Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.

Исследовательская статья

Биоинформатика и количественный анализ полимеразных цепных реакций в реальном времени при SUCNR1 и GPR37L1 при шизофрении

33 просмотров

⸱

DOI:

10.3791/71356

⸱

11 августа 2026 г.

 ,  ,  ,  , 
1Department of Psychiatry and Neuroscience, Wuhan Rongjun Youfu Hospital, 2Department of Respiratory and Critical Care Medicine, Department of Internal Medicine, Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology

В этой статье

Краткое содержание

В этом исследовании оцениваются SUCNR1 и GPR37L1 как кандидатные молекулярные маркеры, связанные с шизофренией, посредством интегрированного биоинформатического анализа GSE54913 данных, количественной валидации полимеразной цепной реакции в реальном времени (qRT-PCR) и корреляционного анализа с вербальной памятью в независимой когорте.

Аннотация

Шизофрения — это тяжелое, сложное и многофакторное психическое расстройство, включающее множество элементов генетической восприимчивости, приводящее к значительной инвалидности, заболеваемости и смертности. Несмотря на значительный прогресс в понимании её патофизиологии и этиологии, специфические диагностические биомаркеры шизофрении остаются недостижимыми. Целью этого исследования было выявление кандидатов на молекулярные маркеры, связанные с шизофренией. Интегрированный биоинформатический анализ был проведён на публичном наборе данных микрочипов GSE54913. Анализ путей генной онтологии (GO) и Киотской энциклопедии генов и геномов (KEGG) показал, что наиболее значительно обогащённые термины ГО связаны с активностью каналов, включая пассивную трансмембранную активность транспортеров, активность ионных каналов, гейт-каналов и субстрат-специфическую активность каналов. Пять самых обогащённых путей KEGG включали секрецию инсулина, сигнальный путь cAMP, восстановление эксцизии нуклеотидов, сигнальный путь TNF и метаболизм глутатионов. Валидация проводилась с помощью количественной реального времени полимеразной цепной реакции (qRT-PCR) на независимом наборе образцов из больницы Ухань Жунцзюнь Юфу. Результаты qRT-ПЦР в значительной степени соответствовали микроанализу (Pearson r = 0,89, 95% ДИ: 0,66–0,97). Анализ сетей взаимодействия белков и белков (PPI) выявил два центральных гена — SUCNR1 и GPR37L1, которые были значительно связаны с термином GO «активность ионного канала» и обогащены путём KEGG «секреция инсулина». Кроме того, экспрессия SUCNR1 показала отрицательную корреляцию с баллами вербальной памяти (r = -0,54, P = 0,015), тогда как GPR37L1 выражение показало положительную корреляцию (r = 0,59, P = 0,0034). Эти данные свидетельствуют о том, что изменённая экспрессия SUCNR1 и GPR37L1 может быть связана с шизофренией и представлять собой кандидатные молекулярные маркеры для дальнейших исследований.

Введение

Шизофрения — это хроническое и сложное психическое расстройство с неопределённой этиологией, характеризующееся тяжёлой дисфункцией мозга, когнитивными нарушениями и психосоциальнымидефицитами 1. Она создаёт серьёзную глобальную нагрузку для здоровья, затрагивая более 21 миллиона человек повсему миру 2. Хотя диагностические и терапевтические подходы значительно эволюционировали за последние пятьдесят лет, основной патогенез остаётся неясным, а долгосрочные результаты, связанные с значительной инвалидностью, заболеваемостью и смертностью, существенно неулучшились 3. Поэтому крайне важно определить потенциальные ключевые гены и регуляторные цели.

Патофизиология шизофрении, хотя и не полностью прояснена, широко объясняется генетическими полиморфизмами и вариациямиэкспрессии 4. Например, генетическая вариативность эстрогена альфа может влиять на восприимчивость к шизофрении через альтернативную регуляцию генов и обработкутранскриптов 5. Аналогично, функциональный промоторный вариант NRG1 был связан с шизофренией и коррелировал с сниженной экспрессиейизоформы 6 типа III NRG1. Посмертные исследования показали значительное снижение экспрессии изоформ PDE4B в мозге с шизофренией, что указывает на егопредсказательный потенциал 7. Другими кандидатами являются транспортер дофамина (DAT), везикулярный моноаминовый транспортер (VMAT2) и моноаминоксидаза (MAO), которые регулируют синаптический уровень дофамина и могут служитьбиомаркерами 8. Кроме того, TCP1 может способствовать дефициту цитоскелета через неправильное сворачивание актина при шизофрении9. Таким образом, разъяснение профилей экспрессии генов в патогенезе шизофрении может дать представление о прогнозировании рисков, механистическом понимании и терапевтической оценке.

Современные вычислительные подходы продвинули идентификацию генов, связанных с заболеваниями, с помощью интегрированного сетевого анализа и методов машинногообучения 10,11,12. Несмотря на многочисленные генетические исследования, ни один надёжный диагностический биомаркер на основе крови не был применён в клиническую практику для шизофрении. Для устранения этого пробела в данном исследовании был использован интегрированный биоинформатический подход для повторного анализа GSE54913 набора данных, содержащих транскриптомические данные из хорошо охарактеризованных пациентов с шизофренией и здоровых контрольных групп. Набор данных был выбран потому, что (1) образцы периферической крови являются минимально инвазивными и клинически практичны, (2) включает относительно большой размер выборки среди общедоступных наборов микрочипов по шизофрении, и (3) были доступны исходные данные для повторного анализа. Цели данного исследования были: (1) выявление дифференциально экспрессированных генов у пациентов с шизофренией по сравнению со здоровыми контролями с использованием GSE54913 набора данных; (2) проведение функционального обогащения и анализов сетей ИПП для выявления генов-центров; (3) валидировать экспрессию кандидатных генов с помощью qRT-PCR в независимой когорте; и (4) исследовать корреляцию экспрессии генов хаба с производительностью вербальной памяти. Насколько известно авторам, это первое исследование, которое идентифицировало SUCNR1 и GPR37L1 как кандидатные молекулярные маркеры на основе крови для шизофрении.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

Это исследование было одобрено Этическим комитетом больницы Ухань Жунцзюнь Юфу (идентификационный код проекта, YF-IRB202310215) и проведено в соответствии с принципами Хельсинкской декларации. Все участники были жителями китайской общины и предоставили письменное информированное согласие.

Испытуемые и отбор пробы крови
Десять взрослых с диагнозом шизофрения и десять здоровых добровольцев из контрольной группы без семейной истории психических заболеваний в течение трёх поколений были зачислены. Критерии включения пациентов с шизофренией: (1) диагноз шизофрении по критериям DSM-5, подтверждённый двумя независимыми старшими психиатрами; (2) возраст от 18 до 65 лет; (3) отсутствие изменений в принятии антипсихотических препаратов не менее 4 недель до взятия пробы крови; (4) готовность предоставить письменное информированное согласие. Критерии исключения: (1) сопутствующие крупные медицинские заболевания (например, диабет, сердечно-сосудистые заболевания, рак); (2) злоупотребление или зависимость от психоактивных веществ в течение последних 6 месяцев; (3) умственная отсталость; (4) беременность или лактация. Критерии включения здоровых контролей: (1) отсутствие личной или семейной истории (в течение трёх поколений) психических заболеваний; (2) отсутствие текущего или прошлого использования антипсихотических препаратов; (3) совпадение по возрасту и полу с группой с шизофренией; (4) серьёзных медицинских заболеваний нет. Средняя продолжительность заболевания у пациентов с шизофренией составляла 12,5 ± 6,8 года; Все пациенты принимали стабильные антипсихотические препараты (6 — рисперидон, 4 — оланзапин); средний балл PANSS составил 76,4 ± 12,3. Контрольные группы были сопоставлены по возрасту (±5 лет) и полу (5 мужчин, 5 женщин в группе). Вербальная память оценивалась с использованием общего результата воспоминания по тесту вербального обучения Хопкинса — пересмотренный (HVLT-R). Все участники были набраны из больницы Ухань Жунцзюнь Юфу с 1 января по 31 июля 2025 года. Базовая демография приведена в таблице 1.

Размер выборки был определен с помощью программного обеспечения для расчёта размера выборки для двухстороннего независимого t-теста с размером эффекта 1,2, α = 0,05 и степенью (1-β) = 0,80, что дало минимум девять участников на группу.

Венозная кровь была забрана в антикоагулянтные трубки с ЭДТА и обработана без задержек. Периферические мононуклеарные клетки крови (PBMC) затем отделялись от образцов с помощью центрифугирования градиента плотности с использованием среды градиента плотности. Кратко время кровь разбавялась в соотношении 1:1 с фосфатно-буферным физиологическим раствором (PBS, pH 7,4), нанесена слоями на среду градиента плотности и центрифугирована при 400 × г в течение 30 минут при 20 °C с выключенным тормозом. После центрифугирования интерфейс, содержащий PBMC, аккуратно переносился на новую лампу. Клетки промывались дважды с помощью PBS, при каждом промывке следовала центрифугирование при 300 × г в течение 10 минут при 4 °C, а последняя гранула была подвешена в PBS. Жизнеспособность оценивалась с использованием метода исключения красителя трипана, и использовались только препараты с ≥95% жизнеспособными клетками. Изолированные PBMC алицитировали и хранили при −80 °C максимум 3 месяца перед извлечением РНК.

Данные микрочипов
Рабочий процесс исследования показан на рисунке 1. Набор данных микрочипов GSE54913 был скачан из базы данных GEO (http://www.ncbi.nlm.nih.gov/geo/). Этот набор данных был выбран потому, что (1) содержит транскриптомные данные из образцов периферической крови, которые являются минимально инвазивными и клинически практичными для обнаружения биомаркеров; (2) включает относительно большую выборку среди общедоступных наборов микрочипов по шизофрении (18 пациентов, 12 контрольных); (3) исходные данные были доступны для повторного анализа. Согласно записи GEO, образцы были получены из периферических мононуклеарных клеток крови (PBMC), а не из плазмы. Первоначальное описание «образцы плазмы» в предыдущей версии было ошибкой и было исправлено.

Предварительная обработка данных и скрининг дифференциально экспрессированных генов (DEG)
Исходные данные (. CEL-файлы) предварительно обрабатывались с помощью программного обеспечения микрочипной предварительной обработки. Коррекция фона проводилась с использованием метода Robust Multichip Average (RMA), затем нормализации квантилей и преобразования log2. Пробники без аннотации генов были отфильтрованы. Зонды с отсутствующими значениями >20% по выборкам были исключены; Недостающие значения для оставшихся зондов были введены с помощью алгоритма k-ближайших соседей (k = 10), реализованного в программном обеспечении для вычисления пропущенных значений. Пакетные эффекты не проявились, так как все образцы были обработаны одной партией согласно записи GEO. После предварительной обработки были получены значения экспрессии для 17 200 генов для дальнейшего анализа. DEG между пациентами с шизофренией и здоровыми контролями были выявлены с помощью программного обеспечения для дифференциального анализа экспрессии. Гены с частотой ложного обнаружения (FDR) < 0,05, абсолютным изменением свержения (FC) > 1,2 и P < 0,05 считались дифференцированно экспрессированными. Был выбран относительно низкий порог ФК (абсолютный ФК > 1,2), поскольку шизофрения — это сложное психиатрическое расстройство, при котором различия в экспрессии отдельных генов часто бывают незаметными, а не заметными.

GO и анализ обогащения путей
Функциональные анализы обогащения терминов генной онтологии (GO) и путей Киотской энциклопедии генов и геномов (KEGG) проводились с использованием программного обеспечения для функционального анализа обогащения. Фоновый набор генов состоял из всех генов, прошедших предобработку (17 200 генов). Были представлены термины обогащения и пути с необработавшими P-значениями < 0,05. Поскольку для выходов обогащения GO и KEGG использовались сырые P-значения, эти результаты следует интерпретировать как исследовательские.

Анализ сетей PPI и идентификация генов хаба
Для построения сети ИПП использовалась база данных взаимодействия белков и белков, где пороговым показателем был установлен комбинированный балл взаимодействия > 0,9. Сеть визуализовалась с помощью программного обеспечения для визуализации сети. Гены хаба идентифицировались с помощью плагина для идентификации генов хаба с алгоритмом Degree. Топ-10 узлов с наивысшими баллами были выбраны в качестве хабовых генов. Подсеть ключевых генов хаба была извлечена с помощью плагина для извлечения подсети с параметрами по умолчанию (срез степени = 2, срез балла узла = 0,2, K-ядро = 2, максимальная глубина = 100).

Полная изоляция РНК и qRT-PCR
β-актин использовался как внутренний референсный (хозяйственный) ген. Стабильность экспрессии β-актина в образцах была подтверждена отсутствием значимой разницы в значениях КТ между группами шизофрении и контрольной группы (P > 0,05). Относительная количественная оценка проводилась с использованием метода 2−ΔΔCt . Все реакции проводились в тройном экземпляре, и для расчёта использовалось среднее значение Ct (см. последовательности праймеров в таблице 2). Десять ведущих DEG (пять наиболее значительно повышенных и пять наиболее значительно пониженных за счёт изменения складок) были выбраны для первичной валидации qRT-PCR с целью подтверждения общей надёжности данных микрочипов. Впоследствии SUCNR1 и GPR37L1 были отобраны для сфокусированной валидации на основе трёх критериев: (1) они были идентифицированы как хабовые гены в анализе сети PPI (степень ≥ 7); (2) они были существенно связаны с топ-обогащённым термином ГО «активность ионных каналов» и путём KEGG «секреция инсулина»; (3) оба кодируют GPCR, известные мишени для лекарств при шизофрении.

Статистический анализ
Нормальность оценивалась с помощью теста Шапиро–Уилка. Переменные, показывающие примерно нормальное распределение (P > 0,05), анализировались с использованием параметрических методов, включая t-тест Стьюдента для двухгрупповых сравнений и односторонний ANOVA для сравнений с более чем двумя группами. Когда предположение о нормальности не было выполнено, использовались тесты Манна–Уитни U или Крускаля–Уоллиса, по мере необходимости. Все статистические тесты были двусторонними. Для множественных сравнений (например, в пост-хок тестах ANOVA) применялся метод частоты ложного обнаружения (FDR) Бенджамини-Хохберга с порогом FDR 0,05. Для корреляционных анализов коррекция с множественным сравнением не применялась, так как было проведено только две корреляции; сырые P-значения сообщаются с осторожностью.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

Идентификация DEG и иерархическая кластеризация
Анализ набора данных GSE54913 выявил 473 дифференциально экспрессированных гена (DEGs), включая 357 генов с повышенной регуляцией и 116 пониженных, между пациентами с шизофренией и контролем (рисунок 2A,B). Иерархическая кластеризация этих DEG отличала образцы шизофрении от контрольных (рисунок 2C).

Функционал...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

Шизофрения — это тяжёкое многофакторное заболевание, включающее множество факторов генетическойвосприимчивости 13,14. Хотя достигнут прогресс в понимании его патофизиологии, надёжные диагностические биомаркеры всё ещё отсутствуют. В этом исследовании интегрированный биоинформатический подход выявил 473 DEGs в образцах крови пациентов с шизофренией. Анализы GO и KEGG выявили обогащение терминами и путями, связанными с активностью ...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

У авторов нет конфликта интересов, которые можно было бы заявлять.

Благодарности

Это исследование было поддержано Национальным научно-техническим проектом Китая по неинфекционным хроническим заболеваниям (2025ZD0549004).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
affyBioconductorhttps://bioconductor.org/packages/affy/microarray preprocessing software.
Description: R package for microarray preprocessing
clusterProfilerBioconductorhttps://bioconductor.org/packages/clusterProfiler/functional enrichment analysis software.
Description: R package for functional enrichment analysis
CytoHubbaNational Institute of Bioinformaticshttps://apps.cytoscape.org/apps/cytohubbahub gene identification plugin.
Description: Cytoscape plugin for hub gene identification
CytoscapeCytoscape Consortiumhttps://cytoscape.org/network visualization software.
Description: Software for network visualization and analysis
G*PowerHeinrich Heine University Düsseldorfhttps://www.psychologie.hhu.de/arbeitsgruppen/allgemeine-psychologie-und-arbeitspsychologie/gpower sample size calculation software.
Description: Sample size calculation software
GraphPad PrismGraphPad Softwarehttps://www.graphpad.com/statistical analysis and graphing software.
Description: Statistical analysis and graphing software
Histopaque-1077Sigma-Aldrich10771density gradient medium.
Description: Density gradient medium for PBMC isolation
imputeBioconductorhttps://bioconductor.org/packages/impute/missing-value imputation software.
Description: R package for missing-value imputation
LimmaBioconductorhttps://bioconductor.org/packages/limma/differential expression analysis software.
Description: R package for differential expression analysis
MCODECytoscape apphttps://apps.cytoscape.org/apps/mcodesubnetwork extraction plugin.
Description: Cytoscape plugin for subnetwork extraction
R/BioconductorR Foundationhttps://www.r-project.org/statistical computing environment.
Description: Statistical computing environment
STRINGEMBLhttps://string-db.org/protein-protein interaction database.
Description: Protein-protein interaction database
SYBR GreenTakaraRR820A fluorescent dye for qRT-PCR.
Description: Fluorescent dye for qRT-PCR
TRIzolTakara9109RNA extraction reagent.
Description: Reagent for RNA extraction

Ссылки

  1. Memetoglu O, Du F, Chouinard VA, Öngür D. Reductive stress and dysregulated energy metabolism in schizophrenia: mechanisms and therapeutic targets. Biol Psychiatry. 2025. doi:10.1016/j.biopsych.2025.10.008.
  2. GBD 2023 Intimate Partner Violence and Sexual Violence against Children Collaborators. Disease burden attributable to intimate partner violence against females and sexual violence against children in 204 countries and territories, 1990-2023: a systematic analysis for the Global Burden of Disease Study 2023. Lancet. 2025;407(10523):31-52.
  3. Raaphorst J, et al. Non-targeted immunosuppressive and immunomodulatory therapies for idiopathic inflammatory myopathies. Cochrane Database Syst Rev. 2025;8(8).
  4. Richetto J, Meyer U. Epigenetic modifications in schizophrenia and related disorders: molecular scars of environmental exposures and source of phenotypic variability. Biol Psychiatry. 2021;89(3):215-26.
  5. Martorell L, et al. Analyses of variants located in estrogen metabolism genes (ESR1, ESR2, COMT and APOE) and schizophrenia. Schizophr Res. 2008;100(1-3):308-15.
  6. Zieba J, Morris MJ, Weickert CS, Karl T. Behavioural effects of high fat diet in adult Nrg1 type III transgenic mice. Behav Brain Res. 2020;377:112217.
  7. Luo N, et al. Exploring different impaired speed of genetic-related brain function and structures in schizophrenic progress using multimodal analysis. Annu Int Conf IEEE Eng Med Biol Soc. 2018;2018:4126-9.
  8. Garcia-Alvarez L, et al. Differential blood-based biomarkers of psychopathological dimensions of schizophrenia. Rev Psiquiatr Salud Ment. 2016;9(4):219-27.
  9. Chu TT, Liu Y. An integrated genomic analysis of gene-function correlation on schizophrenia susceptibility genes. J Hum Genet. 2010;55(5):285-92.
  10. Gardner A, Mitchell B, Beckingham W, Fasugba O. A point prevalence cross-sectional study of healthcare-associated urinary tract infections in six Australian hospitals. BMJ Open. 2014;4(7).
  11. Bindu NJ, et al. Discovery of biomarkers and drug targets in different kidney diseases by explainable AI and functional genomics [conference paper]. Presented at: 2025 7th International Conference on Electrical Information and Communication Technology; 2025 Dec 17-19.
  12. Saha S, et al. Unveiling common biomarkers and therapeutic targets in T2DM, AMI, and Alzheimer’s disease using XAI and bioinformatics approaches [conference paper]. Presented at: 2025 7th International Conference on Electrical Information and Communication Technology; 2025 Dec 17-19.
  13. Ferraro F, et al. Correcting differential gene expression analysis for cyto-architectural alterations in substantia nigra of Parkinson’s disease patients reveals known and potential novel disease-associated genes and pathways. Cells. 2022;11(2):198.
  14. Reay WR, et al. Polygenic disruption of retinoid signalling in schizophrenia and a severe cognitive deficit subtype. Mol Psychiatry. 2020;25(4):719-31.
  15. Ma D, Gu C. Discovering functional interactions among schizophrenia-risk genes by combining behavioral genetics with cell biology. Neurosci Biobehav Rev. 2024;167:105897.
  16. Gawande DY, et al. GluN2D subunit in parvalbumin interneurons regulates prefrontal cortex feedforward inhibitory circuit and molecular networks relevant to schizophrenia. Biol Psychiatry. 2023;94(4):297-309.
  17. Baez-Nieto D, et al. Analysing an allelic series of rare missense variants of CACNA1I in a Swedish schizophrenia cohort. Brain. 2022;145(5):1839-53.
  18. Calovi S, et al. P2X7 receptor-dependent layer-specific changes in neuron-microglia reactivity in the prefrontal cortex of a phencyclidine-induced mouse model of schizophrenia. Front Mol Neurosci. 2020;13:566251.
  19. Petruzzelli MG, et al. Hyperprolactinemia and insulin resistance in drug-naive patients with early onset first episode psychosis. BMC Psychiatry. 2018;18(1):246.
  20. Fan R, et al. Gα13 overexpression in the medial prefrontal cortex disrupts social behavior through the Adcyap1/cAMP/PKA/NMDAR pathway. Schizophr Bull. 2025. doi:10.1093/schbul/sbaf131.
  21. Ershova ES, et al. Antipsychotics affect satellite III (1q12) copy number variations in the cultured human skin fibroblasts. Int J Mol Sci. 2023;24(14):11283.
  22. Wei Y, et al. Unraveling cannabidiol’s dual modulatory role in schizophrenia: network pharmacology and in vivo validation of neuroinflammatory and behavioral modulation. Mol Neurobiol. 2026;63:278.
  23. Górny M, Lorenc-Koci E, Iciek M. Deficyt glutationu i zaburzenia homeostazy związków siarkowych w patofizjologii schizofrenii. Postepy Biochem. 2025;71(3):228-37.
  24. Boczek T, et al. The role of G protein-coupled receptors and calcium signaling in schizophrenia: focus on GPCRs activated by neurotransmitters and chemokines. Cells. 2021;10(5):1228.
  25. Sabadell-Basallote J, et al. SUCNR1 regulates insulin secretion and glucose elevates the succinate response in people with prediabetes. J Clin Invest. 2024;134(12).
  26. van Diepen JA, et al. SUCNR1-mediated chemotaxis of macrophages aggravates obesity-induced inflammation and diabetes. Diabetologia. 2017;60(7):1304-13.
  27. Guest PC. Insulin resistance in schizophrenia. Adv Exp Med Biol. 2019;1134:1-16.
  28. Bang S, et al. Satellite glial GPR37L1 and its ligand maresin 1 regulate potassium channel signaling and pain homeostasis. J Clin Invest. 2024;134(9).
  29. Massimi M, Di Pietro C, La Sala G, Matteoni R. Mouse mutants of Gpr37 and Gpr37l1 receptor genes: disease modeling applications. Int J Mol Sci. 2022;23(8):4288.
  30. Zheng X, Asico LD, Ma X, Konkalmatt PR. G protein-coupled receptor 37L1 regulates renal sodium transport and blood pressure. Am J Physiol Renal Physiol. 2019;316(3).
  31. Tranfa M, et al. Neural substrates of verbal memory impairment in schizophrenia: a multimodal connectomics study. Hum Brain Mapp. 2023;44(7):2829-40.
  32. Sumiyoshi T. Verbal memory. Handb Exp Pharmacol. 2015;228:237-47.
  33. Grimes KM, Zanjani A, Zakzanis KK. Memory impairment and the mediating role of task difficulty in patients with schizophrenia. Psychiatry Clin Neurosci. 2017;71(9):600-11.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Теги

SUCNR1GPR37L1KEGG
Связаться с нами
Порекомендовать библиотеке

Конфиденциальность

Условия использования

Политики

© 2026 MyJoVE Corporation. Все права защищены.