É necessária uma assinatura do JoVE para visualizar este conteúdo. Faça login ou inicie seu teste gratuito.

Artigo de investigação

UPP1 como Biomarcador Diagnóstico: Percepções a partir de Bioinformática Integrativa e Análises de Infiltração Imune na DPOC

62 visualizações

⸱

DOI:

10.3791/72242

⸱

3 de setembro de 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

Neste artigo

Resumo

Este estudo apresenta um fluxo de trabalho bioinformático reprodutível que integra transcriptômica, aprendizado de máquina e análise de infiltração imune para identificar biomarcadores diagnósticos potenciais e redes regulatórias na doença pulmonar obstrutiva crônica (DPOC).

Resumo

A DPOC é uma desordem respiratória progressiva caracterizada por limitação persistente do fluxo aéreo e inflamação crônica, porém o papel da modificação de RNA por N4-acetilcitidina (ac4C) em sua patogênese permanece amplamente inexplorado. Este estudo teve como objetivo realizar uma triagem sistemática de genes relacionados à ac4C (ac4C-RGs) a partir de uma base de dados publicada e investigar suas redes regulatórias na DPOC, identificando assim possíveis biomarcadores para estudos mecanicistas adicionais, sem presumir uma relação regulatória direta entre qualquer gene específico e a modificação por ac4C. Genes diferencialmente expressos (DEGs) foram identificados a partir de perfis transcriptômicos, e a análise de rede de coexpressão gênica ponderada (WGCNA) foi aplicada para revelar módulos-chave de coexpressão. Foi realizada uma análise cruzada entre DEGs, módulos significativos e ac4C-RGs. Os genes-chave foram selecionados utilizando regressão LASSO, algoritmos XGBoost e floresta aleatória, seguidos pela construção de um modelo diagnóstico baseado em regressão logística. O desempenho do modelo foi avaliado por meio de análise da curva ROC (característica operacional do receptor), área sob a curva (AUC) com intervalos de confiança de 95%, avaliação da curva de calibração e análise da curva de decisão (DCA). Foram identificados um total de 160 genes sobrepostos, e seis genes centrais (PTRF, PRKCDBP, UPP1, TOR3A, FAM168B e B4GALT2) foram consistentemente selecionados pelos três algoritmos de aprendizado de máquina. O modelo diagnóstico demonstrou bom desempenho discriminativo, com AUCs de 0,766, 0,759 e 0,723 nos conjuntos de treinamento, teste interno e validação externa, respectivamente. A análise da rede regulatória sugeriu possíveis eixos ceRNA e interações com fatores de transcrição, enquanto o perfil de infiltração imune revelou correlações significativas entre os genes-chave e múltiplos subconjuntos de células imunes. A análise de interação droga-gene e o encaixe molecular indicaram que fluorouracila, capecitabina e 5-benzilacilouridina podem exibir afinidades de ligação previstas favoráveis com UPP1. Em conclusão, PTRF, PRKCDBP, UPP1, TOR3A, FAM168B e B4GALT2 foram identificados como biomarcadores potenciais relacionados à ac4C na DPOC, possivelmente envolvidos na regulação imune e metabólica, fornecendo uma base para futuras investigações funcionais e exploração terapêutica.

Introdução

A DPOC é uma desordem respiratória crônica e heterogênea caracterizada por limitação progressiva do fluxo aéreo resultante de anormalidades nas estruturas alveolares e das vias aéreas1,2. Um desequilíbrio protease-antiprotease, estresse oxidativo, inflamação crônica e senescência celular constituem os mecanismos fisiopatológicos centrais da DPOC, levando à destruição estrutural e prejuízo funcional do tecido pulmonar3,4. Além disso, a DPOC é influenciada por múltiplos fatores de risco, incluindo tabagismo prolongado, poluição ambiental, exposição ocupacional, infecções respiratórias e suscetibilidade genética5,6. A DPOC tem imposto um fardo significativo à economia global. Projetou-se que ela represente 0,111% do PIB mundial anualmente entre 2020 e 20507. Embora as estratégias terapêuticas atuais, como broncodilatadores, corticosteroides inalatórios, reabilitação pulmonar e oxigenoterapia de longo prazo, possam aliviar os sintomas, interromper a progressão da doença permanece desafiador. Devido à acentuada heterogeneidade clínica, os desfechos em pacientes variam amplamente8. Portanto, biomarcadores diagnósticos e indicadores prognósticos inovadores são urgentemente necessários para aprimorar o manejo da DPOC e melhorar a sobrevida dos pacientes.

A modificação de RNA refere-se à alteração química de moléculas de RNA, o que pode mudar a estrutura e a função do RNA para regular a expressão gênica9,10. As modificações comuns de RNA incluem N6-metiladenosina (m6A), pseudouridina (Ψ), 5-metilcitidina (m5C) e ac4C11. A modificação ac4C desempenha um papel crucial na preservação da estabilidade do mRNA e na promoção da tradução do mRNA12,13. NAT10 é a única enzima eucariótica conhecida que catalisa a modificação ac4C, e sua atividade é essencial para a formação dessa modificação14. Estudos demonstraram uma forte correlação entre estresse oxidativo, senescência celular, inflamação e modificação ac4C. Por exemplo, linfócitos T CD4+ em tecidos do cólon de indivíduos com doença inflamatória intestinal (DII) apresentam níveis acentuadamente elevados de NAT1015. NAT10 aumenta a acetilação ac4C das quimiocinas CCL2 e CXCL1, promovendo assim a infiltração de macrófagos e neutrófilos e agravando os danos inflamatórios16. A resposta celular ao estresse oxidativo pode envolver a modificação ac4C, como evidenciado pelo aumento acentuado nos níveis de ac4C sob estresse oxidativo. Além disso, NAT10 promove a fibrose pulmonar induzida por PM2.5 ao estabilizar o mRNA de TGFB1 por meio da modificação ac4C, desencadeando assim a transição epitelial-mesenquimal17. No entanto, o papel da modificação ac4C na DPOC permanece amplamente inexplorado, destacando a necessidade de pesquisas adicionais nessa área.

O banco de dados GEO foi utilizado neste estudo para identificar genes diferencialmente expressos (GDEs) entre pacientes com DPOC e controles. Uma lista publicada de genes reguladores de ac4C (ac4C-RGs), compilada a partir de dados multiômicos18, foi então integrada aos GDEs para identificar candidatos sobrepostos. Considerando que a modificação ac4C é conhecida por influenciar processos inflamatórios e estresse oxidativo—processos centrais na DPOC—formulamos a hipótese de que genes associados à rede regulatória de ac4C poderiam estar desregulados na DPOC. No entanto, os genes sobrepostos não foram considerados substratos diretos da NAT10 nem genes diretamente regulados pelo ac4C; ao invés disso, foram considerados candidatos associados à rede relacionada ao ac4C. Genes-chave foram selecionados utilizando múltiplos algoritmos de aprendizado de máquina, seguidos pela construção e validação de um modelo diagnóstico. Posteriormente, foram determinadas as vias relevantes envolvidas na patogênese da DPOC e previstos fármacos potencialmente direcionados. Por fim, ensaios de RT-qPCR foram realizados para confirmar os níveis de expressão dos genes-chave, fornecendo insights preliminares sobre a fisiopatologia da DPOC e possíveis vias para exploração terapêutica.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

Declaração do comitê de ética em pesquisa

Este estudo foi conduzido de acordo com a Declaração de Helsinque. O protocolo foi aprovado pelo Comitê de Ética do Hospital Shenzhen Luohu de Medicina Tradicional Chinesa (número de aprovação: 2024-LHQZYYYXLL-KY-039), e o consentimento informado por escrito foi obtido de todos os participantes antes da inscrição. Os detalhes das ferramentas e materiais de pesquisa utilizados neste protocolo estão fornecidos na Tabela de Materiais.

Fonte e processamento de dados

Conjuntos de dados de expressão gênica relacionados à DPOC foram obtidos no Gene Expression Omnibus (GEO). O conjunto de dados GSE54837 foi utilizado como conjunto de transcriptoma, e o conjunto de dados GSE112811 serviu como conjunto de validação (Tabela 1). Os genes regulados por ac4C (ac4C-RGs) foram coletados da literatura18. Genes diferencialmente expressos (DEGs) entre os grupos DPOC e controle foram identificados utilizando o pacote R limma. Consideraram-se estatisticamente significativos os DEGs com |log2FC| > 0 e p < 0,05. Foram gerados gráficos de vulcão para visualizar a distribuição geral das alterações na expressão gênica.

Construção do WGCNA

A WGCNA foi realizada no conjunto de dados GSE54837 utilizando o R para identificar módulos relacionados à DPOC. Antes da construção da rede, amostras discrepantes foram identificadas e removidas por meio de análise de agrupamento hierárquico utilizando a função hclust com o método de ligação média e uma métrica de distância euclidiana. A potência ótima de limiarização suave (β = 10) foi selecionada para alcançar um índice de ajuste à topologia livre de escala R2 ≥ 0,85, equilibrando topologia livre de escala e conectividade média. Uma matriz de adjacência foi construída e transformada em uma matriz de sobreposição topológica (TOM). Os módulos de genes foram identificados utilizando o algoritmo dinâmico de corte de árvore (deepSplit = 2, minClusterSize = 50). Módulos com correlações de eigengene > 0,75 foram posteriormente agrupados utilizando a função mergeCloseModules. Os eigengenes dos módulos foram então correlacionados com características clínicas (estado de DPOC, idade, sexo e status de tabagismo) utilizando coeficientes de correlação de Pearson para identificar módulos associados à DPOC para análises subsequentes.

Triagem, análise de enriquecimento e análise da rede de interação de proteínas (PPI) de genes sobrepostos

Um diagrama de Venn foi gerado utilizando o pacote R ggvenn para identificar os genes que se sobrepõem entre os DEGs, os genes do módulo MEsalmon e os ac4C-RGs. A análise de enriquecimento funcional dos genes sobrepostos foi realizada utilizando as bases de dados Gene Ontology (GO) e Kyoto Encyclopedia of Genes and Genomes (KEGG) com o pacote R clusterProfiler. Informações sobre interação proteína-proteína (PPI) foram obtidas a partir da base de dados STRING (https://string-db.org/) para analisar as interações ao nível proteico entre os genes sobrepostos. O software Cytoscape foi utilizado para visualizar a rede PPI resultante.

Identificação de genes-chave por meio de aprendizado de máquina

Três técnicas de aprendizado de máquina foram aplicadas: regressão com operador de encolhimento e seleção por mínimos absolutos (LASSO), gradiente de reforço extremo (XGBoost) e floresta aleatória (RF). A regressão LASSO foi implementada usando o pacote glmnet com validação cruzada de 10 dobras para determinar o parâmetro de penalidade ótimo λ. O parâmetro type.measure foi definido como "deviance", e o parâmetro family foi definido como "binomial". O valor ótimo de λ foi selecionado usando o critério λmin, que minimiza o desvio validado por cruzamento, resultando em 17 genes. O XGBoost foi realizado usando o pacote xgboost com os seguintes hiperparâmetros: nrounds = 100, max_depth = 6, eta = 0,3, subsample = 0,8, colsample_bytree = 0,8 e eval_metric = "logloss". A importância das características foi classificada pela métrica de ganho, e os 30 principais genes foram selecionados. A floresta aleatória foi implementada usando o pacote randomForest com ntree = 200. A importância das características foi classificada pela diminuição média na medida de Gini, e os 30 principais genes foram selecionados. Os genes selecionados pelos três métodos de aprendizado de máquina foram intersectados para identificar genes-chave para análises subsequentes.

Construção e avaliação do modelo de regressão logística para predição de risco

O conjunto de dados GSE54837 foi dividido aleatoriamente em um conjunto de treinamento (70%) e um conjunto de teste (30%). Um modelo de regressão logística foi construído com base no conjunto de treinamento utilizando a função glm do pacote MASS, com os níveis de expressão dos genes-chave como variáveis de entrada. O desempenho do modelo foi avaliado por meio de curvas ROC geradas com o pacote pROC. Os intervalos de confiança de 95% para a AUC foram calculados por meio de 2.000 réplicas bootstrap. A calibração do modelo foi avaliada utilizando curvas de calibração geradas com 1.000 reamostragens bootstrap (pacote rms). A análise de decisão clínica (DCA) foi realizada utilizando o pacote dca para avaliar o benefício clínico líquido em uma variedade de probabilidades limite. Um nomograma foi construído utilizando a função nomogram do pacote rms para facilitar a estimativa individualizada de risco.

A equação de regressão foi:

logit(P) = 0,5823 + 0,6010 × UPP1 - 0,6563 × PTRF + 0,3853 × B4GALT2 - 0,3972 × FAM168B + 0,1848 × PRKCDBP - 0,4787 × TOR3A.   (1)

Aqui, P representa a probabilidade prevista de DPOC, e cada coeficiente representa a contribuição do valor correspondente de expressão gênica para o logaritmo das chances de DPOC.

Análise de expressão, rede GeneMANIA e rede regulatória molecular

Os níveis de expressão gênica entre os grupos com DPOC e controle no conjunto de dados GSE54837 foram comparados utilizando o teste de soma de postos de Wilcoxon. Gráficos de caixa foram gerados com o pacote ggplot2 para visualizar a distribuição dos níveis de expressão, com mediana, intervalo interquartil (IIQ) e pontos de dados individuais sobrepostos. O GeneMANIA foi utilizado para construir redes gênicas e prever interações funcionais. A busca foi realizada com parâmetros padrão: espécie = Homo sapiens, número máximo de genes relacionados = 20. A rede resultante foi baixada e visualizada, com as cores das arestas indicando os tipos de interação. Uma rede de RNA endógeno competitivo (ceRNA) foi construída para investigar mecanismos regulatórios pós-transcricionais. As miRNAs que visam os seis genes-chave foram previstas utilizando duas bases de dados independentes: DIANA-microT (pontuação ≥ 0,8) e miRanda (pontuação ≥ 140, energia ≤ −20 kcal/mol). A interseção de miRNAs identificadas por ambas as bases de dados foi utilizada para construir pares miRNA-mRNA. Posteriormente, as lncRNAs que visam essas miRNAs foram previstas utilizando a base de dados StarBase. Uma rede regulatória lncRNA-miRNA-mRNA foi construída e visualizada utilizando o Cytoscape. As relações regulatórias transcricionais foram previstas utilizando a Análise de Enriquecimento ChIP-X Versão 3 (ChEA3). Para cada gene-chave com fatores de transcrição previstos, os 10 principais fatores de transcrição com as maiores pontuações de enriquecimento foram selecionados. Uma rede regulatória TF-alvo foi construída no Cytoscape.

Análise de enriquecimento de conjuntos de genes e avaliação da infiltração de células imunes

A análise de enriquecimento de conjuntos de genes (GSEA) foi realizada utilizando o pacote clusterProfiler para investigar as funções biológicas de cada gene-chave. Para cada gene-chave, as amostras foram divididas em grupos de alta e baixa expressão com base no valor mediano. A análise de expressão diferencial entre os dois grupos foi realizada utilizando o limma, e a lista resultante de genes foi ordenada pelo log₂ da razão de expressão com sinal. O GSEA foi conduzido utilizando a função gseGO para termos do processo biológico da Ontologia Genética (GO) e a função gseKEGG para vias KEGG, com os seguintes parâmetros: minGSSize = 10, maxGSSize = 500, pvalueCutoff = 0,05 e nPerm = 1.000. A abundância relativa de 28 tipos de células imunes foi estimada utilizando a análise de enriquecimento de conjuntos de genes por amostra única (ssGSEA) implementada no pacote GSVA. Uma matriz de assinatura de conjunto de genes curada, composta por genes marcadores para 28 tipos de células imunes, foi obtida da literatura anterior19. Para cada amostra, a função gsva foi aplicada com method = "ssgsea", ssgsea.norm = TRUE e kcdf = "Gaussian". Os coeficientes de correlação de Spearman entre os escores de enriquecimento do ssGSEA e os níveis de expressão dos seis genes-chave foram calculados utilizando a função cor.test. Os valores de p foram ajustados para testes múltiplos utilizando o método de Benjamini-Hochberg. A matriz de correlação foi visualizada como um mapa de calor utilizando o pacote pheatmap.

Previsão de fármacos, docking molecular e análise de associação com doenças

Compostos terapêuticos potenciais direcionados a genes-chave foram identificados utilizando a base de dados DrugBank. Uma rede de interação "fármaco direcionado ao gene-chave" foi construída no Cytoscape para visualizar as interações previstas entre fármacos e genes. O encaixe molecular foi realizado utilizando a plataforma CB-Dock2 para avaliar as afinidades de ligação. A estrutura tridimensional da proteína humana UPP1 foi obtida no Protein Data Bank (PDB ID: 7B8T). As estruturas moleculares dos fármacos (formato SMILES) foram obtidas do PubChem. O encaixe foi realizado utilizando o mecanismo AutoDock Vina, e os resultados foram classificados pela energia livre de ligação (ΔG, em kcal/mol). Os complexos de encaixe foram visualizados utilizando o PyMOL. As associações entre os genes-chave e doenças humanas relacionadas a exposições ambientais foram investigadas utilizando a base de dados Comparative Toxicogenomics Database (CTD). Cada gene foi pesquisado individualmente, e as dez doenças com associação mais forte foram extraídas e visualizadas utilizando gráficos de radar.

Protocolo de RT-qPCR

Amostras de sangue venoso periférico foram coletadas de oito pacientes com DPOC e oito controles saudáveis no Hospital Shenzhen Luohu de Medicina Tradicional Chinesa. A DPOC foi diagnosticada de acordo com os critérios da Iniciativa Global para Doença Pulmonar Obstrutiva Crônica (GOLD), definida como uma relação VEF1/CVF pós-broncodilatador inferior a 0,7. < 0,70. O grupo controle era composto por voluntários saudáveis pareados por idade e sexo, sem histórico de doenças respiratórias e com testes de função pulmonar normais (VEF1% previsto ≥ 80% e VEF1/CVF ≥ 0,70). As informações basais dos pacientes estão apresentadas em Tabela 2. O RNA total foi extraído de amostras de sangue de DPOC utilizando um kit de extração de RNA de sangue. Para a síntese de cDNA, 500 ng de RNA total foram transcritos reversamente utilizando um kit de síntese de cDNA com remoção de DNA genômico, conforme o protocolo fornecido. O cDNA resultante foi diluído para 150 ng/μL.

A RT-qPCR foi realizada utilizando uma mistura mestra de qPCR baseada em SYBR Green em um sistema de PCR em tempo real. Cada reação de 10 μL continha 5 μL de mistura mestra 2x de SYBR Green, 0,5 μL de cada iniciador (primers) direto e reverso (10 μM), 1 μL de cDNA diluído (15 ng/μL) e 3 μL de água livre de nucleases. As condições de ciclagem foram desnaturação inicial a 95 °C por 5 min, seguida por 40 ciclos de 95 °C por 10 s e 60 °C por 30 s, com uma análise final de curva de dissociação de 60 °C a 95 °C para verificar a especificidade da amplificação. Todas as reações foram realizadas em triplicatas técnicas. β-actina foi utilizada como gene de referência interno. A eficiência dos primers para cada gene alvo foi validada utilizando série de diluições em curva padrão e variou de 90% a 110%. Os níveis de expressão gênica foram normalizados em relação à β-actina, e a expressão relativa foi calculada pelo método 2-ΔΔCt. As comparações estatísticas entre os grupos com DPOC e controle foram realizadas utilizando o teste Mann-Whitney U.

Análise estatística

As visualizações de rede foram criadas usando o Cytoscape, e as análises estatísticas foram realizadas usando o software R. Salvo indicação em contrário, o teste U de Mann-Whitney foi utilizado para dados com distribuição não normal, e o teste t de Student foi utilizado para dados com distribuição normal para comparar dois grupos. Um valor de p < 0,05 foi considerado estatisticamente significativo.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

Identificação de genes sobrepostos, análise de enriquecimento e construção da rede de interação proteína-proteína

Do conjunto de dados GSE54837, foram identificados 3.371 genes diferencialmente expressos (DEGs), incluindo 1.675 DEGs superexpressos e 1.696 DEGs subexpressos. Os 10 principais genes com maior significância de superexpressão e subexpressão são apresentados em Figura 1A. Foi realizada uma análise de agrupamento hierárquico dos dados do...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

A modificação conservada de RNA ac4C, que ocorre predominantemente em RNA mensageiro (mRNA) e RNA transportador (tRNA), aumenta a estabilidade do mRNA e a eficiência de tradução20. NAT10 é a única acetiltransferase de RNA conhecida que media a modificação ac4C21. Estudos demonstraram que NAT10 está sobreexpressada em células epiteliais pulmonares de pacientes com DPOC. A supressão de NAT10 prejudica a função mitocondrial e as respostas transcriptômicas22

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

Os autores declaram não haver conflitos de interesse. O consentimento informado foi obtido de todos os indivíduos participantes do estudo.

Agradecimentos

Agradecemos ao Hospital Shenzhen Luohu de Medicina Tradicional Chinesa por fornecer as instalações clínicas e o apoio administrativo essenciais para este estudo. Por fim, somos gratos a todos os pacientes e voluntários saudáveis que participaram desta pesquisa; sua contribuição foi indispensável para este trabalho. Este trabalho foi apoiado pelo Projeto Sanming de Medicina em Shenzhen (nº SZZYSM202401018), pelos Fundos de Especialidade Prioritária do Distrito de Luohu (nº LX202402021) e pelos Fundos de Especialidade Prioritária do Distrito de Luohu (nº LX202302064).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
β-actin primersTsingkeN/AForward: 5’-CATGTACGTTGCTATCCAGGC-3’
Reverse: 5’-CTCCTTAATGTCACGCACGAT-3’
Primers B4GALT2TsingkeN/AForward: 5’-GGGCAGACTGCTGATCGAG-3’
Reverse: 5’-CCGGTGTCTAAAGGGGATGAT-3’
CB-Dock2LabShareOnlineEncaixe molecular
clusterProfilerBioconductorv4.14.6Análise de enriquecimento
CytoscapeConsortium Cytoscapev3.8.3Visualização de rede
DrugBankUniversidade de AlbertaOnlinePrevisão de fármacos
Primers FAM168BTsingkeN/AForward: 5’-TCTGGGGTTCCCTATGCAAAT-3’
Reverse: 5’-GTAGGATTCGCTCCAGGATACA-3’
glmnetCRANv4.1Regressão LASSO
GSVABioconductorv1.52.3Análise ssGSEA
Hifair III 1st Strand cDNA Synthesis SupermixYEASEN11141ESSíntese de cDNA
Hieff RTPCR SYBR Green Master MixYEASEN11201ESAmplificação qPCR
limmaBioconductorv3.54.0Expressão diferencial
LightCycler 480 II SystemRocheLightCycler 480 IIPCR em tempo real
Primers PTRFTsingkeN/AForward: 5’-GGGCCGTAGACCAGATCCA-3’
Reverse: 5’-CTTGCTCACCGTATTGCTCGT-3’
Primers PRKCDBPTsingkeN/AForward: 5’-CACGTTCTGCTCTTCAAGGAG-3’
Reverse: 5’-TGTACCTTCTGCAATCCGGTG-3’
Software RFundação Rv4.4.2Computação estatística
randomForestCRANv4.7Floresta Aleatória
RNA isolater MolPure Blood RNA KitYEASEN19241ES50Extração de RNA
Banco de dados STRINGEMBLOnlineRede PPI
Primers TOR3ATsingkeN/AForward: 5’-CCCTTGCTCTGTCGTTCCAC-3’
Reverse: 5’-CCCGTCCCGATACAGGTTC-3’
Primers UPP1TsingkeN/AForward: 5’-CTGTCAGTCATGGTATGGGCA-3’
Reverse: 5’-GAGCACCGGGCATAGTACA-3’
WGCNACRANv1.72Rede de coexpressão
xgboostCRANv1.7Algoritmo XGBoost

Referências

  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.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Etiquetas

Biomarcador UPP1Diagnóstico de DPOCModificação de RNA ac4CCoexpressão GênicaBiomarcadores de Aprendizado de MáquinaAnálise de Rede RegulatóriaPerfil de Células ImunesInteração Droga-Gene
Fale conosco
Recomendar à biblioteca

Privacidade

Termos de Uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos os direitos reservados.