerates pulmonary fibrosis through N4-acetylated TGFB1-initiated epithelial-to-mesenchymal transition upon ambient fine particulate matter exposure. Environ Pollut. 2023;322:121149.
  18. Liu J, et al. Unveiling ac4C modification pattern: a prospective target for improving the response to immunotherapeutic strategies in melanoma. J Transl Med. 2025;23(1):287.
  19. Su F, et al. Multimodal single-cell analyses outline the immune microenvironment and therapeutic effectors of interstitial cystitis/bladder pain syndrome. Adv Sci (Weinh). 2022;9(18):e2106063.
  20. Schiffers S, Oberdoerffer S. ac4C: a fragile modification with stabilizing functions in RNA metabolism. RNA. 2024;30(5):583-94.
  21. Jiao L, et al. Emerging role of N-acetyltransferase 10 in diseases: RNA ac4C modification and beyond. Mol Biomed. 2025;6(1):46.
  22. Zheng N, et al. Regulatory roles of NAT10 in airway epithelial cell function and metabolism in pathological conditions. Cell Biol Toxicol. 2023;39(4):1237-56.
  23. Du J, et al. PTRF-IL33-ZBP1 signaling mediating macrophage necroptosis contributes to HDM-induced airway inflammation. Cell Death Dis. 2023;14(7):432.
  24. Lai K, et al. Uridine alleviates sepsis-induced acute lung injury by inhibiting ferroptosis of macrophage. Int J Mol Sci. 2023;24(6):5093.
  25. Kumari R, Jat P. Mechanisms of cellular senescence: cell cycle arrest and senescence associated secretory phenotype. Front Cell Dev Biol. 2021;9:645593.
  26. Ogrodnik M, Salmonowicz H, Jurk D, Passos JF. Expansion and cell-cycle arrest: common denominators of cellular senescence. Trends Biochem Sci. 2019;44(12):996-1008.
  27. Kumar M, Seeger W, Voswinckel R. Senescence-associated secretory phenotype and its possible role in chronic obstructive pulmonary disease. Am J Respir Cell Mol Biol. 2014;51(3):323-33.
  28. Pérez-Rubio G, et al. Role of genetic susceptibility in nicotine addiction and chronic obstructive pulmonary disease. Rev Invest Clin. 2019;71(1):36-54.
  29. Liu Y, Wang R, Jiang T. RNA-binding proteins as a molecular link between COPD and pulmonary hypertension. Int J Med Sci. 2025;22(8):1979-91.
  30. Marques TM, Gama-Carvalho M. Network approaches to study endogenous RNA competition and its impact on tissue-specific microRNA functions. Biomolecules. 2022;12(2):332.
  31. Wang J, Xia B, Ma R, Ye Q. Comprehensive analysis of a competing endogenous RNA co-expression network in chronic obstructive pulmonary disease. Int J Chron Obstruct Pulmon Dis. 2023;18:2417-29.
  32. Zhang J, et al. Construction of a ceRNA network and screening of potential biomarkers and molecular targets in male smokers with chronic obstructive pulmonary disease. Front Genet. 2024;15:1376721.
  33. Celikoğlu F, Celikoğlu SI. Intratumoural chemotherapy with 5-fluorouracil for palliation of bronchial cancer in patients with severe airway obstruction. J Pharm Pharmacol. 2003;55(10):1441-8.
  34. Chan AK, Choo BA, Glaholm J. Pulmonary toxicity with oxaliplatin and capecitabine/5-fluorouracil chemotherapy: a case report and review of the literature. Onkologie. 2011;34(8-9):443-6.

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

Przedruki i uprawnienia

Tagi

Biomarker UPP1diagnoza COPDmodyfikacja RNA ac4Ckoekspresja genówbiomarkery uczenia maszynowegoanaliza sieci regulacyjnychprofilowanie komórek odpornościowychinterakcja lek-gen
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.