Identyfikacja kandydatów na biomarkery związane z dysfunkcją mitochondrialną i SUMOylacją w niewydolności serca na podstawie podejść bioinformatycznych

Zhe Chen; Jin Zhao; Na Xiao; Fu’e Zhang; Shujian Zhao; Hongshan Yin

doi:10.3791/72265

Artykuł badawczy

Identyfikacja kandydatów na biomarkery związane z dysfunkcją mitochondrialną i SUMOylacją w niewydolności serca na podstawie podejść bioinformatycznych

DOI:

10.3791/72265

⸱

26 czerwca 2026

Zhe Chen¹ , Jin Zhao² , Na Xiao¹ , Fu’e Zhang¹ , Shujian Zhao¹ , Hongshan Yin¹

¹Department of Cardiology, Hebei Medical University Third Hospital, ²Department of Clinical Pharmacy, Hebei Medical University Third Hospital

W tym artykule

Podsumowanie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Wykorzystując bioinformatykę, uczenie maszynowe i walidację qPCR, w niniejszym badaniu zidentyfikowano pięć kandydujących biomarkerów związanych z sumoilacją i dysfunkcją mitochondriami w niewydolności serca. Odkrycia te poprawiają zrozumienie mechanizmów niewydolności serca i sugerują potencjalne kierunki dla przyszłych badań diagnostycznych.

Streszczenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Niewydolność serca (NS) stanowi trwałe wyzwanie kliniczne. Podczas gdy SUMOylacja i funkcja mitochondriów są istotne dla zdrowia kardiomiocytów, ich łączny wpływ na NS pozostaje niejasny. Dwa zbiory danych związane z NS zostały pobrane z GEO. Geny nakładające się uzyskano ze wszystkich genów w zbiorze treningowym, genów związanych z SUMO i genów związanych z mitochondriami. Zastosowano trzy algorytmy uczenia maszynowego w celu zidentyfikowania kluczowych genów diagnostycznych. Następnie skonstruowano i oceniono modele diagnostyczne na podstawie tych genów. Ponadto oceniano mikrośrodowisko immunologiczne w NS w porównaniu ze zdrowymi kontrolami za pomocą CIBERSORT, MCP-counter i ssGSEA. Analizowano różnice w infiltracji immunologicznej między NS a zdrowymi kontrolami. Przeprowadzono przewidywanie leków i dokowanie molekularne w celu zidentyfikowania potencjalnych kandydatów do leków ukierunkowanych na te geny. Wreszcie zastosowano qPCR do walidacji poziomów ekspresji genów w próbkach klinicznych. Łącznie zidentyfikowano 113 wspólnych genów z zauważalnym wzbogaceniem w regulacji mitochondrialnej. Pięć kluczowych genów, mianowicie NFKB1, MYEF2, NSUN2, SQSTM1 i FKBP4, zidentyfikowano za pomocą trzech algorytmów uczenia maszynowego. Analizy wzbogacenia funkcjonalnego łączyły te geny z odpowiedzią immunologiczną, przetwarzaniem RNA i regulacją cyklu komórkowego. Ponadto profilowanie infiltracji immunologicznej wykazało, że infiltracja neutrofili przyczynia się do dysregulowanych odpowiedzi immunologicznych w NS. Dokowanie molekularne wykazało, że małocząsteczkowy lek IMX-942 ma korzystną powinowactwo wiązania z SQSTM1 (-5,8 kcal/mol). Walidacja qPCR wsparła wyniki bioinformatyczne. NFKB1, MYEF2, NSUN2, SQSTM1 i FKBP4 zostały zidentyfikowane jako kluczowe geny łączące SUMOylacje i funkcję mitochondrialną w NS. Te odkrycia dostarczają nowych wglądów w patofizjologię NS i mogą przyczynić się do opracowania nowych strategii diagnostycznych i terapeutycznych.

Wprowadzenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Niewydolność serca (NS), będąca końcowym etapem różnych chorób układu krążenia, charakteryzuje się upośledzoną funkcją serca, która nie jest w stanie sprostać zapotrzebowaniom metabolicznym organizmu¹. Ta niepełnosprawnościowa choroba stanowi znaczące zagrożenie dla zdrowia pacjenta, prowadząc do obniżenia jakości życia i podwyższonych współczynników śmiertelności². Obecnie stosowanymi metodami diagnostycznymi NS są przede wszystkim wykrywanie markerów biochemicznych³^,⁴, echokardiografia i obrazowanie radiologiczne⁵. Chociaż dostępne terapie obejmują leki, interwencje z wykorzystaniem urządzeń oraz zabiegi chirurgiczne, wyniki kliniczne nadal pozostają niezadowalające⁶. Ograniczenia takie jak niepożądane reakcje na leki, ograniczona przydatność urządzeń, odrzucenie immunologiczne oraz inne komplikacje często utrudniają efektywność terapii⁷^,⁸^,⁹^,¹⁰^,¹¹. Dlatego istnieje pilna potrzeba wyjaśnienia mechanizmów leżących u podstaw NS, zidentyfikowania wczesnych i precyzyjnych biomarkerów diagnostycznych oraz opracowania bardziej skutecznych i bezpieczniejszych strategii terapeutycznych.

Białka Small ubiquitin-like modifier (SUMO) są kowalencyjnie sprzężone z resztkami lizyny białek substratu poprzez dynamiczny i odwracalny proces, regulując strukturę i funkcję białek substratu¹². SUMOylacja, krytyczna modyfikacja potranslacyjna, służy jako kluczowy regulator różnych procesów komórkowych¹³^,¹⁴. Mitochondria, jako centrum metabolizmu energetycznego komórek, odgrywają krytyczną rolę w patogenezie NS. W patologicznym procesie NS, dysfunkcja mitochondriów, taka jak niedostateczna produkcja ATP, wybuch reaktywnych form tlenu (ROS) oraz zaburzenie homeostazy Ca²⁺, znacząco przyczynia się do progresji choroby¹⁵^,¹⁶^,¹⁷^,¹⁸. Należy zauważyć, że nowe dowody sugerują potencjalną interakcję między SUMOylacją a funkcją mitochondriów. Stres mitochondrialny może wyzwalać ścieżki związane z SUMOylacją, podczas gdy białka SUMO i ich specyficzne proteazy są niezbędne do utrzymania homeostazy mitochondrialnej¹⁹^,²⁰^,²¹. Ostatnie badania zwiększyły znaczenie kontroli jakości mitochondriów i dynamiki mitochondriów w chorobach układu krążenia i progresji NS²²^,²³. Jednak synergiczny wpływ SUMOylacji i regulacji mitochondrialnej na rozwój NS pozostaje niejasny, szczególnie na poziomie genów.

W niniejszym badaniu systematycznie zbadaliśmy geny na styku SUMOylacji i dysfunkcji mitochondrialnej w NS, dwa kluczowe procesy biologiczne, które zostały indywidualnie związane z NS, ale jeszcze nie zostały kompleksowo zintegrowane. Przenikające się geny zostały zidentyfikowane poprzez przecięcie genów zróżnicowane ekspresyjnie w związku z NS, genów związanych z SUMOylacją i genów związanych z mitochondriami. Kluczowe geny zostały następnie przesiewane za pomocą algorytmów uczenia maszynowego i wykorzystane do zbudowania modelu diagnostycznego. Analizy wzbogacenia funkcjonalnego i infiltracji odpornościowej zostały dodatkowo przeprowadzone w celu zbadania ich potencjalnych biologicznych ról w NS. To zintegrowane podejście może zapewnić systematyczną ramę do badania wzajemnego wpływu SUMOylacji i dysfunkcji mitochondrialnej w NS.

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

Protokół

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Badanie przeprowadzono zgodnie z Deklaracją Helsińską, a protokół został zatwierdzony przez Komisję Etyczną Trzeciego Szpitala Uniwersytetu Medycznego w Hebei (W2025-065-1) w listopadzie 2024 roku. Wyraz zgody został uzyskany od wszystkich osób biorących udział w badaniu.

Źródło danych i przetwarzanie wstępne

Uzyskano dane RNA-seq związane z niewydolnością serca, w tym dwa zestawy danych mikroarray z Gene Expression Omnibus (https://www.ncbi.nlm.nih.gov/geo/). Wybrane zostały dwa zestawy danych mikroarray krwi obwodowej: GSE59867 (34 próbki HF i 30 kontrolnych) jako zestaw treningowy; GSE57338 (177 próbek HF i 136 kontrolnych) jako zestaw walidacji. Informacje kliniczne dostępne dla GSE57338, w tym wiek, płeć i status choroby, zostały pobrane z GEO i są podsumowanie w Tabeli uzupełniającej 1. Dodatkowo, łącznie 3 893 geny związane z SUMOylacją (SRG) zostały uzyskane z bazy danych dbPTM (https://awi.cuhk.edu.cn/dbPTM/index.php) (Tabela uzupełniająca 2), podczas gdy 2 030 genów związanych z mitochondriami (MRG) zostały zebrane na podstawie wcześniejszego badania²⁴ (Tabela uzupełniająca 3). Następnie, pakiet R GEOquery (v 2.72.0)²⁵ został użyty do pobrania zestawów danych z bazy GEO, wyodrębnienia macierzy ekspresji i uzyskania informacji o fenotypie próbek. Anotację przeprowadzono poprzez mapowanie pliku anotacji i dopasowanie identyfikatorów genów. Nieważne identyfikatory genów zostały usunięte, a pozostały najbardziej ekspresyjne sondy.

Selekcja kluczowych genów za pomocą uczenia maszynowego

Aby wybrać geny związane z HF, SUMOylacją i mitochondriami, zastosowano wieloetapowe podejście. Najpierw, wspólne geny między zestawem treningowym, SRG i MRG zostały zidentyfikowane za pomocą analizy przecięcia. Potencjalna funkcja wspólnych genów została zidentyfikowana poprzez analizę wzbogacenia Gene Ontology (GO) i Kyoto Encyclopedia of Genes and Genomes (KEGG) przy użyciu pakietu R ClusterProfiler (v 4.12.6)²⁶. Następnie, trzy podejścia uczenia maszynowego, czyli regresja LASSO, XGBoost i las losowy (RF), zostały zastosowane do dalszego filtrowania genów. W regresji LASSO, optymalny parametr regularyzacji λ został wybrany poprzez walidację krzyżową, aby zidentyfikować cechy genetyczne o największej wartości predykcyjnej. Geny o niezerowych współczynnikach zostały wybrane do dalszej analizy. Następnie, algorytmy XGBoost i RF zostały wykorzystane do obliczenia wyników ważności cech i przesiewania najwyższych 20 genów.

Konstrukcja i ocena modeli diagnostycznych

Model diagnostyczny został skonstruowany przy użyciu regresji logistycznej na podstawie zestawu danych GSE59867. Następnie model został zastosowany do przewidywania statusu choroby i obliczania wyników prawdopodobieństwa. Aby zweryfikować model, te same kluczowe geny zostały wyodrębnione z zestawu danych GSE57338, znormalizowane, aby pasowały do zestawu treningowego i użyte do zewnętrznej predykcji. Wynik modelu został oceniony za pomocą krzywych Receiver Operating Characteristic (ROC), macierzy pomyłek, krzywej kalibracji oraz analizy krzywych decyzji (DCA).

Analiza wzbogacenia zestawu genów (GSEA) i subkomórkowa lokalizacja

Analiza korelacji Spearmana została zastosowana do zidentyfikowania genów skorelowanych dla każdego kluczowego genu. Analiza GSEA została przeprowadzona przy użyciu pakietu R ClusterProfiler (v 4.12.6) na powiązanych genach kluczowych. Równocześnie, aby określić dokładną subkomórkową lokalizację kluczowych genów w komórce, ich subkomórkowa lokalizacja została określona za pomocą bazy danych GeneCards (https://www.genecards.org/).

Asocjacja genu-choroby i przewidywanie leków

Aby ocenić kliniczne znaczenie zidentyfikowanych kluczowych genów, przeprowadzono systematyczne analizy asocjacji z chorobami i interakcji z lekami. Asocjacje gen-choroba zostały przebadane za pomocą bazy danych Comparative Toxicogenomics Database (CTD; https://ctdbase.org/), z wynikami klasyfikowanymi zarówno według wyników wnioskowania, jak i liczby referencji (zgłoszono 10 najlepszych asocjacji). Dane o interakcji gen-lek dla kluczowych genów zostały uzyskane z bazy danych Drug-Gene Interaction (DGIdb), a leki zostały wykluczone na podstawie wyniku interakcji < 0,5. Następnie, pobrane zostały struktury 3D białek odpowiadających kluczowymi genom z bazy danych PDB (https://www.rcsb.org/) oraz struktury molekularne potencjalnych leków z PubChem (https://pubchem.ncbi.nlm.nih.gov/). Następnie, przeprowadzono analizę dokowania molekularnego przy użyciu CB-Dock2²⁷ (https://cadd.labshare.cn/cb-dock2/php/index.php) w celu obliczenia wyników wiązania pomiędzy potencjalnymi lekami a białkami. Niższa wolna energia wiązania wskazuje na bardziej stabilne wiązanie, sugerując, że związek może mieć większy potencjał ukierunkowania.

Analiza infiltracji immunologicznej

Infiltrację komórek odpornościowych

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

Wyniki

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Identyfikacja i funkcjonalne wzbogacanie skrośnych genów

Aby zidentyfikować geny zaangażowane w sumoilację i funkcję mitochondria w HF, początkowo wykonano kontrolę jakości zestawu treningowego GSE59867 (Dodatkowa Figura 1A). Przeprowadzono trójstronną analizę przecięcia wszystkich genów w zestawie treningowym, SRG i MRG, identyfikując 113 nakładających się genów (Rycina 1A). Aby zbadać potencjalne funkcje biologiczne tych genów, ...

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

Dyskusja

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

HF, progresywny i końcowy etap różnych chorób układu krążenia, charakteryzuje się bardzo złożonymi i wieloczynnikowymi mechanizmami patofizjologicznymi¹⁷^,³⁴. Chociaż zarówno sumoilacja, jak i dysfunkcja mitochondria zostały indywidualnie powiązane z HF, ich potencjalne synergistyczne role pozostają niedostatecznie zbadane, szczególnie na poziomie genów. W niniejszym badaniu zidentyfikowaliśmy pięć kluczowych genów—NFKB1, MYEF2, NSUN2, SQSTM1 i FKBP4—i stworzyliśm...

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

Oświadczenia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

To dzieło zostało wspierane przez Projekt Badań Nauk Medycznych Hebei (Numer grantu: 20250084).

Podziękowania

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy nie mają żadnych konfliktów interesów do zadeklarowania.

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

Materiały

Lista materiałów użytych w tym artykule
Nazwa	Firma	Numer katalogowy	Komentarze
Substytut chloroformu	Servicebio	G3014-02	qPCR reagent
Woda traktowana DEPC	Biosharp	BL510A	qPCR reagent
Szybka mieszanka do syntezy pierwszej warstwy cDNA dla RT (z dsDNase)	Albatross Biology	500-101	qPCR reagent
Fast Taq qPCR SYBR Green Mix	Albatross Biology	500-102	qPCR reagent
FKBP4 primery	Tsingke	N/A	Forward: 5’-GAAGGCGTGCTGAAGGTCAT-3’ Reverse: 5’-TGCCATCTAATAGCCAGCCAG-3’
Izopropanol	Hushi	80109218	qPCR reagent
MYEF2 primery	Tsingke	N/A	Forward: 5’-CAGCTCCAATGGCGTTAAAATG-3’ Reverse: 5’-TGGCCTTCTTACTTCCTGTAGAT-3’
NanoDrop spektrofotometr	Thermo Fisher Scientific	NanoDrop 2000C	qPCR reagent
NFKB1 primery	Tsingke	N/A	Forward: 5’-AACAGAGAGGATTTCGTTTCCG-3’ Reverse: 5’-TTTGACCTGAGGGTAAGACTTCT-3’
NSUN2 primery	Tsingke	N/A	Forward: 5’-GAACTTGCCTGGCACACAAAT-3’ Reverse: 5’-TGCTAACAGCTTCTTGACGACTA-3’
SQSTM1 primery	Tsingke	N/A	Forward: 5’-GCACCCCAATGTGATCTGC-3’ Reverse: 5’-CGCTACACAAGTCGTAGTCTGG-3’
TRIzol reagent	Vazyme	R401-01	qPCR reagent
β-aktin primery	Tsingke	N/A	Forward: 5’-CATGTACGTTGCTATCCAGGC-3’ Reverse: 5’-CTCCTTAATGTCACGCACGAT-3’

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Medycyna Wydanie 232 Wydanie 232 Warto pusta Wydanie mitochondria uczenie maszynowe infiltracja immunologiczna

Identyfikacja kandydatów na biomarkery związane z dysfunkcją mitochondrialną i SUMOylacją w niewydolności serca na podstawie podejść bioinformatycznych

W tym artykule

Podsumowanie

Streszczenie

Wprowadzenie

Protokół

Wyniki

Dyskusja

Oświadczenia

Podziękowania

Materiały

Przedruki i uprawnienia

Tagi

Powiązane artykuły