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

Исследовательская статья

CCL4 как потенциальный иммуннометаболический биомаркер при остром инфаркте миокарда с помощью машинного обучения и одноклеточной транскриптомики

83 просмотров

⸱

DOI:

10.3791/72480

⸱

11 августа 2026 г.

 ,  ,  , 
1The First Affiliated Hospital of Anhui Medical University, 2Anhui Public Health Clinical Center

В этой статье

Краткое содержание

В данном исследовании интегрируется объёмная и одноклеточная транскриптомика с машинным обучением для выявления CCL4 и ещё пяти генов как потенциальных диагностических биомаркеров острого инфаркта миокарда, выявляя иммунно-метаболические перекрёстные связи и специфические к типу клеток экспрессии.

Аннотация

Острый инфаркт миокарда (AMI) является одной из ведущих причин заболеваемости и смертности во всем мире, что подчеркивает необходимость новых комплементарных биомаркеров. Интегрируя объемные и одноклеточные транскриптомические данные с методами машинного обучения, были выявлены гены, связанные с кальмодулином, ассоциированные с AMI, и изучены их иммунно-метаболические особенности. Анализ дифференциальной экспрессии и взвешенной коэкспрессии выявил 60 генов, связанных с кальмодулином, из которых шесть ключевых генов (SOCS3, GBP4, ST14, KPNA5, STAB1 и CCL4) были проверены с использованием нескольких алгоритмов машинного обучения и проверены в независимых наборах данных. Функциональные анализы показали обогащение иммунных, воспалительных и метаболических путей. Иммунная инфильтрация и одноклеточная транскриптомика показали специфические к типу клеток экспрессию, при этом CCL4 преимущественно экспрессировался в T и NK-клетках и заметно снижался в образцах AMI. qPCR-валидация подтвердила значительные изменения экспрессии для четырёх из шести генов в локальной когорте. Анализ взаимодействия лекарств-генов и докинга показал кандидатские соединения для дальнейшего изучения. В совокупности результаты свидетельствуют о том, что CCL4 может служить потенциальным диагностическим биомаркером AMI, а наблюдаемые иммунно-метаболические ассоциации служат основой для будущих механистических и трансляционных исследований.

Введение

Острый инфаркт миокарда (ОМП), вызванный продолжительной ишемией миокарда, является одним из самых смертоносных сердечно-сосудистых заболеваний вмире 1˒2. Его патогенез многофакторен, основными факторами которого являются атеросклероз, тромбоз, спазм коронарных артерий иаритмии 3˒4. Гипертония, диабет, гиперлипидемия, курение, ожирение и психологический стресс также признаны важными факторамириска 5. Хотя достижения в интервенционных методах, антитромбоцитарной терапии и тромболитических стратегиях значительно улучшили краткосрочную выживаемость, общая частота AMI продолжает расти, особенно среди молодыхпопуляций 6. Кардиальный тропонин (cTn) в настоящее время является золотым стандартом для диагностики ОМИ. Это структурный белок, который выделяется в кровообращение после некроза клеток миокарда и обладает высокой чувствительностью и специфичностью. Однако уровень cTn может зависеть от функции почек и времени сбораобразца 7˒8. Поэтому по-прежнему необходима разработка новых комплементарных биомаркеров.

Кальмодулин (CaM) — это небольшой, повсеместно экспрессируемый и высококонсервативный кальцие-связывающий белок, который выполняет функции ключевого внутриклеточного преобразователя сигналов кальция и участвует в широком спектре биологическихпроцессов 9˒10. Отслеживая изменения внутриклеточных концентраций Ca2⁺, CaM взаимодействует с многочисленными целевые белками, включая киназы, фосфатазы и ионные каналы, регулируя пролиферацию клеток, апоптоз, метаболизм, сокращение мышц и воспалительныереакции 11. В сердечно-сосудистой системе CaM играет центральную роль в контроле сократительности кардиомиоцитов, частоты сердечных сокращений, электрической стабильности и тонуса сосудистой гладкости12˒13. Накопленные данные указывают на то, что дисфункция CaM или дисрегуляция сигнальных путей, связанных с CaM, способствует развитию ряда сердечно-сосудистых заболеваний, включая аритмии, сердечную недостаточность, гипертонию и гипертрофиюсердца 14˒15. Кроме того, CaM участвует в ответах кардиомиоцитов на ишемию, окислительный стресс и воспалительные стимулы, что указывает на его потенциальное участие в патологическом прогрессированииAMI 16. Поэтому исследование CaM в контексте сердечно-сосудистых заболеваний представляет значительный научный и клинический интерес.

Массовые наборы данных по РНК-секвенации и одноклеточные РНК-секвенты были интегрированы для систематического выявления дифференциально экспрессированных генов (DEG), существенно связанных с показателем CaM. Для дальнейшего выявления кандидатов-генов, связанных с CaM, в AMI, использовался взвешенный анализ коэкспрессии генов (WGCNA). Затем были применены несколько алгоритмов машинного обучения для выявления ключевых генов и построения предиктивных моделей для оценки индивидуального риска AMI. Также были интегрированы транскриптомические особенности, профили иммунной инфильтрации и конкурирующие регуляторные сети эндогенной РНК (цеРНК) для изучения того, как эти ключевые гены могут способствовать иммунной регуляции и потенциальным взаимодействиям между препаратами. Результаты показывают, что несколько ключевых генов участвуют в иммунометаболических путях перекрёстной связи и обладают прогностической ценностью и терапевтическим потенциалом. Этот интегрированный подход совершенствует молекулярное понимание AMI и предоставляет обоснование для разработки биомаркеров и целенаправленного вмешательства.

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

Протокол

Исследование проводилось в соответствии с Хельсинкской декларацией. Протокол был утверждён Этическим комитетом Клинического центра общественного здравоохранения Аньхой 19 сентября 2025 года (ID одобрения: PJ-YX2025-062). Письменное информированное согласие было получено от всех участников перед забором крови. Местная когорта включала восемь пациентов с острым инфарктом миокарда (ОМП) и восемь здоровых контрольных групп. Исследовательские инструменты, используемые в протоколе, перечислены в Таблице материалов.

1. Источники данных и обработка

Наборы данных по секвенированию РНК, связанные с инфарктом миокарда, были получены из Gene Expression Omnibus (GEO). Наборы данных GSE59867 и GSE48060 использовались для массового транскриптомического анализа, а GSE269269 набор данных по секвенированию одноклеточных РНК — для анализов на клеточном уровне (Таблица 1). Набор из 255 генов, связанных с кальмодулином, был получен из Атласа белков человека для последующих анализов генетических наборов.

Набор данныхТип образцаСэмпл (контрольные)Выборка (пациенты)Платформа секвенирования
GSE59867Bulk RNA-seq46111GPL6244
GSE48060Bulk RNA-seq2131GPL570
GSE269269scRNA-seq (периферическая кровь)10GPL24676

Таблица 1: Характеристики используемых в исследовании наборов данных. В таблице перечислены номера присоединения к набору данных, типы выборок, количество контрольных и пациентных образцов, а также платформы секвенирования для массовых наборов секвенирования РНК и одноклеточных РНК. РНК-секвенирование, секвенирование РНК; scRNA-seq, секвенирование одиночных клеток РНК.

Межвыборочная вариабельность в объёмных транскриптомных наборах данных была исправлена с помощью функции normalizeBetweenArrays в пакете limma версии 3.60.6. Затем был проведен дифференциальный анализ экспрессии генов с помощью лиммы. Дифференциально экспрессированные гены (DEGs) определялись с использованием порогов P < 0,05 и |log₂ fold change| > 0,5. Полученные DEG были визуализированы с помощью вулканических диаграмм и тепловых карт и классифицированы как значительно повышенные, значительно сниженные или без существенных изменений.

2. Анализ обогащения наборов генов на основе одной выборки и взвешенный анализ коэкспрессии генов

Анализ обогащения набора генов на основе одного образца (ssGSEA) проводился с использованием 255 генов, связанных с кальмодулином. Пакет GSVA использовался для расчёта шкалы гена, связанного с кальмодулином, обозначенного как Calmodulin_score, для каждого AMI и контрольного образца. Различия в Calmodulin_score между группами AMI и контрольной группы оценивались с помощью теста Уилкоксона на сумму ранга.

Анализ взвешенной коэкспрессии генов (WGCNA) был проведён с использованием объёмных транскриптомических данных пациентов с AMI. Были исключены гены со средним значением фрагментов на килобазу транскрипта на миллион отображённых чтений ≤0,5. Образцы были сгруппированы для выявления и удаления выбросов.

Была выбрана степень мягкого порога, обеспечивающая безмасштабное соответствие топологии R² > 0,8. Затем была построена топологическая матрица перекрытий. Генные модули были идентифицированы с помощью алгоритма динамического вырезания деревьев с минимальным размером модуля 200. Модули с очень похожими собственными генами объединялись с использованием порога корреляции >0,75, что соответствует порогу слияния модулей 0,25.

Взаимосвязи между собственными генами модуля и клиническими признаками, включая Calmodulin_score, оценивались с помощью корреляционного анализа Пирсона. Полученные взаимоотношения между модулями и признаками отображались в тепловой карте, аннотированной коэффициентами корреляции и соответствующими значениями P. Для каждого гена рассчитывались принадлежность к модулям и значимость гена. Были созданы диаграммы рассеяния принадлежности к модулям по значимости генов для выявления генов с высокой внутримодульной связностью и значимостью признаков.

3. Идентификация генов, связанных с AMI, связанных с кальмодулином

Гены, связанные с кальмодулином, ассоциированными с AMI, были выявлены путём пересечения DEG с генами модулей WGCNA, значительно коррелируемыми с Calmodulin_score. Перекрывающиеся гены сохранялись для дальнейших анализов.

Функциональный анализ обогащения проводился с использованием пакета clusterProfiler. Аннотации Gene Ontology и Kyoto Encyclopedia of Genes and Genomes использовались для идентификации биологических процессов, молекулярных функций, клеточных компонентов и сигнальных путей, связанных с перекрывающимися генами.

4. Идентификация и валидация ключевых генов с помощью машинного обучения

Был проведён одномерный логистический регрессионный анализ с использованием перекрывающихся генов. Затем три алгоритма машинного обучения применялись независимо с использованием следующих R-пакетов и параметров: случайный лес, XGBoost и поддерживающая векторная машина.

Каждый алгоритм использовался для приоритизации генов с предиктивной значимостью для AMI. Кандидат-ключевые гены определялись как гены, идентифицированные всеми тремя алгоритмами. Гены, которые также демонстрировали значительную и направленно согласованную дифференциальную экспрессию как в наборе данных GSE59867 обучения, так и в GSE48060 внешнем валидационном наборе данных, были сохранены в качестве окончательных ключевых генов.

5. Создание и оценка диагностических моделей

Была построена логистическая регрессионная модель с использованием выявленных ключевых генов и функции lrm. С использованием функции регплота была создана номограмма для отображения вклада каждого гена признаков в предсказанную вероятность АМИ.

Различение модели оценивалось с помощью анализа операционных характеристик приёмника с использованием пакета pROC. Площадь под кривой рабочей характеристики приёмника была рассчитана для оценки способности модели отличать AMI от контрольных образцов.

Были сгенерированы калибровочные кривые для сравнения предсказанных вероятностей с наблюдаемыми результатами. Анализ кривой принятия решения был проведён для оценки чистой клинической выгоды модели в диапазоне пороговых вероятностей.

6. Анализ обогащения генных множеств и конкурирующая эндогенные РНК-сети

Анализ обогащения множества генов проводился отдельно для каждого ключевого гена с использованием его матрицы корреляции генов и пакета clusterProfiler. Результаты обогащения путей в Киотской энциклопедии генов и геномов были ранжированы по абсолютному нормированному баллу обогащения. Для каждого гена отображались пять самых высокоранговых путей.

Функциональные ассоциации и сети взаимодействия генов были изучены с помощью GeneMANIA. Потенциальные регуляторы микроРНК ключевых генов были предсказаны с помощью miRanda, miRTarBase, TargetScan и miRDB. Кандидаты на взаимодействия микроРНК и мРНК были выявлены путём пересечения предсказаний из четырёх баз данных.

Длительные некодирующие взаимодействия РНК-микроРНК были получены с помощью SpongeScan. Длинные некодируемые отношения РНК-микроРНК и микроРНК-мРНК были затем интегрированы для создания конкурирующей эндогенной РНК-регуляторной сети. Сеть визуализировалась в виде диаграммы Санки с использованием пакета ggalluvial.

7. Прогнозирование препаратов и молекулярное стыковывание

Взаимодействия лекарств и генов предсказывались с помощью базы данных взаимодействия лекарств-ген. Полученная сеть взаимодействия визуализировалась с помощью программного обеспечения для анализа сети.

Идентификатор белка UniProt для CCL4 был извлечен как P13236. Соответствующая трёхмерная структура белка была получена в формате Protein Data Bank (PDB) под номером присоединения 1HUM (человеческая MIP-1β, рентгеновская дифракционная структура), который был выбран для стыковки. Цепь A, представляющая биологически релевантный мономер, была выбрана для стыковки. Подготовка белка проводилась с использованием модуля Prepare Protein в CB-Dock2, который включает удаление молекул воды, добавление полярных водородов и назначение зарядов Гастайгера. Трёхмерные химические структуры кандидатных соединений (клодроновая кислота и эпоэтин альфа) были извлечены из базы данных PubChem в формате Structure-Data File (SDF). Симуляции стыковки проводились с помощью онлайн-платформы CB-Dock2, которая использует алгоритм AutoDock Vina для слепой стыковки. Место стыковки было установлено так, чтобы покрыть всю поверхность белка для беспристрастного выявления потенциальных карманов связывания. Аффинность связывания рассчитывалась как предсказанная свободная энергия связывания (ΔG) в ккал/моль. Финальные позы стыковки и взаимодействия белк-лиганд (например, водородные связи, гидрофобные контакты) визуализировались с помощью встроенного просмотра взаимодействий PyMOL и CB-Dock2.

8. Предобработка данных секвенирования РНК для одной клетки

Контроль качества проводился до анализа секвенирования отдельных клеток РНК. Клетки сохранялись, когда количество обнаруженных генов составляло от 200 до 10 000, общее количество уникальных молекулярных идентификаторов составляло ≥1 000, а доля митохондриальных транскриптов — ≤20%.
Клетки, экспрессирующие менее 200 генов, и гены, обнаруженные менее чем в трёх клетках, были исключены. Эти фильтры применялись для снижения включения ячеек низкого качества и технического шума. Значения экспрессии генов нормализовались с помощью функции NormalizeData в пакете Seurat. Высоковариабельные гены были идентифицированы с помощью функции FindVariableFeatures. Экспрессионные значения для высоковариабельных генов были центрированы и стандартизированы с помощью функции ScaleData.

Пакетные эффекты, связанные с экспериментальной или секвенирующей вариацией, корректировались с помощью функции RunHarmony из интеграционного фреймворкаHarmony 17.

9. Редукция, кластеризация и аннотация размерности по одной ячейке

Анализ основных компонентов был впервые применён для уменьшения размерности одноклеточного набора данных секвенирования РНК. Впоследствии для визуализации клеточной гетерогенности использовались равномерное приближение и проекция многообразия, а также t-распределённое стохастическое вложение соседей.

Транскрипционно похожие клетки были сгруппированы с использованием функций FindNeighbors и FindClusters в Seurat. Дифференциально экспрессированные маркерные гены для каждого кластера были идентифицированы с помощью функции FindAllMarkers путём сравнения каждого кластера со всеми оставшимися кластерами.

Типы клеток присваивались с помощью канонических маркерных генов, полученных из опубликованной литературы и установленных баз данных клеточных маркеров. Пространственное распределение и уровни экспрессии ключевых генов были визуализированы с помощью функцииFeaturePlot 18.

10. Количественный анализ полимеразных цепных реакций

Периферические образцы крови были получены у 8 пациентов с AMI и 8 здоровых контрольных групп в Клиническом центре общественного здравоохранения Аньхой. Группа AMI включала пациентов, диагностированных по Четвёртому универсальному определению инфаркта миокарда, с симптомами, соответствующими ишемии миокарда и повышенным уровнем тропонина I в сердце выше верхней референсной границы 99-го процентила. В контрольную группу входили здоровые люди с возрастом и полу, не имевшие истории сердечно-сосудистых заболеваний, нормальные электрокардиограммы и отклонения в рутинных анализах крови, функции печени или почек. У пациентов с АМИ в течение 24 часов после госпитализации было собрано 3 мл крови с этиледиаминтетрауксусной кислотой, антикоагулянной кислотой. Тот же объём был собран у здоровых контрольных групп в соответствующий период исследования.

Общая РНК была выделена из периферической крови согласно протоколу, предоставленному в наборе для выделения крови РНК. Концентрация и чистота РНК оценивались с помощью спектрофотометра NanoDrop, а целостность РНК проверялась с помощью электрофореза агарозного геля. Для последующих анализов использовались только образцы с соотношением A260/A280 от 1,8 до 2,1. Всего 500 нг РНК было обратно транскрибировано в комплементарную ДНК с помощью реагента для синтеза комплементарной ДНК первой цепочки. Полученная комплементарная ДНК была разбавена до конечной концентрации 150 нг/мл. Количественная амплификация полимеразной цепной реакции проводилась при общем объёме реакции 10 мкл с использованием мастер-смеси на основе SYBR Green без пассивного эталонного красителя. Все qPCR-реакции проводились дважды в технических дубликатах, а последующие расчёты основывались на средних значениях КТ.

Амплификация проводилась с помощью прибора полимеразной цепной реакции в реальном времени. Условия циклирования включали начальную денатурацию при 95 °C в течение 5 минут, затем 40 циклов денатурации при 95 °C в течение 10 секунд, отжиг при 60 °C в течение 30 с и удлинение при 72 °C в течение 30 секунд. Анализ кривой расплава проводился после амплификации.

Уровни экспрессии генов были нормализованы до β-актина. Относительная экспрессия была рассчитана с помощью метода 2−ΔΔCt .

11. Статистический анализ

Статистический анализ проводился в R. Визуализации сетей создавались с помощью программного обеспечения для анализа сети. Различия между двумя группами оценивались с помощью теста Уилкоксона, если не указано иное. Непрерывные переменные с нормальным распределением сравнивались с помощью t-теста Стьюдента. Ненормально распределённые непрерывные переменные сравнивались с помощью теста Манна-Уитни U, также известного как тест ранговой суммы Уилкоксона. Все статистические тесты были двусторонними. Значение P в <0,05 считалось статистическизначимым 19.

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

Результаты

Идентификация и анализ обогащения генов, связанных с кальмодулином, связанных с AMI
Коррекция эффектов партии была впервые проведена на GSE59867 наборе данных для обеспечения сопоставимости между выборками (рисунок 1A). Впоследствии было выявлено всего 168 дифференциально экспрессированных генов (DEG), включая 77 генов с повышенной регуляцией и 91 пониженный в образцах AMI по сравнению с контролем (рисунок 1B...

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

Обсуждение

Острый инфаркт миокарда (AMI) возникает из-за остой окклюзии коронарной артерии, что приводит к ишемическому некрозу миокарда и высокой заболеваемости и смертности по всему миру. Кальмодулин, кальциезависимый регуляторный белок, играет ключевую роль в внутриклеточной передаче сигналов. Предыдущие исследования показали, что кальмодулин регулирует апоптоз кардиомиоцитов, воспалительные реакции и гомеостаз кальция во время AMI, что позволяет предположить, что он может быть важной молекулой ...

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

Раскрытие информации

Авторы не заявляют о конфликтах интересов.

Благодарности

Эта работа была поддержана Фондом исследований Аньхойского медицинского университета (грант No 2022xkj059) и Институтом трансляционной медицины Аньхой (грант No 2021zhyx-C71). Авторы благодарят всех коллег, которые помогали и поддерживали это исследование.

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

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
β-actin primerTsingkeN/AForward: 5′-CATGTACGTTGCTATCCAGGC-3′
Reverse: 5′-CTCCTTAATGTCACGCACGAT-3′
calibratermsN/AParameters: lrmModel, method = "boot", B = 1000
CB-Dock2CB-Dock2 ServerOnline toolhttps://cadd.labshare.cn/cb-dock2/
CCL4 primerTsingkeN/AForward: 5′-CTGTGCTGATCCCAGTGAATC-3′
Reverse: 5′-TCAGTTCAGTTCCAGGTCATACA-3′
CIBERSORTStanford UniversityOnline toolParameters: function(sig_matrix, mixture_file, perm = 0, QN = TRUE)Spearman correlation analysis was performed between immune-cell abundance and gene expression.
clusterProfilerBioconductor4.12.6https://bioconductor.org/packages/clusterProfiler
CytoscapeCytoscape Consortium3.9.1https://cytoscape.org/
Drug-Gene Interaction DatabaseDGIdbOnline databasehttps://www.dgidb.org/
Gene Expression OmnibusNCBIOnline databasehttps://www.ncbi.nlm.nih.gov/geo/
Gene Ontology databaseGene Ontology ConsortiumOnline databasehttp://geneontology.org/
GeneMANIAUniversity of TorontoOnline toolhttps://genemania.org/
GBP4 primerTsingkeN/AForward: 5′-AGGCTGCTAAAACACAAGCTG-3′
Reverse: 5′-CCCCAGGTAGAGTGACAATCAT-3′
ggalluvialCRAN0.12.5Sankey diagram generation
GSVABioconductor1.52.3Parameter: P < 0.05
Harmony integration frameworkCRAN1.2.0https://github.com/immunogenomics/harmony
Hifair III 1st Strand cDNA Synthesis SuperMixYEASEN11141ES10Reverse-transcription reagent
Hieff qPCR SYBR Green Master MixYEASEN11201ESqPCR reagent
Human Protein AtlasHuman Protein Atlas ConsortiumOnline databasehttps://www.proteinatlas.org/
KPNA5 primerTsingkeN/AForward: 5′-TCAAGAGATGCGTAGACGAAGA-3′
Reverse: 5′-ACATTTCTGCGTTTGAACAACTG-3′
Kyoto Encyclopedia of Genes and Genomes databaseKanehisa LaboratoriesOnline databasehttps://www.kegg.jp/
LightCycler 480 Instrument IIRocheLightCycler 480 IIReal-time PCR instrument
limmaBioconductor3.60.6Differentially expressed gene screening
lrmrmsN/AParameters: Type ~ SOCS3 + GBP4 + ST14 + KPNA5 + STAB1 + CCL4, data = aSAH, maxit = 100
miRandaMicroRNA.orgOnline toolhttp://www.microrna.org/microrna/home.do
miRDBmiRDBOnline toolhttp://mirdb.org/
miRTarBaseNational Chiao Tung UniversityOnline databasehttps://mirtarbase.cuhk.edu.cn/
Protein Data BankRCSBOnline databasehttps://www.rcsb.org/
PubChemNCBIOnline databasehttps://pubchem.ncbi.nlm.nih.gov/
PyMOLSchrödinger, LLC2.5.4Visualization of molecular docking results
pROCCRAN1.18.5Receiver operating characteristic curve generation and visualization
Random forest packageCRAN3.3.1Parameters: ntree = 100, seed = 200
R softwareR Foundation4.2.2Bioinformatics and statistical analyses
regplotCRAN1.1Parameters: glm(Status ~ gene, family = binomial(), data = merged_data)lrm(Type ~ SOCS3 + GBP4 + ST14 + KPNA5 + STAB1 + CCL4, data = aSAH, maxit = 100)
rmdaCRAN1.6Parameters: decision_curve(Type ~ SOCS3 + GBP4 + ST14 + KPNA5 + STAB1 + CCL4, data = aSAH, family = binomial(link = "logit"), thresholds = seq(0, 1, by = 0.01), confidence.intervals = 0.95)
RNA isolater MolPure Blood RNA KitYEASEN19241ES50RNA isolation kit
SeuratSatija Lab5.1.0Marker genes used for cell annotation:Monocytes: FCN1, S100A9, S100A8B cells: CD79B, MS4A1T cells: LDHB, CD4, CD3DNK cells: FGFBP2, GZMB, NKG7, KLRD1Megakaryocytes: CD163, CD36, PF4, PPBPBlood cells: ALAS2, AHSP, CA1Plasma cells: IGHA1, CD79A, MZB1, JCHAINDendritic cells: HLA-DMB, HLA-DPA1, HLA-DQB1Mast cells: FCER1A, MS4A2
SOCS3 primerTsingkeN/AForward: 5′-CCTGCGCCTCAAGACCTTC-3′
Reverse: 5′-GTCACTGCGCTCCAGTAGAA-3′
spongeScanspongeScanOnline toolhttp://spongescan.rc.ufl.edu/
ST14 primerTsingkeN/AForward: 5′-TTCCTGCCAGTCAACAACGTC-3′
Reverse: 5′-GGTACTGCAAATGCCACACC-3′
STAB1 primerTsingkeN/AForward: 5′-CCGGGAAATCCTTACCACAGC-3′
Reverse: 5′-ACCTTCGTGTTTGTTGGGTCC-3′
Support vector machine packageCRAN1.7-13Parameters: input, k = 10, halve.above = 100
survminerCRAN0.5.0Survival curve plotting
TargetScanTargetScanOnline toolhttp://www.targetscan.org/
UniProtUniProt ConsortiumOnline databasehttps://www.uniprot.org/
Weighted gene co-expression network analysis packageCRAN1.73Parameters: R² > 0.8, minModuleSize = 200
XGBoost packageCRAN1.7.8.1Parameters: nrounds = c(50, 200), max_depth = c(3, 8), eta = c(0.01, 0.3)

Ссылки

  1. Buja LM. Pathobiology of myocardial ischemia and reperfusion injury: models, modes, molecular mechanisms, modulation, and clinical applications. Cardiol Rev. 2023;31(5):252–264. https://doi.org/10.1097/CRD.0000000000000440
  2. Salari N, et al. The global prevalence of myocardial infarction: a systematic review and meta-analysis. BMC Cardiovasc Disord. 2023;23:206. https://doi.org/10.1186/s12872-023-03231-w
  3. Młynarska E, et al. From atherosclerotic plaque to myocardial infarction-the leading cause of coronary artery occlusion. Int J Mol Sci. 2024;25(13):7295. https://doi.org/10.3390/ijms25137295
  4. Krittanawong C, et al. Acute myocardial infarction: etiologies and mimickers in young patients. J Am Heart Assoc. 2023;12(18). https://doi.org/10.1161/JAHA.123.029971
  5. Sood A, Singh A, Gadkari C. Myocardial infarction in young individuals: a review article. Cureus. 2023;15(4). https://doi.org/10.7759/cureus.37102
  6. Galli M, et al. Guided versus standard antiplatelet therapy in patients undergoing percutaneous coronary intervention: a systematic review and meta-analysis. Lancet. 2021;397(10283):1470–1483. https://doi.org/10.1016/S0140-6736(21)00533-X
  7. Ai X, et al. Dynamic profiles of 25 serum biomarkers in acute myocardial infarction. Front Cardiovasc Med. 2025;12:1631648. https://doi.org/10.3389/fcvm.2025.1631648
  8. Yang Z, Zhou DM. Cardiac markers and their point-of-care testing for diagnosis of acute myocardial infarction. Clin Biochem. 2006;39(8):771–780.
  9. Yang CF, Tsai WC. Calmodulin: the switch button of calcium signaling. Tzu Chi Med J. 2022;34(1):15–22. https://doi.org/10.4103/tcmj.tcmj_285_20
  10. Tokumitsu H, Sakagami H. Molecular mechanisms underlying Ca²⁺/calmodulin-dependent protein kinase kinase signal transduction. Int J Mol Sci. 2022;23(19):11025. https://doi.org/10.3390/ijms231911025
  11. Ketehouli T, et al. Overview of the roles of calcium sensors in plants’ response to osmotic stress signalling. Funct Plant Biol. 2022;49(7):589–599.
  12. Beghi S, et al. Calcium signalling in heart and vessels: role of calmodulin and downstream calmodulin-dependent protein kinases. Int J Mol Sci. 2022;23(24):16139. https://doi.org/10.3390/ijms232416139
  13. Tran N, et al. Endothelial nitric oxide synthase and the cardiovascular system: in physiology and in disease states. Am J Biomed Sci Res. 2022;15(2):153–177.
  14. Hua Y, et al. Ca²⁺/calmodulin-dependent protein kinase II regulation by inhibitor of receptor-interacting protein kinase 3 alleviates necroptosis in glycation end products-induced cardiomyocyte injury. Int J Mol Sci. 2022;23(13).
  15. Zhang J, et al. Ca²⁺/calmodulin-dependent protein kinase II regulation by inhibitor of RIPK3 protects against cardiac hypertrophy. Oxid Med Cell Longev. 2022;2022:7941374. https://doi.org/10.1155/2022/7941374
  16. Zi C, Ma X, Zheng M, Zhu Y. VDAC1-NF-κB/p65-mediated S100A16 contributes to myocardial ischemia/reperfusion injury by regulating oxidative stress and inflammatory response via the calmodulin/CaMKK2/AMPK pathway. Eur J Pharmacol. 2025;987:177158. https://doi.org/10.1016/j.ejphar.2024.177158
  17. Song Z, et al. Identification of five hub genes based on single-cell RNA sequencing data and network pharmacology in patients with acute myocardial infarction. Front Public Health. 2022;10:894129. https://doi.org/10.3389/fpubh.2022.894129
  18. Qu S, et al. Integrated multi-omics and experimental validation for identifying novel biomarkers of acute myocardial infarction. Naunyn Schmiedebergs Arch Pharmacol. 2026;399(9):14067–14089. https://doi.org/10.1007/s00210-026-05281-1
  19. Fan H, et al. Early diagnostic biomarkers for acute myocardial infarction unveiled by metabolomics, Mendelian randomization, and machine learning. Mol Biomed. 2026;7(1):5.
  20. Yang Y, et al. CaMKII in regulation of cell death during myocardial reperfusion injury. Front Mol Biosci. 2021;8:668129. https://doi.org/10.3389/fmolb.2021.668129
  21. Rosenstock P, Kaufmann T. Sialic acids and their influence on human natural killer cell function. Cells. 2021;10(2):263.
  22. Li G, et al. Decoding glycosylation in cardiovascular diseases: mechanisms, biomarkers, and therapeutic opportunities. 2025;16.
  23. Yang M, et al. lncRNAfunc: a knowledgebase of lncRNA function in human cancer. Nucleic Acids Res. 2022;50(D1)–D1306.
  24. Zhang W, et al. Identification of plasma exosomes hsa_circ_0001360 and hsa_circ_0000038 as key biomarkers of coronary heart disease. 2024;2024.
  25. Cheng W, et al. NF-κB, a potential therapeutic target in cardiovascular diseases. Cardiovasc Drugs Ther. 2023;37(3):571–584.
  26. Liang B, Liang Y, Gu N. Pharmacological mechanisms of sodium-glucose cotransporter 2 inhibitors in heart failure with preserved ejection fraction. BMC Cardiovasc Disord. 2022;22(1):261.
  27. Qiu D, et al. Evaluating the diagnostic potential of SOCS3 in copper metabolism for acute myocardial infarction. Pathol Res Pract. 2024;264:155688.
  28. Zhang J, Zhang L. Bioinformatics approach to identify the influences of SARS-CoV-2 infections on atherosclerosis. Front Cardiovasc Med. 2022;9:907665.
  29. Zhang J, et al. CXCL16 promotes Ly6Chigh monocyte infiltration and impairs heart function after acute myocardial infarction. J Immunol. 2023;210(6):820–831.
  30. Tsuruno Y, et al. Favorable inhibitory effect of clodronate on hepatic steatosis in short bowel syndrome model rats. Pediatr Surg Int. 2024;40(1):307.
  31. Kim DH, et al. Bisphosphonates and risk of cardiovascular events: a meta-analysis. PLoS One. 2015;10(4).
  32. Kittithaworn A, Toro-Tobon D, Sfeir JG. Cardiovascular benefits and risks associated with calcium, vitamin D, and antiresorptive therapy in the management of skeletal fragility. Womens Health. 2023;19:17455057231170059.
  33. Anand S, Al-Mondhiry J, Fischer K, Glaspy J. Epoetin alfa-epbx: a new entrant into a crowded market-a historical review of the role of erythropoiesis-stimulating agents and the development of the first epoetin biosimilar in the United States. Expert Rev Clin Pharmacol. 2021;14(1):1–8.
  34. Yin W, Noguchi CT. The role of erythropoietin in metabolic regulation. 2025;14(4):280.
  35. Sung PH, Luo CW, Chiang JY, Yip HK. The combination of G9a histone methyltransferase inhibitors with erythropoietin protects the heart against damage from acute myocardial infarction. Am J Transl Res. 2020;12(7):3255–3271.
  36. Jean-Baptiste W, et al. Are there any cardioprotective effects or safety concerns of erythropoietin in patients with myocardial infarction? A systematic review. Cureus. 2022;14(6).
  37. Liu J, Chen L, Zheng X, Guo C. Identification of immune-related genes in acute myocardial infarction based on integrated bioinformatic methods and experimental verification. PeerJ. 2023;11.
  38. Feng L, et al. Identification of genes linking natural killer cells to apoptosis in acute myocardial infarction and ischemic stroke. Front Immunol. 2022;13:817377.
  39. Wang Q, et al. Atorvastatin-induced tolerogenic dendritic cells improve cardiac remodeling by suppressing TLR-4/NF-κB activation after myocardial infarction. Inflamm Res. 2023;72(1):13–25.

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

Перепечатки и разрешения

Теги

Геныродственные кальмодулинудифференциальная экспрессияиммунная инфильтрациявзвешенная коэкспрессияТ-клеткиNK-клетки
Связаться с нами
Порекомендовать библиотеке

Конфиденциальность

Условия использования

Политики

© 2026 MyJoVE Corporation. Все права защищены.