Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.

Yöntem makalesi

İmmüno-İnfiltrasyon Analizi ile Alkolsüz Yağlı Karaciğer Hastalığında Trombospondin 1'in Tanımlanması için Tıbbi Karar Destek Platformu

740 görüntülenme

⸱

DOI:

10.3791/67328

⸱

30 Ağustos 2024

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

Bu makalede

Özet

Bu çalışma, alkolsüz yağlı karaciğer hastalığı (NAFLD) ve miyokard enfarktüsü (MI) arasındaki ilişkileri, birlikte eksprese edilen genler aracılığıyla araştırdı ve Trombospondin 1'i (THBS1) bir biyobelirteç olarak tanımladı. İmmüno-infiltrasyon analizi, CD8 + T hücrelerini ve nötrofilleri anahtar faktörler olarak ortaya çıkardı ve THBS1, NAFLD ve MI için bir tanı aracı olarak potansiyel gösterdi.

Özet

Alkole bağlı olmayan yağlı karaciğer hastalığı (NAFLD) ve miyokard enfarktüsü (MI) önemli prevalans ve mortalite ile iki önemli sağlık yüküdür. Bu çalışma, biyoinformatik ve makine öğrenimi kullanarak NAFLD ve MI arasındaki ilişkiyi anlamak ve NAFLD ile ilişkili MI'nın potansiyel önemli biyobelirteçlerini belirlemek için birlikte ifade edilen genleri keşfetmeyi amaçladı. Fonksiyonel zenginleştirme analizi yapıldı, bir ko-protein-protein etkileşimi (PPI) ağ diyagramı oluşturuldu ve diferansiyel olarak ifade edilen bir gen (DEG), Trombospondin 1'i (THBS1) tanımlamak için destek vektör makine özyinelemeli özellik eliminasyonu (SVM-RFE) ve en az mutlak büzülme ve seçim operatörü (LASSO) teknikleri kullanıldı. THBS1, NAFLD hastalarını (AUC = 0.981) ve MI hastalarını (AUC = 0.900) ayırt etmede güçlü performans göstermiştir. İmmüno-infiltrasyon analizi, NAFLD ve MI'lı hastalarda anlamlı derecede düşük CD8 + T hücreleri ve daha yüksek nötrofil seviyeleri ortaya çıkardı. CD8 + T hücreleri ve nötrofiller, NAFLD / MI'yı sağlıklı kontrollerden ayırt etmede etkiliydi. Korelasyon analizi, THBS1'in CCR (kemokin reseptörü), MHC sınıfı (majör histouyumluluk kompleksi sınıfı), nötrofiller, parainflamasyon ve Tfh (foliküler yardımcı T hücreleri) ile pozitif korelasyon gösterdiğini ve NAFLD ve MI hastalarında CD8+ T hücreleri, sitolitik aktivite ve TIL (tümör infiltre eden lenfositler) ile negatif korelasyon gösterdiğini gösterdi. THBS1, sağlıklı kontrollere kıyasla NAFLD/MI tanısı için yeni bir biyobelirteç olarak ortaya çıkmıştır. Sonuçlar, CD8 + T hücrelerinin ve nötrofillerin, NAFLD / MI'lı hastaları sağlıklı bireylerden ayırt etmek için inflamatuar bağışıklık özellikleri olarak hizmet edebileceğini göstermektedir.

Giriş

Alkole bağlı olmayan yağlı karaciğer hastalığı (NAFLD) %25-%30 prevalansı ile önemli bir halk sağlığı sorunudur1. Diyabetli hastalarda NAFLD prevalansının yüksek olduğu bildirilmiştir2. Bununla birlikte, diyabetik olmayan hastalarda NAFLD'nin önemi henüz net değildir. Çalışmalar, NAFLD'nin ateroskleroz patogenezinde bağımsız bir rol oynadığını göstermiştir 3,4. Ek olarak, bir meta-analiz, NAFLD'nin koroner arter kalsifikasyonu, endotel disfonksiyonu ve ateroskleroz ile yakından ilişkili olduğunu ve bağımsız bir kardiyovasküler risk faktörü olarak ortaya çıktığını göstermiştir5. NAFLD ve kardiyovasküler hastalık arasındaki bağlantı hala daha fazla araştırma gerektirmektedir.

Miyokard enfarktüsü (MI), sağlığı tehdit eden ve dünya çapında hastalar ve aileleri üzerinde önemli bir ekonomik yük oluşturan yıkıcı bir hastalıktır6. MI ayrıca NAFLD'li hastalarda önemli bir ölüm nedenidir. British Medical Journal'da yayınlanan bir klinik çalışma, NAFLD hastalarında miyokard enfarktüsü riskinin NAFLD olmayan hastalara göre 1,17 kat daha fazla olduğunu göstermiştir 7,8. Bazı çalışmalar, NAFLD ile ilişkili MI 9,10,11'e katkıda bulunan inflamasyon, oksidatif stres ve lipid metabolizması dahil olmak üzere moleküler yolları tanımlamıştır. Bununla birlikte, NAFLD ve MI'yı birbirine bağlayan temel mekanizmalar belirsizliğini korumaktadır. NAFLD ve MI'nın prognozu ile ilgili yeni biyobelirteçlerin tanımlanması çok önemlidir.

Nüfusun geniş bir kesimini etkileyen NAFLD'nin artan prevalansı, özellikle diyabet ile ilişkisi göz önüne alındığında, önemli bir halk sağlığı sorununun altını çizmektedir. Bununla birlikte, NAFLD'nin diyabetik olmayan hastalar üzerindeki etkisi tam olarak anlaşılamamıştır. NAFLD, ateroskleroz patogenezinde rol oynamaktadır ve koroner arter kalsifikasyonu, endotel disfonksiyonu ve ateroskleroz ile yakından ilişkili olan bağımsız bir kardiyovasküler risk faktörü olarak kabul edilmektedir. Bu ilişkilere rağmen, NAFLD ile miyokard enfarktüsü (MI) gibi kardiyovasküler hastalıklar arasında köprü kuran kesin mekanizmalar daha fazla açıklama gerektirir. MI, dünya çapında ölümlerin önde gelen nedenlerinden biridir ve önemli bir ekonomik yük getirmektedir. NAFLD hastalarında MI riski, NAFLD olmayanlara göre belirgin şekilde daha yüksektir ve bu koşulları birbirine bağlayan moleküler yolların daha derin bir şekilde anlaşılmasına duyulan ihtiyacı vurgulamaktadır. Enflamasyon, oksidatif stres ve lipid metabolizması katkıda bulunan faktörler olarak öne sürülmüş olsa da, kesin mekanizmalar belirsizliğini korumaktadır. NAFLD ile ilişkili MI'nın prognozu ve yönetimi hakkında bilgi sağlayabilecek yeni biyobelirteçlerin tanımlanmasına acil bir ihtiyaç vardır.

Sonuç olarak, bu çalışmada, NAFLD ve MI için RNA mikroarray veri setleri, NAFLD ve MI arasındaki diferansiyel olarak ifade edilen genlerin (DEG'ler) etkileşimini tanımlamak ve analiz etmek için Ulusal Biyoteknoloji Bilgi-Gen İfadesi Omnibus Merkezi'nden (NCBI-GEO, bkz. Malzeme Tablosu) indirilmiştir. Zenginleştirme analizi, protein-protein etkileşimi (PPI) ağ diyagramı oluşturma, destek vektörü makine-özyinelemeli özellik eliminasyonu (SVM-RFE), ve hub genleri 12,13,14,15,16,17,18,19 tanımlamak için en az mutlak büzülme ve seçim operatörü (LASSO) algoritmaları kullanıldı. NAFLD ve MI hastalarında immün hücreleri incelemek için immüno-infiltrasyon analizi yapıldı. Sonuç olarak, bu yöntemler NAFLD ve MI arasındaki ilişkiyi aydınlatmak için entegre edildi. Şekil 1, bu çalışmada izlenen tasarım sırasını göstermektedir. Bu çalışma, biyoinformatik, makine öğrenmesi ve immüno-infiltrasyon analizini bir araya getirerek, yeni bir tıbbi karar destek platformunun geliştirilmesine katkıda bulunmayı amaçlamaktadır.

Bu makalenin temel katkıları şunlardır: (1) Birlikte eksprese edilen genlerin tanımlanması: Çalışma, birlikte eksprese edilen genleri tanımlayarak NAFLD ve MI arasındaki ilişkiyi vurgulamakta ve bu iki durum arasındaki moleküler bağlantıların daha derin bir şekilde anlaşılmasını sağlamaktadır. (2) Biyoinformatik ve makine öğreniminin uygulanması: Destek vektörü makine özyinelemeli özellik eleme (SVM-RFE)17 ve en az mutlak büzülme ve seçim operatörü (LASSO)19 dahil olmak üzere biyoinformatik ve makine öğrenimi tekniklerini kullanan çalışma, THBS1'i diferansiyel olarak ifade edilen bir gen olarak tanımlar. THBS1, NAFLD ve MI hastalarını sağlıklı kontrollerden ayırt etmede yüksek performans gösterir. (3) İmmüno-infiltrasyon analizi: Çalışma, NAFLD ve MI'li hastalarda önemli ölçüde daha düşük CD8 + T hücresi seviyeleri ve daha yüksek nötrofil seviyeleri ortaya çıkaran bir immüno-infiltrasyon analizi yürütür. (4) Korelasyon analizi: Araştırma, THBS1'in CCR (kemokin reseptörü), MHC sınıf I (majör histouyumluluk kompleksi sınıf I), nötrofiller dahil olmak üzere çeşitli bağışıklık faktörleri ile pozitif korelasyon gösterdiğini göstermektedir. parainflamasyon ve Tfh (foliküler yardımcı T) hücreleri. CD8 + T hücreleri, sitolitik aktivite ve tümör infiltre eden lenfositler (TIL) ile negatif korelasyon gösterir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

Kullanılan veritabanlarının, web bağlantılarının ve yazılımların/paketlerin ayrıntıları Materyal Tablosunda listelenmiştir. Kullanılan simülasyon parametreleri Tablo 1'de verilmiştir.

1. RNA mikrodizi veri kümelerinin elde edilmesi

  1. Miyokard enfarktüsü (MI) veri setini (GSE66360) NCBI-GEO veritabanından indirin.
  2. Alkolsüz yağlı karaciğer hastalığı (NAFLD) veri setini GSE89632 NCBI-GEO veritabanından indirin.
  3. İndirilen veri kümelerinin 49 MI örneği, GSE66360 için 50 sağlıklı kontrol, 39 NAFLD örneği ve GSE89632 için 24 sağlıklı kontrol içerdiğinden emin olun.

2. DEG'lerin Tanımlanması

  1. Veri ön işleme ve DEG tanımlama
    1. Uygun R işlevlerini kullanarak veri kümelerini RStudio'ya yükleyin.
    2. Aşağıdaki eşiklere sahip DEG12'yi tanımlamak için R paketi limmasını kullanın: P < 0.05P ve | log FC | > 1.5.
    3. DEG'leri görselleştirmek için ısı haritaları ve Venn diyagramları oluşturmak için R paketleri pheatmap, ggplot2 ve Venn'i kullanın.
  2. Görselleştirmeler oluşturun
    1. DEG'lerin ısı haritalarını oluşturmak için pheatmap'i kullanın.
    2. NAFLD ve MI arasındaki DEG'lerin örtüşmesini gösteren Venn diyagramları oluşturmak için ggplot2'yi kullanın.

3. Zenginleştirme analizi

  1. GO, KEGG ve DO zenginleştirme analizi gerçekleştirin
    1. DEG'leri R paketi clusterProfiler13'e yükleyin.
    2. DEG'leri moleküler işlevlere, biyolojik süreçlere ve hücresel bileşenlere ayırmak için Gen Ontolojisi (GO) zenginleştirme analizi yapın.
    3. Kyoto Genler ve Genomlar Ansiklopedisi (KEGG) yol analizi yaparak DEG'leri biyokimyasal yollarla eşleştirin.
    4. DEG'leri belirli klinik durumlara bağlamak için Hastalık Ontolojisi (DO) zenginleştirme analizini kullanın.

4. ÜFE ağları oluşturarak ÜFE analizi

  1. 0,4 güven puanı ile co-DEG'lerin protein-protein etkileşimi (PPI) ağ diyagramlarını oluşturmak için STRING çevrimiçi platformunu14 kullanın.
  2. Cytoscape15 kullanarak PPI ağlarını görselleştirin.

5. Makine öğrenimi algoritmaları uygulayarak aday merkezi DEG taraması

  1. En ilgili DEG'leri seçmek için RStudio'da SVM-RFE (Destek Vektör Makinesi-Özyinelemeli Özyineleme Eleme) ve LASSO (En Az Mutlak Büzülme ve Seçim Operatörü) regresyon algoritmalarını kullanın 16,17,18.
  2. SVM-RFE'nin özellikleri yinelemeli olarak sıraladığından ve kaldırdığından emin olun, LASSO regresyonu19 ise seyrek bir DEG kümesini tanımlamak için düzenlileştirme uygular.

6. Teşhis performansını değerlendirmek için ROC eğrisi yapısı

  1. ROC (Alıcı Çalışma Karakteristiği) eğrisi analizi yapmak için RStudio'yu kullanın20.
  2. Önemli ortak DEG'ler için eğrinin altındaki alanı (AUC) hesaplayın.

7. İmmün infiltrasyonu keşfetmek için immüno-infiltrasyon analizi

  1. NAFLD ve MI21'de immün infiltrasyonu analiz etmek için R paketleri GSVA ve GSEABase'i kullanarak tek örnekli Gen Seti Zenginleştirme Analizi (ssGSEA) gerçekleştirin.
  2. NAFLD ve MI örnekleri ile sağlıklı kontroller arasındaki bağışıklık hücresi tiplerinin nispi bolluğunu karşılaştırın.

8. İstatistiksel analiz

  1. Tüm istatistiksel analizleri RStudio'da gerçekleştirin.
  2. Gen eş ekspresyon modellerini incelemek için Pearson korelasyon analizini uygulayın.
  3. P < 0.05 ile istatistiksel anlamlılık sağlayın.
    NOT: Protokolü başlatmadan önce tüm yazılımların ve R paketlerinin düzgün bir şekilde kurulduğundan ve en son sürümlerine güncellendiğinden emin olun.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

Önerilen çalışmanın temel bulguları, NAFLD ve MI'nın altında yatan moleküler mekanizmaları aydınlatmak için yapılan çeşitli analizleri kapsayan burada sunulmaktadır.

DEG'lerin Tanımlanması
GSE89632 veri setinde, 76 yukarı regüle ve 20 aşağı regüle gen NAFLD-DEG olarak tanımlanırken (Şekil 2B,D), GSE66360 veri setinde 118 yukarı regüle ve 8 aşağı regüle gen MI-DEG olarak ortaya çıktı (Şekil 2C,E

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

Bu çalışmada açıklanan yöntem, NAFLD ve MI'nın altında yatan moleküler mekanizmalara yönelik araştırmalar için önemli çıkarımlara sahiptir. Önerilen protokol, THBS1 gibi temel biyobelirteçleri tanımlayarak hem tanısal hem de terapötik müdahaleler için potansiyel hedefler sunmaktadır. Bu yaklaşım, yeni biyobelirteçlerin ve terapötik hedeflerin keşfini kolaylaştırarak, çoklu yolakları ve bağışıklık tepkilerini içeren diğer karmaşık hastalıklara genişletilebilir. Ayrıca, biyoinformatik ve m...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

Hiç kimse.

Teşekkürler

Bu çalışma, Çin Ulusal Doğa Bilimleri Vakfı (No. 62271511, U21A200949), Güney Harekat Alanı Komutanlığı Genel Hastanesi Yucai Vakfı (2022NZC011), Guangzhou Bilim ve Teknoloji Programı Projesi (2023A03J0170), Ulusal Geriatri Klinik Araştırma Merkezi (NCRCG-PLAGH-2023006) ve Guangdong Temel ve Uygulamalı Temel Araştırma Vakfı (No.2020A1515010288, No.2021A1515220101) tarafından desteklenmiştir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
CytoscapeCytoscape KonsorsiyumuSürüm 3.6.1Protein-protein etkileşimi (PPI) ağlarını
, MI veri kümesi GSE66360 (https://www.ncbi.nlm.nih.gov/geo/)NCBI-GEO veritabanı -Analiz için RNA mikrodizi veri kümelerini toplamak için
R paketi clusterProfilerBioconductor -GO, KEGG ve DO zenginleştirme analizleri için kullanılır
R paketi ggplot2CRAN -Venn diyagramları ve diğer görselleştirmeler oluşturmak için kullanılır
R paketi GSEABase< / güçlü >Biyoiletken& nbsp; -Gen seti zenginleştirme analizi için GSVA ile birlikte kullanılır
R paketi GSVA< / güçlü >Biyoiletken& nbsp; -Tek örnekli gen seti zenginleştirme analizi için kullanılır (ssGSEA)
R paketi limma< / güçlü >Biyoiletken  -Diferansiyel olarak ifade edilen genleri (DEG'ler) tanımlamak için kullanılır
R paketi pheatmapCRAN -Isı haritaları oluşturmak için kullanılır
R paketi vennCRAN -Venn diyagramları oluşturmak için kullanılır
RNA mikrodizi veri kümeleri (GSE66360, GSE89632)NCBI-GEO -Analiz için kullanılan halka açık RNA mikrodizi veri kümeleri
RStudioRStudio, PBCSürüm 1.4.1717R
String veritabanıSTRING (www.string-db.org/) -PPI ağları oluşturmak için çevrimiçi araç
görselleştirmek için kullanılır. için entegre geliştirme ortamı

Kaynaklar

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

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Daha fazla makale keşfet

Biyoinformatik AnalizMakine ÖğrenmesiDestek Vektör MakinesiProtein-Protein EtkileşimiDiferansiyel Eksprese GenCD8+ T HücreleriNötrofil Seviyeleri

Bu makale yayımlandı

Video yakında

Bize Ulaşın
Kütüphaneye Öner

Gizlilik

Kullanım Koşulları

Politikalar

Telif Hakkı © 2026 MyJoVE Corporation. Tüm hakları saklıdır.