Методическая статья

Платформа поддержки принятия врачебных решений для выявления тромбоспондина 1 при неалкогольной жировой болезни печени с помощью иммуноинфильтрационного анализа

704 просмотров

⸱

DOI:

10.3791/67328

⸱

30 августа 2024 г.

 ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
1Department of Geriatric Cardiology, General Hospital of Southern Theater Command, 2Guangzhou Key Laboratory of Cardiac Rehabilitation, 3Branch of National Clinical Research Center for Geriatric Diseases, Chinese PLA General Hospital, 4The First School of Clinical Medicine, Southern Medical University, 5Zhujiang Hospital, Southern Medical University, Cardiovascular Department/The Second School of Clinical Medicine, Southern Medical University, 6Department of Electronics & Communication Engineering, Mepco Schlenk Engineering College, 7Department of Teleinformatics Engineering, Federal University of Ceará

В этой статье

Краткое содержание

В этом исследовании изучали связь между неалкогольной жировой болезнью печени (НАЖБП) и инфарктом миокарда (ИМ) через ко-экспрессируемые гены, идентифицируя тромбоспондин 1 (THBS1) в качестве биомаркера. Иммуноинфильтрационный анализ показал, что CD8+ Т-клетки и нейтрофилы являются ключевыми факторами, при этом THBS1 демонстрирует потенциал в качестве диагностического инструмента для НАЖБП и ИМ.

Аннотация

Неалкогольная жировая болезнь печени (НАЖБП) и инфаркт миокарда (ИМ) являются двумя основными проблемами для здоровья со значительной распространенностью и смертностью. Это исследование было направлено на изучение ко-экспрессируемых генов, чтобы понять взаимосвязь между НАЖБП и ИМ и определить потенциальные важные биомаркеры ИМ, связанного с НАЖБП, с помощью биоинформатики и машинного обучения. Для идентификации одного дифференциально экспрессируемого гена (DEG) был использован метод машинного исключения функций опорного вектора (SVM-RFE) и метода наименьшего абсолютного сокращения и оператора отбора (LASSO) с использованием методов машинного устранения признаков опорного вектора (SVM-RFE) и наименьшего оператора абсолютной усадки и отбора (LASSO). THBS1 продемонстрировал высокую эффективность в различении пациентов с НАЖБП (AUC = 0,981) и пациентов с ИМ (AUC = 0,900). Иммуноинфильтрационный анализ выявил значительно более низкий уровень CD8+ Т-клеток и более высокие уровни нейтрофилов у пациентов с НАЖБП и ИМ. CD8+ Т-клетки и нейтрофилы были эффективны в дифференциации НАЖБП/ИМ от здоровых контрольных групп. Корреляционный анализ показал, что THBS1 положительно коррелирует с CCR (хемокиновым рецептором), классом MHC (классом основных комплексов гистосовместимости), нейтрофилами, паравоспалением и Tfh (фолликулярными хелперными Т-клетками) и отрицательно коррелирует с CD8+ Т-клетками, цитолитической активностью и TIL (инфильтрирующими опухоль лимфоцитами) у пациентов с НАЖБП и ИМ. THBS1 стал новым биомаркером для диагностики НАЖБП/ИМ по сравнению со здоровыми контрольными группами. Результаты показывают, что CD8+ Т-клетки и нейтрофилы могут служить воспалительными иммунными признаками для дифференциации пациентов с НАЖБП/ИМ от здоровых людей.

Введение

Неалкогольная жировая болезнь печени (НАЖБП) является серьезной проблемой общественного здравоохранения с распространенностью 25–30%1. Сообщалось, что распространенность НАЖБП высока среди пациентов с сахарным диабетом2-го типа. Тем не менее, значение НАЖБП у пациентов без диабета еще не ясно. Исследования показали, что НАЖБП играет самостоятельную роль в патогенезе атеросклероза 3,4. Кроме того, метаанализ показал, что НАЖБП тесно связана с кальцификацией коронарных артерий, эндотелиальной дисфункцией и атеросклерозом и сталанезависимым фактором риска сердечно-сосудистых заболеваний5. Связь между НАЖБП и сердечно-сосудистыми заболеваниями все еще требует дальнейшего изучения.

Инфаркт миокарда (ИМ) – это катастрофическое заболевание, которое угрожает здоровью и ложится значительным экономическим бременем на пациентов и их семьи во всем мире6. ИМ также является основной причиной смерти у пациентов с НАЖБП. Клиническое исследование, опубликованное в Британском медицинском журнале, показало, что риск инфаркта миокарда у пациентов с НАЖБП в 1,17 раза выше, чем у пациентов без НАЖБП в 7,8 раза. В некоторых исследованиях были выявлены молекулярные пути, включая воспаление, окислительный стресс и метаболизм липидов, которые способствуют развитию ИМ 9,10,11, связанного с НАЖБП. Тем не менее, основные механизмы, связывающие НАЖБП и ИМ, остаются неясными. Крайне важно определить новые биомаркеры, связанные с прогнозом НАЖБП и ИМ.

Растущая распространенность НАЖБП, которая поражает широкий сегмент населения, подчеркивает серьезную проблему общественного здравоохранения, особенно учитывая ее связь с диабетом. Тем не менее, влияние НАЖБП на пациентов без диабета остается плохо изученным. НАЖБП участвует в патогенезе атеросклероза и признана независимым фактором риска сердечно-сосудистых заболеваний, тесно связанным с кальцификацией коронарных артерий, эндотелиальной дисфункцией и атеросклерозом. Несмотря на эти ассоциации, точные механизмы, связывающие НАЖБП и сердечно-сосудистые заболевания, такие как инфаркт миокарда (ИМ), требуют дальнейшего выяснения. ИМ является одной из ведущих причин смертности во всем мире и налагает значительное экономическое бремя. Риск развития ИМ у пациентов с НАЖБП значительно выше, чем у пациентов без НАЖБП, что подчеркивает необходимость более глубокого понимания молекулярных путей, соединяющих эти состояния. В то время как воспаление, окислительный стресс и метаболизм липидов были предложены в качестве способствующих факторов, точные механизмы остаются неясными. Существует острая необходимость в выявлении новых биомаркеров, которые могут дать представление о прогнозе и лечении ИМ, связанного с НАЖБП.

Следовательно, в этом исследовании наборы данных микрочипов РНК для НАЖБП и ИМ были загружены из Национального центра биотехнологической информации-экспрессии генов Omnibus (NCBI-GEO, см. Таблицу материалов) для идентификации и анализа взаимодействия дифференциально экспрессируемых генов (DEGs) между НАЖБП и ИМ. Анализ обогащения, построение диаграммы сети белок-белковое взаимодействие (PPI), устранение рекурсивных признаков опорного вектора (SVM-RFE), и алгоритмы оператора наименьшей абсолютной усадки и отбора (LASSO) были использованы для идентификации генов-хабов 12,13,14,15,16,17,18,19. Иммуноинфильтрационный анализ проводили для изучения иммунных клеток у пациентов с НАЖБП и ИМ. В конечном счете, эти методы были интегрированы для выяснения взаимосвязи между НАЖБП и ИМ. Рисунок 1 иллюстрирует последовательность дизайна, использованную в этом исследовании. Сочетая биоинформатику, машинное обучение и иммуноинфильтрационный анализ, это исследование призвано внести свой вклад в разработку новой платформы поддержки принятия медицинских решений.

Основными вкладами этой статьи являются: (1) Идентификация ко-экспрессируемых генов: Исследование подчеркивает связь между НАЖБП и ИМ путем идентификации ко-экспрессированных генов, предлагая более глубокое понимание молекулярных связей между этими двумя состояниями. (2) Применение биоинформатики и машинного обучения: Используя методы биоинформатики и машинного обучения, включая машинно-рекурсивное устранение опорных векторов (SVM-RFE)17 и оператор наименьшей абсолютной усадки и отбора (LASSO)19, исследование идентифицирует THBS1 как дифференциально экспрессируемый ген. THBS1 демонстрирует высокую эффективность в дифференциации пациентов с НАЖБП и ИМ от здоровых контрольных групп. (3) Иммуноинфильтрационный анализ: Исследование проводит иммуноинфильтрационный анализ, выявляющий значительно более низкие уровни CD8+ Т-клеток и более высокие уровни нейтрофилов у пациентов с НАЖБП и ИМ. (4) Корреляционный анализ: Исследование демонстрирует, что THBS1 положительно коррелирует с несколькими иммунными факторами, включая CCR (хемокиновый рецептор), MHC класс I (основной комплекс гистосовместимости класса I), нейтрофилы, паравоспаления и Tfh (фолликулярные хелперы Т). Он отрицательно коррелирует с CD8+ Т-клетками, цитолитической активностью и инфильтрирующими опухоль лимфоцитами (TIL).

Протокол

Подробная информация о базах данных, веб-ссылках и используемом программном обеспечении/пакетах приведена в Таблице материалов. Используемые параметры моделирования приведены в таблице 1.

1. Получение наборов данных микрочипов РНК

  1. Загрузите набор данных об инфаркте миокарда ( ИМ) GSE66360 из базы данных NCBI-GEO .
  2. Загрузите набор данных о неалкогольной жировой болезни печени (НАЖБП) GSE89632 из базы данных NCBI-GEO .
  3. Убедитесь, что загруженные наборы данных включают 49 образцов MI, 50 работоспособных контрольных образцов для GSE66360, 39 образцов NAFLD и 24 работоспособных контрольных для GSE89632.

2. Идентификация DEG

  1. Предварительная обработка данных и идентификация DEG
    1. Загрузите наборы данных в RStudio с помощью соответствующих функций R.
    2. Используйте лимму пакета R для идентификации DEGs12 со следующими пороговыми значениями: P < 0,05P и |log FC | > 1,5.
    3. Используйте пакеты R pheatmap, ggplot2 и Venn для создания тепловых карт и диаграмм Венна для визуализации DEG.
  2. Создание визуализаций
    1. Используйте pheatmap для создания тепловых карт DEG.
    2. Используйте ggplot2 для создания диаграмм Венна, показывающих перекрытие DEGs между НАЖБП и MI.

3. Анализ обогащения

  1. Выполнение анализа обогащения GO, KEGG и DO
    1. Загрузите DEG в пакет R clusterProfiler13.
    2. Проведите анализ обогащения онтологии генов (GO) для классификации ДЭГ по молекулярным функциям, биологическим процессам и клеточным компонентам.
    3. Выполняйте анализ путей Киотской энциклопедии генов и геномов (KEGG) для сопоставления ДЭГ с биохимическими путями.
    4. Используйте обогащенный анализ онтологии заболевания (DO) для связывания ДЭГ с конкретными клиническими состояниями.

4. Анализ PPI путем построения сетей PPI

  1. Используйте онлайн-платформуSTRING 14 для построения диаграмм сети белок-белковых взаимодействий (ИПП) ко-ДЭГ с доверительной вероятностью 0,4.
  2. Визуализируйте сети PPI с помощью Cytoscape15.

5. Отбор кандидатов в DEG хаба с применением алгоритмов машинного обучения

  1. Используйте алгоритмы регрессии SVM-RFE (Support Vector Machine-Recursive Feature Elimination) и LASSO (Least Absolute Shrinkage and Selection Operator) в RStudio для выбора наиболее релевантных DEGs 16,17,18.
  2. Убедитесь, что SVM-RFE ранжирует и удаляет объекты итеративно, в то время как регрессия LASSO19 применяет регуляризацию для идентификации разреженного набора DEG.

6. Построение ROC-кривой для оценки эффективности диагностики

  1. Использование RStudio для анализа кривой ROC (Receiver Working Characteristic)20.
  2. Рассчитайте площадь под кривой (AUC) для критических со-DEG.

7. Иммуноинфильтрационный анализ для изучения иммунной инфильтрации

  1. Проведите анализ обогащения набора генов (ssGSEA) с использованием пакетов R GSVA и GSEABase для анализа иммунной инфильтрации при НАЖБП и MI21.
  2. Сравните относительную распространенность типов иммунных клеток между образцами НАЖБП и ИМ и здоровыми контрольными группами.

8. Статистический анализ

  1. Выполняйте все статистические анализы в RStudio.
  2. Примените корреляционный анализ Пирсона для изучения паттернов коэкспрессии генов.
  3. Обеспечьте статистическую значимость с помощью P < 0,05.
    ПРИМЕЧАНИЕ: Перед запуском протокола убедитесь, что все программное обеспечение и пакеты R правильно установлены и обновлены до последних версий.

Результаты

Здесь представлены основные результаты предлагаемого исследования, охватывающие различные анализы, проведенные для выяснения молекулярных механизмов, лежащих в основе НАЖБП и ИМ.

Идентификация DEG
В наборе данных GSE89632 76 генов с повышенной регуляцией и 20 генов с пониженной регуляцией были идентифицированы как NAFLD-DEG (рис. 2B,D), в то время как набор данных GSE66360 выявил 118 генов с повышенной регуляцией и 8 генов с подавленной регуляцией как MI-DEGs (рис. 2C, E). Впоследствии со-ДЭГ были получены на основе перекрытия между НАЖБП-ДЭГ и МИ-ДЭГ, в результате чего было выявлено 13 ДЭГ с повышенной регуляцией и 1 ДЭГ с пониженной регуляцией среди со-ДЭГ (рис. 2A).

Идентификация ДЭГ, уникальных для НАЖБП и ИМ, а также общих для обоих расстройств, дает ценную информацию о молекулярных процессах, лежащих в основе этих заболеваний. Понимание различных и общих паттернов экспрессии генов, связанных с обоими состояниями, помогает прояснить патофизиологию НАЖБП и ИМ и может выявить потенциальные молекулярные мишени для терапевтического вмешательства. Дальнейшее исследование ко-ДЭГ может выявить важнейшие регуляторы или пути, необходимые для взаимодействия между этими двумя расстройствами, способствуя разработке таргетной терапии, направленной на смягчение негативных последствий для здоровья, связанных с НАЖБП и ИМ.

Анализ обогащения
Анализ ГО показал, что НАЖБП ДЭГ в первую очередь обогащаются следующими биологическими процессами (АД): дифференцировкой жировых клеток, реакцией на липополисахарид и процессами многоклеточного организма (p < 0,05, рис. 3А). Что касается клеточных компонентов (КК), то ДЭГ НАЖБП в основном ассоциировались с комплексом фосфатидилинозитол-3-киназы, просветом секреторных гранул и просветом цитоплазматических везикул (p < 0,05, рис. 3A). С точки зрения молекулярной функции (МФ), ключевые активности включали активность регулятора фосфатидилинозитол-3-киназы, активность активатора ДНК-связывающей транскрипции (специфичная для РНК-полимеразы) и общую активность активатора ДНК-связывающей транскрипции (p < 0,05, рис. 3A).

Для MI-DEG анализ АД показал обогащение хемотаксиса лейкоцитов, активацию миелоидных лейкоцитов и хемотаксис клеток (p < 0,05, рис. 3B). Анализ СС выявил обогащение третичными гранулами, гранулами, богатыми фиколином-1, и просветом секреторных гранул (p < 0,05, рис. 3B). Анализ МФ показал обогащение активности рецептора распознавания образов, связывания с рецептором RAGE и активности иммунных рецепторов (p < 0,05, рис. 3B).

Анализ обогащения KEGG показал, что НАЖБП-ДЭГ были значительно обогащены в следующих путях: IL-17, AGE-RAGE, TNF, дифференцировка остеокластов, малярия, ревматоидный артрит, болезнь Шагаса и сигнальные пути JAK-STAT (стр. < 0,05, рис. 3C). MI-DEG были обогащены IL-17, TNF, метаболизмом липидов и атеросклерозом, сигнализацией толл-подобных рецепторов, сигнализацией лектиновых рецепторов С-типа, легионеллезом, ревматоидным артритом и сигнальными путями NF-κB (p < 0,05, рис. 3D). Анализ обогащения онтологии болезней (DO) показал, что три основных ДЭГ как для НАЖБП, так и для ИМ были в значительной степени связаны с атеросклерозом, атеросклеротическим сердечно-сосудистым заболеванием и атеросклерозом (p < 0,05, рисунок 3E-F).

Анализ сетевых диаграмм PPI
На диаграмме сети ИПП для НАЖБП было идентифицировано 92 узла и 250 ребер, что отражает сложную сеть взаимодействий между белками, связанными с этим состоянием. Аналогичным образом, сетевая диаграмма ИПП для ИМ выявила 117 узлов и 587 ребер, что указывает на более сложную сетку, характерную для молекулярного ландшафта инфаркта миокарда. Кроме того, на диаграммах сети ИПП для со-ДЭГ было выявлено 14 узлов и 21 ребро, что подчеркивает потенциальные ключевые взаимодействия между белками, общими для НАЖБП и ИМ (рис. 4A-F).

Сети ИПП ценны для построения и анализа терапевтических мишеней и дают важную информацию о молекулярных связях, лежащих в основе НАЖБП и ИМ. Уникальные сетевые топологии, наблюдаемые при НАЖБП и ИМ, подчеркивают различные патофизиологические механизмы, участвующие в этих заболеваниях. Более того, обнаружение общих связей между ко-ДЭГ предполагает потенциальные общие пути или регуляторные сети, которые опосредуют взаимодействие между ИМ и НАЖБП. Дальнейшие исследования этих связей могут выявить новые молекулярные мишени для вмешательства и разработки терапии, потенциально предлагая новые варианты лечения этих сложных заболеваний.

Отбор кандидатов в хаб DEG
Алгоритм SVM-RFE17 был использован для скрининга потенциально важных DEG, что привело к идентификации 6 генов в GSE89632 и 4 генов в GSE66360 (рис. 5A, B). Аналогичным образом, алгоритм19 LASSO был использован для идентификации кандидатов в ключевые DEG, в результате чего было получено 4 гена в GSE89632 и 5 генов в GSE66360 (рисунок 5C, D). Примечательно, что диаграмма Венна изображает пересечение концентратора DEG (THBS1), идентифицированного с помощью анализа SVM-RFE, LASSO и сети co-PPI, что подчеркивает его значимость как в патогенезе НАЖБП, так и в патогенезе ИМ (рис. 5F).

Эти передовые алгоритмы машинного обучения обеспечили надежную основу для идентификации ключевых DEG, связанных с ИМ и НАЖБП, и предоставили ценную информацию об их потенциале в качестве терапевтических или диагностических мишеней. Идентификация THBS1 в качестве гена-хаба с помощью нескольких аналитических методов подчеркивает его важность в молекулярных путях, лежащих в основе обоих заболеваний. Дальнейшие исследования функционального значения THBS1 и его взаимодействия в сети ко-ИПП могут пролить свет на новые механизмы, связывающие НАЖБП и ИМ, потенциально проложив путь к таргетной терапии и стратегиям точной медицины.

Диагностическое значение одного концентратора DEG
ROC-анализ был проведен для оценки диагностической эффективности выявленных узловых ДЭГ как в наборах данных НАЖБП, так и в наборах данных MI. Как показано на рисунках 6A, B, THBS1 продемонстрировал высокую дискриминирующую способность, с AUC 0,981 (95% ДИ: 0,949-1,000) у пациентов с НАЖБП и 0,900 (95% ДИ: 0,834-0,956) у пациентов с ИМ. Высокая эффективность THBS1 в качестве диагностического биомаркера подчеркивает его потенциальную полезность в дифференциации между НАЖБП, ИМ и здоровыми контрольными группами.

Эти результаты свидетельствуют о том, что THBS1 может служить ценным маркером состояния заболевания, предлагая клиницистам полезный инструмент для оценки риска и раннего выявления. Чтобы облегчить интеграцию THBS1 в клиническую практику и улучшить уход за пациентами и их лечение, необходимы дальнейшие валидационные исследования для подтверждения его диагностической точности в различных популяциях пациентов и клинических условиях.

Анализ иммунной инфильтрации
ssGSEA был проведен для анализа 29 иммунородственных генов между НАЖБП/ИМ и контрольной группой (CON). По сравнению с группой CON, инфильтрация иммунных клеток была значительно увеличена в группах НАЖБП и ИМ, особенно в отношении CCR, MHC класса I, нейтрофилов, паравоспаления и клеток Tfh (p < 0,05, рис. 7A, B). И наоборот, инфильтрация иммунных клеток заметно снизилась в группах НАЖБП и ИМ по сравнению с группой CON, особенно в отношении CD8+ Т-клеток, цитолитической активности и инфильтрирующих опухоль лимфоцитов (TIL) (p < 0,05, рис. 7C, D).

Эти результаты свидетельствуют о нарушении регуляции инфильтрации иммунных клеток как при НАЖБП, так и при ИМ, подчеркивая сложный иммунологический ландшафт, связанный с этими состояниями. Наблюдаемые изменения в составе иммунных клеток позволяют получить ценную информацию об иммунологических процессах, лежащих в основе развития и патофизиологии этих заболеваний. Дальнейшее понимание этих иммунных характеристик может выявить новые терапевтические мишени для вмешательства и поддержать разработку индивидуальных планов лечения на основе иммунологических профилей пациентов с НАЖБП и ИМ.

figure-results-1
Рисунок 1: Последовательность проектирования системы поддержки принятия врачебных решений для выявления THBS1. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

figure-results-2
Рисунок 2: Диаграммы Венна, диаграммы вулканов и тепловые карты. (A) Диаграмма Венна для GSE89632 и GSE66360. (B) Вулканическая диаграмма дифференциально экспрессируемых генов (DEG) в GSE89632. (В) Вулканическая диаграмма ДЭГ в GSE66360. (D) Диаграмма тепловой карты DEG в GSE89632. (E) Диаграмма тепловой карты DEG в GSE66360. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

figure-results-3
Рисунок 3: Анализ обогащения дифференциально экспрессируемых генов (DEGs). (A) Пять основных NALFD-DEG обогатили онтологию генов (GO) в биологических процессах (BP), клеточном компоненте (CC) и молекулярной функции (MF). (B) Пять ведущих MI-DEG обогатили GO по BP, CC и MF. (C) Восемь ведущих NALFD-DEG обогатили Киотскую энциклопедию генов и геномов (KEGG) сигнальных путей. (D) Восемь ведущих MI-DEG обогатили сигнальные пути KEGG. (E) Пять основных NALFD-DEGs обогатили онтологию болезней (DO). (F) Пять основных MI-DEG обогащены DO. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

figure-results-4
Рисунок 4: Диаграммы сети белок-белковых взаимодействий (ИПП). (A) Сетевая диаграмма ИПП неалкогольной жировой болезни печени (НАЖБП), полученная с онлайн-платформы String. (B) Диаграмма сети ИПП НАЖБП, полученная от Cytoscape. (C) Сетевая диаграмма ИПП инфаркта миокарда (ИМ), полученная с онлайн-платформы String. (D) Диаграмма сети ИПП ИМ, полученная Cytoscape. (E) Сетевая диаграмма ИПП белковых взаимодействий. (F) Схема сети PPI IL1B и FOS. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

figure-results-5
Рисунок 5: Отбор кандидатов в концентраторы DEG. (A) Шесть важнейших DEG, полученных SVM-RFE в НАЖБП. (B) Четыре важнейших ДЭГ, полученных с помощью СВМ-РХЭ при инфаркте миокарда (ИМ). (C) Четыре важнейших DEG, полученных LASSO в НАЖБП. (D) Пять важнейших DEG, полученных с помощью LASSO в MI. (E) Только один DEG, полученный из вышеуказанных результатов на диаграмме Венна. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

figure-results-6
Рисунок 6: Диагностическое значение одного хаба дифференциально экспрессируемых генов (DEGs). (A) ROC-кривые при НАЖБП. (B) ROC-кривые в MI. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

figure-results-7
Рисунок 7: Распределение инфильтрирующих иммунных клеток и корреляция между THBS1 и инфильтрирующими иммунными клетками при неалкогольной жировой болезни печени (НАЖБП) и инфаркте миокарда (ИМ). (A) Распределение инфильтрирующих иммунных клеток при НАЖБП. (B) Распределение инфильтрирующих иммунных клеток при ИМ. (C) Корреляция между THBS1 и инфильтрирующими иммунными клетками при НАЖБП. (D) Корреляция между THBS1 и инфильтрирующими иммунными клетками при ИМ. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

СокращениеНоменклатура
АУКПлощадь под кривой
ВРБиологический процесс
КУБОВЫЙКлеточный компонент
РАЗВОДИТЬРычаги управления
ГРАДДифференциально экспрессируемые гены
ДЕЛАТЬОнтология болезней
ИДТИОнтология генов
КЕГГКиотская энциклопедия генов и геномов
АРКАНОператор наименьшей абсолютной усадки и выбора
МФМолекулярная функция
МИИнфаркт миокарда
НАЖБПНеалкогольная жировая болезнь печени
ИЦПБелок-белковое взаимодействие
РУХКривые характеристик оператора приемника
ssGSEAАнализ обогащения набора генов на одном образце
СВМ-РШМетод опорных векторов — рекурсивное устранение признаков
бат1Тромбоспондин 1

Таблица 1: Параметры моделирования, использованные в эксперименте.

Обсуждение

Метод, описанный в данном исследовании, имеет важное значение для изучения молекулярных механизмов, лежащих в основе НАЖБП и ИМ. Идентифицируя ключевые биомаркеры, такие как THBS1, предлагаемый протокол предлагает потенциальные мишени как для диагностических, так и для терапевтических вмешательств. Этот подход может быть распространен на другие сложные заболевания, включающие несколько путей и иммунных реакций, что способствует открытию новых биомаркеров и терапевтических мишеней. Кроме того, интеграция методов биоинформатики и машинного обучения обеспечивает универсальную основу для персонализированной медицины, позволяя разрабатывать индивидуальные стратегии лечения на основе индивидуальных молекулярных профилей. Этот метод также может быть адаптирован для использования в клинических условиях для повышения точности диагностики и улучшения результатов лечения пациентов с помощью целенаправленных вмешательств.

НАЖБП и инфаркт миокарда (ИМ) являются двумя основными проблемами для здоровья со значительной распространенностью и смертностью. НАЖБП характеризуется накоплением липидов в печени1. Все больше данных свидетельствуют о том, что НАЖБП отрицательно влияет не только на структурную целостность сердца, но и на его функцию, особенно в контексте ИМ 22,23,24. Кроме того, существуют убедительные доказательства, указывающие на сильную корреляцию между НАЖБП и атеросклерозом. Исследования показали, что распространенность и тяжесть НАЖБП у пациентов с недиабетическим ИМ связаны с ишемической болезнью сердца25. Было показано, что НАЖБП умеренной и тяжелой степени является независимым фактором риска, увеличивая риск множественных поражений коронарных артерий в три раза4. Тем не менее, эти исследования в первую очередь сосредоточены на НАЖБП и ИМ, оставляя основные механизмы связи между НАЖБП и атеросклерозом до сих пор неясными. Таким образом, крайне важно изучить эти механизмы для предотвращения ИМ, связанного с НАЖБП.

В этом исследовании были получены два набора данных из NCBI-GEO. В ходе анализа было выявлено 13 ДЭГ с повышенным регулированием и 1 ДЭГ с пониженной регуляцией между НАЖБП и ИМ. Был проведен анализ функционального обогащения, построена сетевая диаграмма совместного ИПП и использованы два алгоритма машинного обучения для идентификации узловых ДЭГ. В результате, THBS1 был идентифицирован как новый биомаркер с выдающейся диагностической эффективностью как для НАЖБП, так и для ИМ. Метод опорных векторов (SVM) — это контролируемый метод машинного обучения, широко используемый для классификации и регрессии17. Рекурсивная элиминация признаков (RFE) помогает выбрать наиболее значимые гены из выборки. Регрессионный алгоритм19 LASSO применяет регуляризацию для повышения точности прогнозирования. Объединив эти алгоритмы с со-DEG, мы смогли провести скрининг оптимальных DEG.

На основе анализа с использованием двух алгоритмов машинного обучения и ко-ДЭГ тромбоспондин 1 (THBS1 или TSP1) был идентифицирован как ключевой диагностический концентратор ДЭГ. THBS1 входит в состав белков внеклеточного матрикса и впервые был обнаружен в тромбоцитах в ответ на стимуляцию тромбина26. Различные клетки, включая эндотелиальные клетки, звездчатые клетки печени и гладкомышечные клетки, могут продуцировать и выделять THBS1 во внеклеточное пространство 27,28,29. THBS1 взаимодействует с CD36, известным лигандом30, и оказывает антиангиогенное действие, регулируя CD36 29,31, что подчеркивает его значительную роль в развитии сердечно-сосудистых заболеваний. Кроме того, THBS1 может регулировать ангиогенез и агрегацию тромбоцитов за счет взаимодействия с рецепторами и белками, такими как CD47, трансформирующий фактор роста-β, и интегрины32. Это говорит о том, что THBS1 может играть решающую роль в образовании тромба, разрыве уязвимой бляшки и последующем ремоделировании желудочков во время ИМ 33,34,35.

Кроме того, развитие НАЖБП тесно связано с синтезом секретируемых белков в циркуляции. Базовое исследование, опубликованное в EBioMedicine, показало, что THBS1, как секретируемый белок, может служить новым биомаркером для НАЖБП. Это исследование также показало, что введение экзогенного THBS1 улучшает отложение липидов в печени, ингибируя пути синтеза липидов36. Примечательно, что CD36 был идентифицирован как ключевой рецептор для эффектов THBS1 против НАЖБП. Кроме того, было показано, что ABT-526, пептидный аналог THBS1, ингибирует синтез липидов в гепатоцитах. Эти результаты дают новое представление о диагностике и лечении НАЖБП и предполагают, что THBS1 может быть новым биомаркером как для НАЖБП, так и для ИМ, предлагая быстрый, простой и доступный диагностический инструмент.

Последние данные подчеркивают критическую роль иммуновоспалительных реакций в прогрессировании НАЖБП и ИМ. Ключевые особенности включают экспрессию цитокинов, иммунную регуляцию и активацию нейроэндокринной системы. Wabitsch et al. продемонстрировали, что метформин обеспечивает гепатопротекцию путем ингибирования экспрессии CD8+ Т-клеток у мышей с НАЖБП37. Dolejsi et al. сообщили о снижении CD8+ Т-клеток и значительном снижении способности миокарда к восстановлению38. Qin et al. обнаружили, что нейтрофилы, как часть индекса системного иммунного воспаления, связаны с экскрецией альбумина с мочой у пациентов с НАЖБП39. Zhang et al. указали, что инфильтрация и дегрануляция нейтрофилов участвуют как в процессах травмы, так и в процессе восстановления во время MI27.

В соответствии с этими выводами, текущие результаты показали повышенную инфильтрацию CCR, MHC класса I, нейтрофилов, паравоспаления и клеток Tfh, в то время как CD8+ Т-клетки, цитолитическая активность и TIL были снижены у пациентов с НАЖБП и ИМ по сравнению со здоровыми контрольными группами. Более того, корреляционный анализ показал, что THBS1 положительно коррелирует с CCR, MHC класса I, нейтрофилами, паравоспалением и клетками Tfh, а также отрицательно коррелирует с CD8+ Т-клетками, цитолитической активностью и TIL у пациентов с НАЖБП и ИМ. Эти наблюдения свидетельствуют о том, что THBS1 может способствовать модуляции иммунных реакций за счет увеличения CCR, MHC класса I, нейтрофилов, паравоспаления и Tfh-клеток, при одновременном снижении CD8+ Т-клеток, цитолитической активности и TIL во время развития и прогрессирования НАЖБП и ИМ. Тем не менее, эти предположения требуют дальнейшего изучения, чтобы подтвердить точную роль THBS1 в этих процессах.

Это исследование было направлено на выяснение молекулярных связей между НАЖБП и ИМ с использованием комплексных подходов биоинформатики и машинного обучения. Полученные данные выявили 96 дифференциально экспрессируемых генов (DEG) при НАЖБП и 126 при ИМ, причем 14 DEGs перекрываются между этими двумя состояниями. Анализ функционального обогащения показал, что эти ДЭГ участвуют в важнейших биологических процессах и путях, таких как дифференцировка жировых клеток, хемотаксис лейкоцитов и различные сигнальные пути, включая IL-17, TNF и NF-κB. Эти результаты подчеркивают сложное взаимодействие воспалительных и метаболических путей при НАЖБП и ИМ. Построение диаграмм сети белок-белковых взаимодействий (PPI) в сочетании с анализом машинного обучения (SVM-RFE и LASSO) определило THBS1 как ключевой ген-концентратор. THBS1 продемонстрировал отличные диагностические показатели, с площадью под кривой (AUC) 0,981 для НАЖБП и 0,900 для ИМ, что указывает на его потенциал в качестве надежного биомаркера для обоих состояний.

Кроме того, иммуноинфильтрационный анализ выявил различные профили иммунных клеток у пациентов с НАЖБП и ИМ по сравнению со здоровыми контрольными группами. В частности, у пациентов с НАЖБП и ИМ наблюдалась повышенная инфильтрация CCR, MHC класса I, нейтрофилов, паравоспаления и Tfh-клеток, при этом наблюдалось снижение уровней CD8+ Т-клеток, цитолитической активности и TIL. Эти иммунные особенности подчеркивают воспалительный характер обоих состояний и подчеркивают роль THBS1 в модуляции иммунных реакций.

Это исследование дает новое представление об общих молекулярных механизмах, лежащих в основе НАЖБП и ИМ, при этом THBS1 становится новым биомаркером для диагностики и потенциальной терапевтической мишенью. Полученные результаты прокладывают путь к будущим исследованиям в области целевых вмешательств и персонализированных стратегий лечения пациентов с этими взаимосвязанными состояниями. Интегрируя биоинформатику, машинное обучение и иммуноинфильтрационный анализ, исследование способствует разработке платформы поддержки принятия медицинских решений, направленной на улучшение клинического ведения НАЖБП и ИМ.

Благодарности

Это исследование было поддержано Национальным фондом естественных наук Китая (No 62271511, U21A200949), Фондом Юкай больницы общего профиля Южного командования театра военных действий (2022NZC011), Проектом научно-технической программы Гуанчжоу (2023A03J0170), Национальным клиническим исследовательским центром гериатрии (NCRCG-PLAGH-2023006) и Фондом фундаментальных и прикладных фундаментальных исследований провинции Гуандун (No 2020A1515010288, No 2021A1515220101).

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
CytoscapeCytoscape Consortiumверсии 3.6.1Используется для визуализации белок-белковых взаимодействий (ИПП) сетей
набора данных MI GSE66360 (https://www.ncbi.nlm.nih.gov/geo/).NCBI-GEO database -Для сбора наборов данных РНК-микрочипов для анализа
R пакет clusterProfilerBioconductor  -Используется для анализа обогащения GO, KEGG и DO
R пакет R ggplot2CRAN  -Используется для создания диаграмм Венна и других визуализаций
R пакет GSEABaseBioconductor -Используется совместно с GSVA для анализа обогащения набора генов
Пакет R GSVABioconductor -Используется для анализа обогащения набора генов одного образца (ssGSEA)
Пакет R limmaBioconductor -Используется для идентификации дифференциально экспрессируемых генов (DEGs)
Пакет R pheatmapCRAN -Используется для создания тепловых карт
R пакет vennCRAN -Используется для создания диаграмм Венна, наборов
данных РНК-микрочипов (GSE66360, GSE89632)NCBI-GEO -Общедоступные наборы данных РНК-микрочипов, используемые для анализа
RStudioRStudio, PBCVersion 1.4.1717Интегрированная среда разработки
для базы данных R StringSTRING (www.string-db.org/) -Онлайн-инструмент для построения сетей PPI

Ссылки

  1. de Alwis, N. M. W., Day, C. P. Non-alcoholic fatty liver disease: The mist gradually clears. J Hepatol. 48 (Suppl), S104-S112 (2008).
  2. Adams, L. A., Anstee, Q. M., Tilg, H., Targher, G. Non-alcoholic fatty liver disease and its relationship with cardiovascular disease and other extrahepatic diseases. Gut. 66 (6), 1138-1153 (2017).
  3. Bhatia, L. S., Curzen, N. P., Calder, P. C., Byrne, C. D. Non-alcoholic fatty liver disease: A new and important cardiovascular risk factor. Eur Heart J. 33 (9), 1190-1200 (2012).
  4. Boddi, M., et al. Non-alcoholic fatty liver in non-diabetic patients with acute coronary syndromes. Eur J Clin Invest. 43 (4), 429-438 (2013).
  5. Oni, E. T., et al. A systematic review: Burden and severity of subclinical cardiovascular disease among those with non-alcoholic fatty liver; should we care. Atherosclerosis. 230 (2), 258-267 (2013).
  6. Reed, G. W., Rossi, J. E., Cannon, C. P. Acute myocardial infarction. Lancet. 389 (10070), 197-210 (2017).
  7. Stahl, E. P., et al. Non-alcoholic fatty liver disease and the heart: JACC state-of-the-art review. J Am Coll Cardiol. 73 (8), 948-963 (2019).
  8. Alexander, M., et al. Non-alcoholic fatty liver disease and risk of incident acute myocardial infarction and stroke: findings from matched cohort study of 18 million European adults. BMJ. 367, 1934578X221093907(2019).
  9. Cobbina, E., Akhlaghi, F. Non-alcoholic fatty liver disease (NAFLD)-pathogenesis, classification, and effect on drug metabolizing enzymes and transporters. Drug Metab Rev. 49 (2), 197-211 (2017).
  10. Pawlak, M., Lefebvre, P., Staels, B. Molecular mechanism of PPARα action and its impact on lipid metabolism, inflammation and fibrosis in non-alcoholic fatty liver disease. J Hepatol. 62 (3), 720-733 (2015).
  11. Katsiki, N., Mikhailidis, D. P., Mantzoros, C. S. Non-alcoholic fatty liver disease and dyslipidemia: An update. Metabolism. 65 (8), 1109-1123 (2016).
  12. Ritchie, M. E., et al. limma powers differential expression analyses for RNA-sequencing and microarray studies. Nucleic Acids Res. 43 (7), e47(2015).
  13. Yu, G., Wang, L. G., Han, Y., He, Q. Y. clusterProfiler: An R package for comparing biological themes among gene clusters. Omics. 16 (5), 284-287 (2012).
  14. Szklarczyk, D., et al. The STRING database in 2021: Customizable protein-protein networks, and functional characterization of user-uploaded gene/measurement sets. Nucleic Acids Res. 49 (D1), D605-D612 (2021).
  15. Sriroopreddy, R., Sajeed, R., Raghuraman, P., Sudandiradoss, C. Differentially expressed gene (DEG) based protein-protein interaction (PPI) network identifies a spectrum of gene interactome, transcriptome and correlated miRNA in nondisjunction Down syndrome. Int J Biol Macromol. 122, 1080-1089 (2019).
  16. Engebretsen, S., Bohlin, J. Statistical predictions with glmnet. Clin Epigenetics. 11, 123(2019).
  17. Ma, H., Ding, F., Wang, Y. A novel multi-innovation gradient support vector machine regression method. ISA Trans. 130, 343-359 (2022).
  18. Han, Y., Huang, L., Zhou, F. A dynamic recursive feature elimination framework (dRFE) to further refine a set of OMIC biomarkers. Bioinformatics. 37 (12), 2183-2189 (2021).
  19. Colombani, C., et al. Application of Bayesian least absolute shrinkage and selection operator (LASSO) and BayesCπ methods for genomic selection in French Holstein and Montbéliarde breeds. J Dairy Sci. 96 (2), 575-591 (2013).
  20. Gamper, M., et al. Gene expression profile of bladder tissue of patients with ulcerative interstitial cystitis. BMC Genomics. 10 (1), 1-17 (2009).
  21. Hänzelmann, S., Castelo, R., Guinney, J. GSVA: Gene set variation analysis for microarray and RNA-seq data. BMC Bioinformatics. 14, 1-15 (2013).
  22. Valbusa, F., et al. Non-alcoholic fatty liver disease and increased risk of all-cause mortality in elderly patients admitted for acute heart failure. Int J Cardiol. 265, 162-168 (2018).
  23. Zhang, Q., et al. Identification of hub biomarkers of myocardial infarction by single-cell sequencing, bioinformatics, and machine learning. Front Cardiovasc Med. 9, 939972(2022).
  24. Zhang, Q., et al. 7-Hydroxyflavone alleviates myocardial ischemia/reperfusion injury in rats by regulating inflammation. Molecules. 27 (17), 5371(2022).
  25. Zhang, Q., Guo, Y., Zhang, D. Network pharmacology integrated with molecular docking elucidates the mechanism of wuwei yuganzi san for the treatment of coronary heart disease. Nat Prod Commun. 17 (1), 1934578X221093907(2022).
  26. Baenziger, N. L., Brodie, G., Majerus, P. W. A thrombin-sensitive protein of human platelet membranes. Proc Natl Acad Sci USA. 68 (2), 240-243 (1971).
  27. Zhang, N., Aiyasiding, X., Li, W. J., Liao, H. H., Tang, Q. Z. Neutrophil degranulation and myocardial infarction. Cell Commun Signal. 20 (1), 50(2022).
  28. Lawler, J. Thrombospondin-1 as an endogenous inhibitor of angiogenesis and tumor growth. J Cell Mol Med. 6 (1), 1-12 (2002).
  29. Kaur, S., et al. Functions of thrombospondin-1 in the tumor microenvironment. Int J Mol Sci. 22 (9), 4570(2021).
  30. Asch, A. S., et al. Isolation of the thrombospondin membrane receptor. J Clin Invest. 79 (4), 1054-1061 (1987).
  31. Armstrong, L. C., Bornstein, P. Thrombospondins 1 and 2 function as inhibitors of angiogenesis. Matrix Biol. 22 (1), 63-71 (2003).
  32. Roberts, D. D., Isenberg, J. S. CD47 and thrombospondin-1 regulation of mitochondria, metabolism, and diabetes. Am J Physiol Cell Physiol. 321 (1), C201-C213 (2021).
  33. Emre, A., et al. Impact of non-alcoholic fatty liver disease on myocardial perfusion in non-diabetic patients undergoing primary percutaneous coronary intervention for ST-segment elevation myocardial infarction. Am J Cardiol. 116 (11), 1810-1814 (2015).
  34. Mouton, A. J., et al. Fibroblast polarization over the myocardial infarction time continuum shifts roles from inflammation to angiogenesis. Basic Res Cardiol. 114 (1), 1-16 (2019).
  35. Liu, Y., et al. Atherosclerotic conditions promote the packaging of functional microRNA-92a-3p into endothelial microvesicles. Circ Res. 124 (4), 575-587 (2019).
  36. Bai, J., et al. Thrombospondin 1 improves hepatic steatosis in diet-induced insulin-resistant mice and is associated with hepatic fat content in humans. EBioMedicine. 57 (1), 102-111 (2020).
  37. Wabitsch, S., et al. Metformin treatment rescues CD8+ T-cell response to immune checkpoint inhibitor therapy in mice with NAFLD. J Hepatol. 77 (4), 748-760 (2022).
  38. Dolejsi, T., et al. Adult T-cells impair neonatal cardiac regeneration. Eur Heart J. 43 (27), 2698-2709 (2022).
  39. Qin, Z., et al. Systemic immune-inflammation index is associated with increased urinary albumin excretion: a population-based study. Front Immunol. 13, 863640(2022).

Перепечатки и разрешения

Теги

CD8 T
Видео скоро будет доступно
Свяжитесь с нами
Рекомендовать библиотеке

Конфиденциальность

Условия эксплуатации

Политика

Авторские права © 2026 MyJoVE Corporation. Все права защищены.