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

Исследовательская статья

Иммунная подпись, связанная со стрессом эндоплазматического ретикула, при фибрилляции предсердий: машинное обучение и одноклеточная транскриптомика

146 просмотров

⸱

DOI:

10.3791/71532

⸱

7 августа 2026 г.

 ,  ,  ,  ,  ,  , 
1Department of Traditional Chinese Medicine, Aerospace Center Hospital, 2Third Affiliated Hospital, Beijing University of Chinese Medicine, 3College of Traditional Chinese Medicine, Shandong University of Traditional Chinese Medicine, 4School of Basic Medical Sciences, Harbin Medical University

* These authors contributed equally

В этой статье

Краткое содержание

Здесь мы представляем протокол для выявления иммунных сигнатур, связанных с эндоплазматическим ретикулом, при фибрилляции предсердий, интегрируя публичную массовую транскриптомику, машинное обучение, анализ иммунной инфильтрации и транскриптомику отдельных клеток для воспроизводимого приоритета биомаркеров и локализации типа клеток.

Аннотация

В данном исследовании описывается воспроизводимый вычислительный рабочий процесс для выявления генных сигнатур, связанных с эндоплазматическим ретикулярным стрессом (ERS), при фибрилляции предсердий (ФП) путём интеграции массовой транскриптомики, машинного обучения, анализа иммунной инфильтрации и одноклеточной транскриптомики. Публичные массовые транскриптомические наборы данных были извлечены из Gene Expression Omnibus (GEO), за которыми следовали гармонизация фенотипов, нормализация, коррекция эффектов пакетов и дифференциальный анализ экспрессии. Взвешенный анализ коэкспрессии генов (WGCNA) был комбинирован с наборами генов, связанных с ERS, для выявления кандидатов, связанных с ERS. Для сравнения стратегий выбора признаков и подгонки моделей использовалась многоалгоритмическая машинная система. Выбранная модель оценивалась в независимой когорте внешней валидации (GSE115574), а затем в дополнительной когорте (GSE14975), при этом дискриминационная эффективность количественно оценивалась анализом операционных характеристик приёмника (ROC) и площадью под кривой (AUC). Используя этот рабочий процесс, были выявлены 22 основных гена, связанных с ERS, а модель Elastic Net (Enet) из 18 генов показала наивысшую общую дискриминационную эффективность среди когорт обучения и валидации. Анализ SHapley Additive exPlanations (SHAP) подчеркнул значительный вклад таких генов, как RPS11, NCF2 и S100A4, в прогнозирование моделей. Иммунная деконволюция и одноклеточный транскриптомический анализ дополнительно сопоставили сигнатуру, связанную с ERS, преимущественно с линией моноцит-макрофаг, что указывает на её возможное участие в иммунной ремоделировании, ассоциированной с ФП. Этот рабочий процесс обеспечивает воспроизводимую стратегию связывания транскриптомных сигнатур, связанных с заболеваниями, с конкретными популяциями иммунных клеток, и может быть адаптирован к другим контекстам заболеваний с помощью подходящих объёмных и одноклеточных наборов данных.

Введение

Фибрилляция предсердий (ФП) — самая распространённая устойчивая аритмия в клинической практике, характеризующаяся нарушением электрической активности предсердий и потерей механической функции. Она значительно увеличивает риски инсульта, сердечной недостаточности и общей смертности, становясь серьёзной глобальной нагрузкой для общественногоздравоохранения 1. Современное клиническое лечение ФП сталкивается с серьёзными трудностями: традиционные антиаритмические препараты имеют ограниченную долгосрочную эффективность в поддержании синусового ритма, а их побочные эффекты, такие как аритмии и кардиотоксичность, ограничивают их постоянноеприменение 2,3. Катетерная абляция также остаётся сложной для поддержания длительного синусового ритма при персистирующейAF 4. Новые методы лечения в настоящее время ограничены отсутствием систематического понимания молекулярного ландшафта верхних механизмов ФП, что затрудняет идентификацию и трансляцию точных целей. Исследования показали, что патологическое прогрессирование ФП включает сложные взаимодействия в различных измерениях, включая электрическую, структурную и вегетативную нервную систему. Среди них ключевым механизмом поддержания AF 5,6,7 является ремоделирование предсердий, сосредоточенное вокруг фиброза миокарда.

Таким образом, разъяснение восходящих стрессовых путей, вызывающих фиброз, является одним из ключей к преодолению терапевтического узкого места при персистирующей ФП. Недавние исследования показывают, что эндоплазматический ретикулярный стресс (ЭРС), ключевой регуляторный узл, позволяющий клеткам справляться с внутри- и внеклеточными возмущениями, представляет собой высококонсервативный адаптивный ответ, который запускается при нарушении гомеостаза ЭР, что приводит к чрезмерному накоплению развернутых или неправильно свернутых белков в просвете ЭР. ERS может участвовать в ремоделировании предсердий, регулируя протеостаз, цикл кальция, воспалительные реакции иапоптоз 8,9. Однако верхние триггеры, ключевые эффекторные молекулы и нижние пути ЭРС при ФП пока не были систематически охарактеризованы, что затрудняет определение критических узлов и практических точек вмешательства при ремоделировании предсердий.

По сравнению с традиционными массовыми транскриптомическими исследованиями, мультиомическая интеграция может дать более надёжные сигналы, связанные с болезнью на уровне популяции. Кроме того, использование одноклеточной транскриптомики позволяет рассекать клеточную гетерогенность и выявлять клеточные источники этих сигналов, тем самым сопоставляя результаты ассоциаций с конкретными типами клеток и их потенциальными путями взаимодействия. Это создаёт основу для последующих механистических исследований и приоритизации целей. В настоящем исследовании из базы данных Gene Expression Omnibus (GEO) были извлечены объемные транскриптомические и одноклеточные транскриптомические наборы данных, связанные с ФП. Связанные с ERS основные модули были выявлены с помощью анализа дифференциальной экспрессии и взвешенного анализа коэкспрессии генов (WGCNA). Интегрируя одноклеточный анализ, ключевые молекулы были дополнительно локализованы по определённым типам клеток и их взаимодействию. В совокупности данное исследование направлено на выявление ключевых сетей ERS, связанных с ЭРС, и их связи со структурным ремоделированием, тем самым предоставляя обоснование для обнаружения мишень и механизмно-ориентированных, стратифицированных терапевтических стратегий.

По сравнению с анализом дифференциальной экспрессии на одном наборе данных или биомаркерным скринингом с одним алгоритмом, этот рабочий процесс повышает устойчивость и интерпретируемость за счёт интеграции кросс-когортной валидации, биологически ограниченного выбора признаков, сравнения многоалгоритмических моделей, иммунной деконволюции и одноклеточной транскриптомики. Эти шаги помогают приоритизировать воспроизводимые сигнатуры, связанные с ERS, и локализовать сигналы, полученные из объёма, в конкретные популяции иммунных клеток и сети взаимодействия. Этот рабочий процесс подходит для исследований с использованием публичных или собственных транскриптомных наборов данных с чётко определёнными группами заболеваний и контрольных групп, сопоставимыми источниками тканей, достаточным размером выборки и доступными аннотациями фенотипов. Он особенно полезен для генерации гипотез, приоритизации биомаркеров и локализации клеточного типа молекулярных программ, связанных с заболеванием. Однако его производительность зависит от качества набора данных, согласованности фенотипа и эффективной коррекции эффекта пакета; Поэтому кандидатские сигнатуры, выявленные в этом рабочем процессе, требуют валидации в независимых когортах и экспериментальных моделях перед клинической трансляцией. Общий рабочий процесс исследования показан на рисунке 1.

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

Протокол

В соответствии с Мерами по этическому обзору наук о жизни и медицинских исследований с участием людей, принятыми в Китае 18 февраля 2023 года, исследования, использующие общедоступные данные, могут соответствовать критериям освобождения от этического обзора. В этом исследовании использовались только публично доступные, де-идентифицированные вторичные транскриптомические данные и не включали новых участников, не брали образцы на людях или экспериментировали на животных. Поэтому дополнительное институциональное этическое одобрение не требовалось. В этом исследовании не проводились эксперименты на животных. Поэтому одобрение институционального комитета по уходу и использованию животных не имело применения.

Источники данных о генах, связанных со стрессом эндоплазматического ретикулума, при фибрилляции предсердий
В этом исследовании из базы данных GEO были извлечены общедоступные транскриптомические наборы данных, связанные с AF, включая GSE41177, GSE79768, GSE115574, GSE14975 и GSE165838. Подробная информация о наборах данных GSE предоставлена в Дополнительном файле 1 — Дополнительной таблице S1. GSE41177 и GSE79768 использовались для построения интегрированной когорты обучающего массового транскриптомического обучения, тогда как GSE115574 и GSE14975 использовались как две независимые когорты внешней валидации. GSE165838 использовался для одноклеточного транскриптомического анализа. Поскольку эти наборы данных генерировались на разных платформах и могут различаться по источнику ткани, клиническому опыту и составу образцов, каждый набор данных предварительно обработывался отдельно в соответствии с характеристиками платформы до интеграции или валидации. Затем корректировка эффекта партии выполнялась с использованием пакета sva R для объединённой учебной когорты. Набор генов, связанных со стрессом эндоплазматической сетки, был извлечен из базы данных GeneCards с показателем релевантности ≥ 3 и после дедупликации сформировал целевой список генов, использовавшийся в этом исследовании.

Анализ дифференциально экспрессируемых генов
После стандартизации и нормализации данных лимма пакета R использовалась для идентификации дифференциально экспрессированных генов (DEG) в интегрированном наборе обучения. DEGs определялись с использованием следующих критериев значимости: коэффициент ложного обнаружения (adj. P.Val) < 0.05 и |log2FC| > 0.58510. Для визуализации паттернов экспрессии DEG были созданы диаграммы вулканов и тепловые карты с использованием пакетов ggplot2 и pheatmap соответственно.

Анализ WGCNA
Для выяснения возможных механизмов координированной регуляции генов, определения паттернов ассоциаций между модулями коэкспрессии и переменными клинических признаков, а также выявления основных биомаркеров или терапевтических мишень с трансляционным потенциалом был применёнWGCNA 11.

Была построена взвешенная ко-экспрессионная сеть с использованием пакета WGCNA в R. Степень мягкого порога (β) выбиралась согласно критерию топологии без масштаба; соответствующее значение β было выбрано для последующих анализов, когда индекс соответствия топологии без масштаба (R 2) достиг и остался выше 0,8512. Во время идентификации модуля параметры, связанные с динамической вырезкой дерева и чувствительностью к обнаружению модулей, были оптимизированы для повышения разрешения и стабильности границ модулей. Наконец, были выделены модули, существенно связанные с целевым признаком, а внутримодульные хабовые гены идентифицированы как кандидатные наборы генов для дальнейших анализов.

Анализ обогащения DEG, связанных с AF,
Для точной идентификации генов-хабов DEGs сначала пересекались с генами ключевых модулей WGCNA для определения набора генов, связанных с патогенезом ФП. Далее этот набор генов AF был дополнительно пересечен с генами, связанными с ERS, и полученные перекрывающиеся гены сохранялись для последующих анализов.

Функциональное обогащение скрининговых генов оценивалось с помощью анализов Gene Ontology (GO) и Kyoto Encyclopedia of Genes and Genomes (KEGG). Термины GO анализировались с помощью кластера Profiler пакета R для суммирования обогащения по категориям биологических процессов (BP), клеточных компонентов (CC) и молекулярной функции (MF) 13. Анализ KEGG затем использовался для выявления обогащённых путей, связанных с целевойгенной 14. Результаты обогащения с скорректированным значением P < 0,05 считались статистически значимыми. Ведущие термины GO и пути KEGG отображались в виде бар-графиков и пузырьковых графиков с использованием ggplot2.

Анализ взаимодействия белков и белков (ИПП)
Анализ PPI проводился путём загрузки пересекающегося набора генов в базу данных STRING, при этом организм был ограничен Homo sapiens. Отделённые узлы были удалены, а взаимодействия получены с использованием среднего порога доверия (совокупный балл ≥ 0,4). Получившаяся сеть PPI затем импортировалась в инструмент визуализации и анализа сети для топологического анализа с целью идентификации ключевых узлов.

Построение кандидатной модели классификации AF-ERS на основе 12 алгоритмов машинного обучения
В этом исследовании была разработана ансамблевая классификационная структура на основе двенадцати традиционных алгоритмов машинного обучения для скрининга генов-кандидатов сигнатуры ERS, связанных с AF, и оптимизации эффективности классификации. Для разбиения данных после стандартизации и нормализации GSE41177 и GSE79768 объединялись для создания матрицы выражения обучающей когортной группы. GSE115574 использовалась как независимая когорта внешней валидации для оценки обобщаемости моделей. В частности, DEGs были впервые выявлены в обучающей когорте (|log2FC| >0,585, скорректировано p < 0,05). Эти DEG затем пересекались с генами ключевых модулей WGCNA и генами, связанными с ERS, и полученный набор генов использовался в качестве входных признаков для построения модели.

Для связи генов, связанных с ERS, с фенотипом AF была разработана модель классификации кандидатов с использованием 12 подходов машинного обучения: Lasso, Ridge, пошаговая обобщённая линейная модель (Stepglm), усиление экстремального градиентного усиления (XGBoost), случайный лес (RF), упругая сеть (Enet), регрессия с частичными наименьшими квадратами для обобщённых линейных моделей (plsRglm), обобщённое моделирование усиленной регрессии (GBM), наивный Байес, линейный дискриминантный анализ (LDA), glmBoost, и поддерживающая векторная машина (SVM). Была принята стратегия систематического комбинаторного моделирования путём добавления второго алгоритма к первому алгоритму и интеграции их через параметр настройки α, что дало 113 комбинаций выбора признаков и подгонки модели, которые были всесторонне оценены. Дискриминация модели оценивалась путём вычисления площади под кривой рабочей характеристики приёмника (AUC). Согласно ранее опубликованным критериям отбора модели, окончательная рамка кандидатов была определена как модель с наилучшей общей эффективностью, оценённой по среднему показателю AUC в когортах обучения и валидации.

Эта комбинаторная стратегия моделирования была основана на предыдущих исследованиях в области биомедицинского машинногообучения 15,16,17. В совокупности эти исследования показывают, что ни один алгоритм не всегда превосходит другие в наборах данных и аналитических задачах. Исходя из этой предпосылки, внедрение ансамблевого обучения и комбинаторного моделирования может повысить вероятность получения высокоэффективной кандидат-модели с более стабильной обобщённостью и повысить устойчивость выбора модели.

Впоследствии значения SHapley Additive exPlanations (SHAP) применялись для интерпретации модели машинного обучения путем визуализации ключевых признаков, определяющих классификацию автофокусов, тем самым количественно оценивая вклад каждой признака в прогнозируемый результат и иллюстрируя, как отдельные гены сигнатуры влияют на итоговый результатмодели 18.

Оценка производительности модели и внешняя валидация оптимальной модели
Эффективность оптимальной модели оценивалась в обучающей когорте и в независимой когорте внешней валидации (GSE115574). На уровне модели была построена матрица путаницы на основе прогнозируемых меток классов, и соответствующие метрики классификации были представлены. Кривые операционной характеристики приёмника (ROC) были сгенерированы с помощью pROC пакета R, а AUC рассчитывался для количественной оценки дискриминативной производительности.

На уровне биомаркеров для каждого ключевого гена оптимальной модели были нанесены кривые ROC по одному гену, а соответствующие AUC рассчитаны для оценки их индивидуальной дискриминационной способности. Кроме того, дифференциальная экспрессия ключевых генов была суммирована с помощью вулканического графика, а для отображения распределения экспрессии у болезней и здоровых образцов использовались коробочные графики. Для дальнейшей оценки обобщимости ранее определённой оптимальной модельно-производной генной подписи была проведена дополнительная независимая внешняя валидация с использованием GSE14975. GSE14975 содержит транскриптомические данные из образцов левой предсердной отростка, включая пять образцов фибрилляции предсердий и пять образцов синусового ритма/контроля. Все гены, включённые в заблокированную подпись, были доступны в этом наборе данных. Для поддержания согласованности с исходным межкогортным аналитическим рабочим процессом когорта и GSE14975 были гармонизированы с помощью ComBat с исходным набором данных в качестве пакетной переменной. Эта гармонизация проводилась без присмотра. Важно, что метки заболеваний/контроля из GSE14975 не использовались для выбора признаков, оценки коэффициентов, определения порога или настройки гиперпараметров.

Оптимальная модель оценки, основанная на модели, была установлена только с использованием когорты разработчиков и затем применялась к GSE14975 для внешней валидации. Производительность модели в GSE14975 году оценивалась с помощью анализа кривой операционных характеристик приёмника, площади под кривой, 95% доверительного интервала (ДИ), чувствительности, специфичности, точности, положительных и отрицательных предиктивных значений, а также балла Брайера. Кроме того, для всех оптимальных генов, полученных от модели, были сгенерированы кривые ROC с одним геном в GSE14975, чтобы проиллюстрировать их индивидуальную дискриминационную способность. Для дальнейшей оценки возможного перенагнания в когорте разработки была проведена повторная 10-кратная кросс-валидация и коррекция оптимизма bootstrap с использованием генной сигнатуры, полученной из заблокированной оптимальной модели. Для повторной перекрёстной валидации когорта разработки многократно делилась на 10 разрядов, а различение моделей суммировалась по всем итерациям. Для проверки bootstrap было сгенерировано 1 000 повторных выборок для оценки оптимизма предполагаемой производительности набора разработки и расчёта оптимизм-скорректированного AUC. Поскольку итоговая подпись была выведена из оптимальной модели, вклад каждого гена интерпретировался преимущественно с учётом абсолютной величины и направления коэффициентов модели. Кроме того, в GSE14975 году проводились анализы одногенной ROC, чтобы показать индивидуальную дискриминационную способность каждого компонентного гена. Для целей визуализации кривые ROC с одним геном были ориентированы так, чтобы отражать дискриминационную способность независимо от того, связана ли высокая или низкая экспрессия с ФП.

Анализ обогащения множества генов (GSEA)
Для изучения функциональных аспектов ключевых генов был проведён GSEA с использованием образцов из группы19 заболевания. Для каждого ключевого гена образцы были стратифицированы на подгруппы с высоким и низким уровнем экспрессии, используя медианное значение экспрессии в группе заболевания в качестве порога. Была рассчитана средняя разница экспрессии между двумя подгруппами для каждого гена, и ранжированный список генов был сформирован в убывающем порядке для анализа обогащения. GSEA проводилась с использованием пакета R clusterProfiler, с генными наборами, полученными из коллекции MSigDB c2.cp.kegg.Hs.symbols.gmt. Статистическая значимость была определена как p < 0,05. Направление обогащения определялось знаком нормированного балла обогащения (NES), а для представительных путей были созданы графики обогащения.

Оценка численности подтипов иммунных клеток и дифференциальной экспрессии
Алгоритм деконволюции CIBERSORT был применён для оценки относительной численности инфильтрирующих иммунных клеток и их взаимосвязей между образцами. На основе лейкоцитарного матрица LM22 состав иммунных клеток был количественно выведен из профилей экспрессии генов с помощью пакета RCIBERSORT 20. Для фильтрации результатов использовался порог p < 0,05, и для последующих анализов сохранялись только образцы, соответствующие этому критерию. Были созданы коробочные графики для сравнения оценочных относительных долей иммунноклеточных подмножеств между ФП и контрольной группами. Кроме того, был проведён корреляционный анализ Спирмана для оценки ассоциаций между уровнем инфильтрации иммунных клеток и экспрессией генов хаба.

Анализ с одной ячейкой
Транскриптомический анализ для отдельных клеток был проведён с использованием набора данных GEO GSE165838. Сырые матрицы подсчёта генных клеток импортировались в R и обработаны с использованием Seurat v4.4.0. Для каждого образца был создан объект Seurat с помощью CreateSeuratObject с min.cells = 5 и min.features = 300. Для каждой клетки были рассчитаны показатели контроля качества, включая количество обнаруженных генов, общее количество уникальных молекулярных идентификаторов (UMI), процент генов митохондрий, процент генов рибосомы и процент гемоглобина. Клетки сохранялись, если у них было более 500 обнаруженных генов, менее 5000 UMI, процент генов митохондриальных < 25%, процент генов рибосомы > 3%, а процент гемоглобина < 1%. Гены, обнаруженные менее чем в трёх клетках, были удалены. Гены MALAT1 и митохондриальных также были исключены до дальнейшего анализа. DoubletFinder использовался для обнаружения и исключения потенциальных дублетов. Кратко: клетки делились по идентичности выборки, а обнаружение дублетов проводилось отдельно для каждого образца с использованием основных компонентов 1–30.

Параметр pN был установлен на 0,25, а оптимальное значение pK выбрано в соответствии с максимальной метрикой BC, полученной при расчистке параметров. Ожидаемый уровень дублетов оценивался в зависимости от количества извлечённых клеток в каждом образце, при этом показатели составляли 2,5%, 5% и 6,5% для образцов с относительно низким, промежуточным и высоким количеством клеток соответственно. Сохранялись только клетки, классифицированные как синглеты. Дополнительно оценивалось загрязнение окружающей РНК с помощью DecontX, а клетки с баллом загрязнения ≥ 0,2 были исключены. После контроля качества, удаления дублетов и фильтрации окружающей среды РНК для дальнейшего анализа осталось 40 886 клеток и 23 947 генов. Отфильтрованный набор данных для отдельных клеток был нормализован методом LogNormalize с использованием коэффициента масштабирования 10 000, после чего была выявлена высоковариабельная генная система. Затем данные масштабировались перед анализом основных компонентов.

Чтобы уменьшить эффекты партии, специфичные для сэмпла, Harmony применялся с использованием orig.ident в качестве партийной переменной. Визуализация равномерного приближения и проекции многообразия (UMAP) и построение графов ближайших соседей были выполнены с использованием первых 15 размеров, скорректированных по Harmony21. Кластеризация проводилась с использованием алгоритма Лувена, и оценивалось несколько разрешения кластеризации. Окончательная основная аннотация типа ячейки была основана на результате кластеризации с разрешением 0.05. Клеточные кластеры были вручную аннотированы в соответствии с канонической экспрессией маркер-генов. Эта стратегия аннотирования на основе маркеров согласуется с предыдущими исследованиями иммунного профилирования отдельныхклеток 22. Т-клетки были выявлены с помощью CD3D, CD3E и TRAC; натуральные киллеры (NK) клетки NKG7, GNLY, NCAM1 и KLRG1; моноцитарно-макрофаговые клетки с помощью LYZ, CD14, FCGR3A, CD68, CD163, FCN1, TYROBP, S100A8 и S100A9; B-клетки MS4A1 и CD79A; плазматические клетки с помощью MZB1 и XBP1; эндотелиальные клетки с помощью PECAM1, VWF и CDH5; сосудистые гладкомышечные клетки ACTA2, TAGLN, MYH11 и MYL9; фибробласты от DCN, LUM, COL1A1, COL1A2 и PDGFRA; нейрофилоподобные клетки от FCGR3B, CXCR2, S100A8 и MPO; тучные клетки от TPSB2; а дендритные клетки — LILRA4, CD1C и XCR1. Экспрессия маркер-гена между кластерами визуализировалась с помощью точечных графиков, а распределение экспрессии финальных генов-хабов, связанных с ERS, визуализировалось на вложениях UMAP.

Для количественной оценки транскрипционной активности, связанной с ERS, на уровне одной клетки был использован финальный набор генов для расчёта поклеточных сигнатурных оценок с помощью AUCell, анализа обогащения наборов генов на основе одной выборки и Seurat AddModuleScore. Для AUCell рейтинги клеток формировались на основе нормализованной матрицы экспрессии РНК, а баллы AUC рассчитывались с использованием набора хаб-генов с максимальным порогом рейтинга в топ-10% рейтинговых генов. Для ssGSEA баллы обогащения рассчитывались с использованием пакета GSVA. Три результата оценивания были центрированы и масштабированы, затем нормализованы min-max и в итоге суммированы для создания интегрированного композитного результата, связанного с ERS, для каждой ячейки. Распределение составного балла сравнивалось между аннотированными популяциями клеток для оценки гетерогенности типов клеток в программе, связанной с ERS. Поскольку линия моноцит-макрофаг демонстрировала заметное обогащение сигнатур, связанное с ERS, и тесно связана с иммунновоспалительным ремоделированием, она была отобрана для последующих анализов внутри линии. Моноцитарно-макрофаговые клетки были разделены на группы с высоким и низким баллом согласно медианному композитному баллу, связанному с ERS. Анализ траектории псевдовремени был проведён на моноцитарно-макрофаговых клетках с помощью Monocle.

Для анализа псевдовремени объект CellDataSet был создан из исходной матрицы подсчёта с использованием модели отрицательного биномиального выражения. Затем оценивались размерные факторы и дисперсии. Гены упорядочения были отобраны с использованием среднего порога экспрессии ≥ 0,1 и эмпирической дисперсии, превышающей приспособленную дисперсию. Размерность была уменьшена с помощью алгоритма DDRTree, а ячейки были упорядочены вдоль предполагаемой траектории. Были визуализированы динамические паттерны экспрессии генов хаба, связанных с ERS, в псевдовремени. Анализ коммуникации между клетками был проведён с помощью CellChat для изучения потенциальных взаимодействий лиганд-рецептор между моноцитам-макрофаговыми клетками с различными показателями, связанными с ERS. Для этого анализа моноцитарно-макрофаговые клетки были помечены как с высоким или низким баллом согласно медиане составного результата, тогда как другие клетки сохранили свои исходные метки типа клеток. Нормализованная матрица экспрессии РНК и соответствующие аннотации групп клеток использовались для создания объекта CellChat. Для анализа коммуникации между клетками была выбрана база данных CellChatDB человека, и оценивались только секретируемые сигнальные взаимодействия. Переэкспрессированные гены и пары лиганд-рецепторы были выявлены до расчёта вероятностей коммуникации. Группы клеток, содержащие менее 10 клеток, были исключены из анализа взаимодействия. Впоследствии были оценены и агрегированы вероятности коммуникации на уровне путей для сравнения количества и силы взаимодействий между популяциями клеток. Для облегчения воспроизводимости ниже приведена таблица контрольных точек, связывающая каждый шаг протокола с соответствующим ожидаемым выходным показателем или таблицей (Дополнительный файл 1 — Дополнительная таблица S2).

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

Результаты

Идентификация дифференциально экспрессированных генов при ФП
Для улучшения сравнимости между когортами были интегрированы два транскриптомических набора данных (GSE41177 и GSE79768), а пакетные эффекты скорректированы на объединённой матрице экспрессии. Рисунок 2A,B показывает графики глобальных распределений экспрессий до и после коррекции пакетного эффекта, которые использовались для оценки сопоставимости распределений ...

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

Обсуждение

В этом исследовании были интегрированы объёмные и одноклеточные транскриптомы для изучения роли ЭРС в ФП. Была получена генная подпись, связанная с ERS, с благоприятной межкогортной дискриминацией, и эти сигналы были преимущественно сопоставлены с линией моноцит-макрофаг и были связаны с обширной межклеточной коммуникацией. В совокупности результаты свидетельствуют о том, что программы, связанные с ERS, связаны с иммунно-центричным ремоделированием при ФП. По сравнению с массовым скринин...

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

Раскрытие информации

Авторы не сообщают о конфликтах интересов в этой работе. Во время редактирования этой рукописи ChatGPT из OpenAI использовался только для помощи в полировке на английском языке. Авторы проверили, проверили и отредактировали весь текст с помощью искусственного интеллекта и полностью отвечают за точность и целостность финальной рукописи. Инструменты с помощью ИИ не использовались для генерации идей для исследований, анализа данных, интерпретации результатов, создания изображений или таблиц, а также для научных выводов. Работа, описанная в статье, была выполнена авторами. F.T., PR. W: Написание оригинального черновика, программное обеспечение, методология, визуализация, валидация и курирование данных. SY. T: Исследование и методология. FF. B: Супервизия. QR. L: супервизия, методология, кураторство данных. XY. J, YX. X: Поиск литературы и интерпретация данных.

Благодарности

Ни одного.

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

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
AddModuleScoreФункция Seuratверсия 4.4.0Не указано
AUCellBioconductorверсия 1.32.0RRID:SCR_021327
caretCRANверсия 7.0.1RRID:SCR_022524
celda / decontXBioconductorверсия 1.24.0Не указано
CellChatGitHub / CellChatверсия 2.2.0RRID:SCR_021946
CIBERSORT / LM22 матрица сигнатурCIBERSORTLM22Не указано
clusterProfilerBioconductorверсия 4.12.6RRID:SCR_016884
CytoscapeCytoscape Consortiumверсия 3.10RRID:SCR_003032
DoubletFinderGitHub / McGinnis Labверсия 2.0.4Не указано
e1071CRANверсия 1.7.16Не указано
gbmCRANверсия 2.2.2Не указано
База данных Gene Expression Omnibus (GEO)Национальный центр биотехнологической информации (NCBI)GSE41177Не указано
База данных Gene Expression Omnibus (GEO)NCBIGSE79768Не указано
База данных Gene Expression Omnibus (GEO)NCBIGSE115574Не указано
База данных Gene Expression Omnibus (GEO)NCBIGSE14975Не указано
База данных Gene Expression Omnibus (GEO)NCBIGSE165838Не указано
glmnetCRANверсия 4.1.8Не указано
HarmonyCRANверсия 1.2.4Не указано
limmaBioconductorверсия 3.60.6RRID:SCR_010943
MASSCRANверсия 7.3.61Не указано
mboostCRANверсия 2.9.11Не указано
MonocleBioconductorверсия 2.38.0RRID:SCR_016339
org.Hs.eg.dbBioconductorверсия 3.19.1Не указано
plsRglmCRANверсия 1.5.1Не указано
pROCCRANверсия 1.18.5RRID:SCR_024286
статистическое программное обеспечение RR Foundation for Statistical Computingверсия 4.4.2RRID:SCR_001905
randomForestCRANверсия 4.7.1.2RRID:SCR_015718
RStudioPosit Software, PBCверсия 2024.4.1.748RRID:SCR_000432
SeuratCRAN / Satija Labверсия 4.4.0RRID:SCR_016341
shapvizCRANверсия 0.10.2Не указано
svaBioconductorверсия 3.52.0Не указано
WGCNACRANверсия 1.73RRID:SCR_003302
xgboostCRANверсия 1.7.8.1Не указано

Ссылки

  1. Saleh K, Haldar S. Atrial fibrillation: a contemporary update. Clin Med (Lond). 2023;23(5):437-41.
  2. Lemme M, et al. Atrial-like engineered heart tissue: an in vitro model of the human atrium. Stem Cell Reports. 2018;11(6):1378-90.
  3. van Gorp PRR, Trines SA, Pijnappels DA, de Vries AAF. Multicellular in vitro models of cardiac arrhythmias: focus on atrial fibrillation. Front Cardiovasc Med. 2020;7:43.
  4. Scherr D, et al. Five-year outcome of catheter ablation of persistent atrial fibrillation using termination of atrial fibrillation as a procedural endpoint. Circ Arrhythm Electrophysiol. 2015;8(1):18-24.
  5. Staerk L, et al. Atrial fibrillation: epidemiology, pathophysiology, and clinical outcomes. Circ Res. 2017;120(9):1501-17.
  6. Schotten U, Verheule S, Kirchhof P, Goette A. Pathophysiological mechanisms of atrial fibrillation: a translational appraisal. Physiol Rev. 2011;91(1):265-325.
  7. Van Wagoner DR, Chung MK. Inflammation, inflammasome activation, and atrial fibrillation. Circulation. 2018;138(20):2243-6.
  8. Yuan M, et al. IP3R1/GRP75/VDAC1 complex mediates endoplasmic reticulum stress-mitochondrial oxidative stress in diabetic atrial remodeling. Redox Biol. 2022;52:102289.
  9. Wang M, Kaufman RJ. Protein misfolding in the endoplasmic reticulum as a conduit to human disease. Nature. 2016;529(7586):326-35.
  10. Ritchie ME, et al. limma powers differential expression analyses for RNA-sequencing and microarray studies. Nucleic Acids Res. 2015;43(7):e47.
  11. Langfelder P, Horvath S. WGCNA: an R package for weighted correlation network analysis. BMC Bioinformatics. 2008;9:559.
  12. Hu H, et al. Dissection of metabolome and transcriptome: insights into capsaicin and flavonoid accumulation in two typical Yunnan Xiaomila fruits. Int J Mol Sci. 2024;25(14):7761.
  13. Chen GY, et al. Integrating network pharmacology and experimental validation to explore the key mechanism of Gubitong Recipe in the treatment of osteoarthritis. Comput Math Methods Med. 2022;2022:7858925.
  14. Chen GY, et al. Prediction of Rhizoma Drynariae targets in the treatment of osteoarthritis based on network pharmacology and experimental verification. Evid Based Complement Alternat Med. 2021;2021:5233462.
  15. Díaz-Uriarte R, Alvarez de Andrés S. Gene selection and classification of microarray data using random forest. BMC Bioinformatics. 2006;7:3.
  16. Saeys Y, Inza I, Larrañaga P. A review of feature selection techniques in bioinformatics. Bioinformatics. 2007;23(19):2507-17.
  17. Statnikov A, Wang L, Aliferis CF. A comprehensive comparison of random forests and support vector machines for microarray-based cancer classification. BMC Bioinformatics. 2008;9:319.
  18. Liu H, et al. Unraveling diethyl phthalate-induced prostate carcinogenesis: core targets revealed by integrated network toxicology, machine learning, and structural validation. Hum Genomics. 2025;19(1):149.
  19. Subramanian A, et al. Gene set enrichment analysis: a knowledge-based approach for interpreting genome-wide expression profiles. Proc Natl Acad Sci U S A. 2005;102(43):15545-50.
  20. Newman AM, et al. Robust enumeration of cell subsets from tissue expression profiles. Nat Methods. 2015;12(5):453-7.
  21. Xu H, et al. Single-cell transcriptomics reveals CCL3+ classical monocyte subset linked to autoimmune pathogenesis. J Inflamm Res. 2025;18:16273-91.
  22. Wang Y, et al. Immunological profiling of rheumatoid factor-positive primary Sjögren’s syndrome by single-cell RNA sequencing. Front Immunol. 2026;17:1822615.
  23. Wiersma M, et al. Endoplasmic reticulum stress is associated with autophagy and cardiomyocyte remodeling in experimental and human atrial fibrillation. J Am Heart Assoc. 2017;6(10):e006458.
  24. Hu HJ, et al. Hydrogen sulfide ameliorates angiotensin II-induced atrial fibrosis progression to atrial fibrillation through inhibition of the Warburg effect and endoplasmic reticulum stress. Front Pharmacol. 2021;12:690371.
  25. Liu Y, et al. Integrative transcriptomic, proteomic, and machine learning approach to identifying feature genes of atrial fibrillation using atrial samples from patients with valvular heart disease. BMC Cardiovasc Disord. 2021;21(1):52.
  26. Fu S, et al. Using integrative bioinformatics approaches and machine-learning strategies to identify potential signatures for atrial fibrillation. Int J Cardiol Heart Vasc. 2025;56:101592.
  27. Wu S, et al. Multiplex proteomics identifies inflammation-related plasma biomarkers for aging and cardio-metabolic disorders. Clin Proteomics. 2024;21(1):30.
  28. Xie Z, et al. Identification and verification of biomarkers and immune infiltration in obesity-related atrial fibrillation. Biology (Basel). 2023;12(1):121.
  29. Huo TM, Wang ZW. Comprehensive analysis to identify key genes involved in advanced atherosclerosis. Dis Markers. 2021;2021:4026604.
  30. Chen M, et al. Weighted gene co-expression network analysis identifies crucial genes mediating progression of carotid plaque. Front Physiol. 2021;12:601952.
  31. Wang S, et al. S100A8/A9 in inflammation. Front Immunol. 2018;9:1298.
  32. Wang Q, et al. Myeloid-specific S100A8/A9 deficiency attenuates atrial fibrillation through prevention of TLR4/NF-κB-mediated immune cell recruitment and inflammation. Front Immunol. 2025;16:1623486.
  33. Wu CL, Yin R, Wang SN, Ying R. A review of CXCL1 in cardiac fibrosis. Front Cardiovasc Med. 2021;8:674498.
  34. Zhang YF, et al. CXCR4 and TYROBP mediate the development of atrial fibrillation via inflammation. J Cell Mol Med. 2022;26(12):3557-67.
  35. Hulsmans M, et al. Recruited macrophages elicit atrial fibrillation. Science. 2023;381(6654):231-9.
  36. van der Net JB, et al. Arachidonate 5-lipoxygenase-activating protein gene and coronary heart disease risk in familial hypercholesterolemia. Atherosclerosis. 2009;203(2):472-8.
  37. Ye X, et al. ALOX5AP predicts poor prognosis by enhancing M2 macrophage polarization and immunosuppression in serous ovarian cancer microenvironment. Front Oncol. 2021;11:675104.
  38. Song P, Deng H, Liu Y, Zhang M. Integrated bioinformatics analysis and experimental validation reveal the relationship between ALOX5AP and the prognosis and immune microenvironment in glioma. BMC Med Genomics. 2024;17(1):218.
  39. Chen S, Tang L, Guillot A, Liu H. Bariatric surgery associates with nonalcoholic steatohepatitis/hepatocellular carcinoma amelioration via SPP1 suppression. Metabolites. 2023;13(1):11.
  40. Ji H, et al. Integrated genomic, transcriptomic, and epigenetic analyses identify a leukotriene synthesis-related M2 macrophage gene signature that predicts prognosis and treatment vulnerability in gliomas. Front Immunol. 2022;13:970702.
  41. Sirish P, et al. The critical roles of proteostasis and endoplasmic reticulum stress in atrial fibrillation. Front Physiol. 2021;12:793171.
  42. Sun Z, et al. Cross-talk between macrophages and atrial myocytes in atrial fibrillation. Basic Res Cardiol. 2016;111(6):63.
  43. Schall TJ, Proudfoot AEI. Overcoming hurdles in developing successful drugs targeting chemokine receptors. Nat Rev Immunol. 2011;11(5):355-63.

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

Перепечатки и разрешения

Теги

МедицинаВыпуск 234Выпуск 234Пустое значениеВыпускАнализ отдельных клетокSHAP-анализ
Связаться с нами
Порекомендовать библиотеке

Конфиденциальность

Условия использования

Политики

© 2026 MyJoVE Corporation. Все права защищены.