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

Yöntem makalesi

Glikozilasyona Bağlı Genlerin İdiopatik Pulmoner Fibrozis'teki Rolünü Keşfetmek İçin Entegre Makine Öğrenimi Yaklaşımları

177 görüntülenme

⸱

DOI:

10.3791/71408

⸱

31 Temmuz 2026

 ,  ,  , 
1Department of Rheumatology and Immunology, The First Affiliated Hospital of Jinan University, 2Department of Rheumatology and Immunology, The First Affiliated Hospital of Bengbu Medical University

Bu makalede

Özet

Bu çalışma, idiopatik pulmoner fibrozla ilişkili glikozilasyona bağlı genleri tanımlamak için entegre transkriptomik analiz, makine öğrenimi (LASSO, SVM-RFE ve XGBoost), bağışıklık infiltrasyon analizi, moleküler kenetlenme ve RT-qPCR doğrulaması kullandı. On aday tanı geni belirlendi ve akciğer dokusu veri setlerinde güçlü performansa sahip bir tanı modeli geliştirilip doğrulandı.

Özet

İdiopatik pulmoner fibroz (IPF), etiyolojisi belirsiz olan ilerleyici bir kronik akciğer hastalığıdır ve glikozilasyona bağlı genlerin (GRG) patogenezine katkısı hâlâ yeterince anlaşılmamaktadır. Bu çalışma, IPF'deki GRG'lerin potansiyel mekanizmalarını aydınlatmaya, ana biyobelirteçleri belirlemeye ve biyobilişim ile makine öğrenimi kullanarak tanı modeli geliştirmeye odaklanmaktadır. GEO veritabanından alınan transkriptomik veriler, IPF'deki rollerini araştırmak için GRG'lerle entegre edildi. Farklı şekilde eksprese edilen genler (DEG) tanımlandı ve fonksiyonel zenginleştirme ile protein-protein etkileşimi (PPI) analizlerine tabi tutuldu. LASSO regresyonu, vektör makine özyinelemeli özellik eleme (SVM-RFE) ve XGBoost'u birleştiren bir makine öğrenimi iş akışı uygulandı; anahtar genleri tanımlamak ve GSE150910 eğitim veri seti kullanılarak tanı modeli oluşturuldu. Model performansı daha sonra dört bağımsız doğrulama veri setinde değerlendirildi. Tanımlanan genlerin biyolojik önemini incelemek için gen seti zenginleştirme analizi (GSEA), bağışıklık infiltrasyon analizi, ilaç-gen etkileşim analizi, moleküler kenetlenme ve IPF hastalarından ve sağlıklı kontrol gruplarından alınan periferik kan örnekleri kullanılarak RT-qPCR doğrulaması gibi ek analizler gerçekleştirildi. Toplamda 126 glikozilasyona bağlı DEG'ler tespit edildi ve 10 ana gen seçildi. Tanısal model, akciğer dokusu veri setlerinde 0.963 ve 0.814 eğri altı alan (AUC) değerlerini, kan veri setlerinde ise 0.681 ve 0.706 değerlerini elde etti. İmmün infiltrasyon analizi, hasta alt grupları arasında B-hücre bolluğunda farklılıklar ortaya koydu ve RT-qPCR doğrulaması klinik örneklerde seçilmiş genlerin farklı ekspresyonu doğruladı. Bu bulgular, GRG'lerin IPF'deki potansiyel rolüne dair içgörü sağlar ve aday tanı genleri olarak önemlerini destekler.

Giriş

İdiopatik pulmoner fibroz (IPF), genetik yatkınlık, çevresel tetikleyiciler ve bağışıklık fonksiyonunun 1,2 dahil olduğu heterojen patogenezle karakterize edilen, ilerleyici, fibrozlaşan interstisiyel bir akciğerhastalığıdır. Hastalık, öncelikle erken teşhis zorlukları, sınırlı terapötik etkinlik ve genel olarak kötü prognoz nedeniyle önemli klinik zorluklar sunmaktadır. IPF prevalansı her 100.000 hastada 20 ila 80 arasında değişir ve tedavi olmadan, tanıdan sonraki medyan sağlıklanma süresi genellikle 3–5 yıl 3,4 arasındadır. Hızlı hastalık ilerlemesi riski yüksek olan hastaların tespit edilmesi, etkili tedavi stratejileri için kritik öneme sahiptir ve hastalık düşüşü yaşama olasılığı en yüksek olanlar için hedefli tedaviler mümkün olur.

Glikozilasyon, proteinlerin eşzamanlı ve post-translasyonel modifikasyonu olup, protein aktivitesinin ve hücre biyolojisinin düzenlenmesindekritik bir rol oynar 5,6. Dengesiz protein glikozilasyonu muhtemelen IPFilerlemesine katkıda bulunur 7,8. Birçok romatizmal hastalıkta, protein glikozilasyonunda değişiklikler gözlemlenir ve bunlar inflamatuar süreçler ve hastalık ilerlemesiyle yakındanilişkilidir 9. Örneğin, Lyu ve ark. CRLF1 ve GLG1'in osteoartritin patolojiksüreçlerinde kilit oyuncular olduğunu bulmuşlardır 10. Ayrıca, glikozilasyon, akciğer dokularında bağışıklık hücresi aktivasyonunda rol oynamış ve bu da akciğer hastalıklarının patogenezi ile daha dailişkilendirilmiştir 11. Buna dayanarak, protein glikozilasyonunun düzensizliği IPF'nin ilerlemesine katkıda bulunabilir. Ancak, IPF'deki glikozilasyona bağlı genlerin (GRG) rolü hâlâ az araştırılmış ve IPF teşhisi konusundaki potansiyelleri daha fazla araştırma gerektirir.

Burada, IPF ile ilişkili anahtar GRG'leri belirlemek için makine öğrenimi yaklaşımları ve RNA dizileme verilerini entegre eden bir çalışma yürüttük. IPF'deki önceki çalışmalar genellikle geleneksel diferansiyel ifade analizlerine veya tek bir makine öğrenimi algoritmasına dayanmıştı; bu da aday biyobelirteçlerin sağlamlığını ve genellenebilirliğinisınırlayabilir 12,13. Bu sınırlamaları gidermek için, diferansiyel ifade analizini LASSO, SVM-RFE ve XGBoost dahil birden fazla makine öğrenimi algoritması ile birleştiren çok adımlı bir hesaplama iş akışı kullandık; böylece özellik seçimi güvenilirliğini artırdık. Ayrıca, tanı modeli birden fazla bağımsız veri seti üzerinde değerlendirilmiş ve temel bulgular klinik örneklerle daha da doğrulanmıştır. Daha sonra bir tanı modeli geliştirilip doğrulandı ve bağışıklık infiltrasyon özellikleri analiz edildi. Ayrıca, tanımlanan genlerle ilişkili bağışıklık mikroçevresi ve potansiyel moleküler etkileşimler araştırıldı. Bu çalışma IPF üzerine odaklanmış olsa da, burada kullanılan analitik strateji diğer kronik akciğer hastalıkları ve transkriptomik veri setlerine de uygulanabilir olabilir ve anahtar gen tanımlaması ve doğrulaması için tekrarlanabilir bir çerçeve sağlar. Belirli süreç için Şekil 1'e bakınız.

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

Protokol

Bu çalışma, Bengbu Tıp Üniversitesi İlk Bağlı Hastanesi Kurumsal İnceleme Kurulu tarafından onaylandı (Onay Numarası: 2023YJS162). Örnek toplamadan önce tüm katılımcılardan yazılı bilgilendirilmiş onay alındı.

Veri toplama

Bu çalışmada kullanılan transkriptom verileri, Gen İfadesi Omnibüs (GEO) veritabanından (https://www.ncbi.nlm.nih.gov/; RRID: SCR_005012). Birincil eğitim veri seti GSE150910, Illumina NovaSeq 6000 platformu (GPL24676) kullanılarak oluşturuldu ve 103 IPF ile 103 normal akciğer dokusu örneğinden oluşuyordu. Bulguları doğrulamak için bağımsız veri setleri GSE24206, GSE110147, GSE93606 ve GSE38958 kullanıldı. Her veri seti hakkında ayrıntılı bilgiler Tablo 1'de verilmiştir. Ayrıca, daha önce yayımlanmış14 çalışmadan toplam 636 GRG seçildi.

Glikozilasyona bağlı DEG'lerin diferansiyel ifade analizi ve fonksiyonel karakterizasyonu

GSE150910 veri setinden IPF ile normal akciğer dokusu örnekleri arasında farklı ekspresyon analizi, R paketi DESeq2 (RRID: SCR_015687) kullanılarak gerçekleştirildi. Ayarlanmış P-değeri (padj) olan genler < 0.05 ve |log2FoldChange| > 0.5 farklı ekspresyon genler (DEG) olarak kabul edildi. Glikozilasyona bağlı DEG'ler (GR-DEG'ler), DEG'lerin önceden tanımlanmış 636 GRG setiyle kesişmesiyle tanımlanmıştır. Bu genlerin biyolojik rollerini daha da araştırmak için, fonksiyonel rollerini ve yol katılımını açıklamak için Gen Ontolojisi (GO) zenginleştirme analizi ve Kyoto Genler ve Genomlar Ansiklopedisi (KEGG) yol analizi yapıldı. IPF'deki GR-DEG'lerin moleküler etkileşimlerini ve potansiyel düzenleyici mekanizmalarını açıklamak için STRING veritabanı (RRID: SCR_005223)15 kullanılarak etkileşim güven puanı 0.7 > eşik ile oluşturuldu.

Anahtar genlerin taraması ve tanı modelinin oluşturulması

GR-DEG'lerden IPF için anahtar genleri taramak için birden fazla makine öğrenimi algoritması kullandık. Başlangıçta, LASSO regresyonu (RRID: SCR_003418) ikili lojistik regresyon (aile = "binomial") ile donatıldı ve optimal ceza parametresi λ 10 kat çapraz doğrulama ile seçildi (nfold = 10). Nihai seçim sonuçları, λ_(min) (0.01700442) ile uyumlu sıfır olmayan katsayılara sahip özelliklerdi. SVM-RFE için, R paket karetinden RFE fonksiyonu kullanılmıştır. Recursif özellik eleme, 10 katlı çapraz doğrulama (yöntem = "cv", sayı = 10) ile gerçekleştirildi; özellikler kademeli olarak 1'den 126'ya kadar filtrelendi ve optimal özellik alt kümesi belirlenmek için doğruluk kullanıldı. XGBoost'ta amaç fonksiyonu ikili lojistik regresyon olarak ayarlandı (amaç = "ikili: lojistik"), değerlendirme metriği log kaybı (eval_metric = "logloss") olarak ayarlandı, yineleme sayısı (nrounds) 100 ve öğrenme oranı (eta) 0.1 olarak ayarlandı. En iyi 20 gen, özellik önem puanlarına (Kazanç) göre seçildi. Bu yöntemlerin sonuçları kesiştirilerek, temel genlerden oluşan rafine bir seti tanımlandı. Bu gen seti temelinde, eğitim veri seti (GSE150910) kullanılarak bir XGBoost tanı modeli oluşturuldu ve öngörücü performansı, harici doğrulama veri setlerinde (GSE110147, GSE24206, GSE93606 ve GSE38958) alıcı çalışma karakteristikleri (ROC) analiziyle değerlendirildi. Ayrıca, her seçilen genin hastalık olasılığına katkısını görselleştirmek için bir nomogram geliştirildi ve modelin klinik faydası kalibrasyon eğrileri ve karar eğrisi analizi (DCA) ile daha da değerlendirildi.

Ana genlerin biyolojik yollarının keşfi

Makine öğrenimi ile tanımlanan anahtar genlerin biyolojik bağlamını keşfetmek. Gen Seti Zenginleştirme Analizi (GSEA)16 , Moleküler İmzalar Veritabanı (MSigDB) (RRID: SCR_016863)17gen listelerine dayanarak gerçekleştirildi ve yollar NES > 1 için tarandı. Üstten zenginleştirilmiş yollar, enrichplot fonksiyonu kullanılarak görselleştirildi.

IPF alt tiplerinde ana gen puanlarına dayalı biyolojik fonksiyon ve bağışıklık ortamı farklılıklarının araştırılması

Belirlenen anahtar genlerin ifade profillerine dayanarak, tek örneklemli Gen Seti Zenginleştirme Analizi (ssGSEA) skorları hesaplandı ve IPF hastalarını medyan puana göre yüksek ve düşük puanlı gruplara katmanlamak için kullanıldı. İki grup arasında farklı ekspresyon analizi yapıldı, ardından GSEA (RRID: SCR_003199)18 ile GO Biyolojik Süreçleri (GOBP) ve DEG'ler üzerinde KEGG yol zenginleştirme analizleri yapıldı.

Bağışıklık hücresi sızması ve temel gen ifade farklılıklarının analizi

ssGSEA puanlarına dayalı alt grup tabakalaşması ardından, yüksek ve düşük puanlı gruplar arasındaki bağışıklık infiltrasyon farkları değerlendirildi. İlk olarak, örneklerdeki 22 bağışıklık hücre tipinin göreli bolluklarını CIBERSORT algoritması (RRID: SCR_016955)19 ile LM22 özellik matrisi kombinasyonuyla hesapladık. Özellikle, R paketi IOBR'deki deconv_tme fonksiyonu (parametreler: yöntem = "cibersort", dizileri = YANLI, perm = 200) hesaplamalar için kullanıldı ve kutu grafikleri ggpubr paketi (RRID: SCR_021139) kullanılarak yüksek ve düşük puanlı gruplar arasındaki bağışıklık hücresi sızma farklarını değerlendirmek için oluşturuldu. Ayrıca, R paketindeki GSVA (ssGSEA yöntemi kullanılarak) gsva fonksiyonu 28 bağışıklık hücre tipi için zenginleştirme puanları hesaplamak için kullanıldı. Bu puanlar daha sonra Min-Max ölçeklendirmesiyle normalleştirilerek [0, 1] aralığına eşlendi ve hücre tipleri arasında karşılaştırmalar yapıldı. Son olarak, GSE150910 ve GSE110147 veri setlerinde normal örnekler ile IPF hastaları arasındaki anahtar genlerin ekspresyonunu karşılaştırmak için Wilcoxon sıralama toplamı testleri yapıldı ve IPF alt grupları arasında bağışıklık hücresi infiltrasyonu ve gen ifade farklılıklarının kapsamlı analizini sağladı.

IPF hastalarında anahtar genlerin RT-qPCR analiziyle doğrulanması

Tanımlanan genlerin tanısal önemini doğrulamak için, XGBoost algoritmasından en yüksek önem puanlarına sahip altı gen, ters transkripsiyon nicel PCR (RT-qPCR) kullanılarak IPF hastalarında ve sağlıklı kontrollerde ifade seviyesi doğrulaması için seçildi. Bengbu Tıp Üniversitesi Birinci Bağlı Hastanesi'nden toplam 20 kan örneği alındı; bunların 9'u IPF hastalarından ve 11'i sağlıklı bireylerden alındı. Kan örneklerinden toplam RNA çıkarıldı ve RNA konsantrasyonu çok fonksiyonlu mikroplaka okuyucu kullanılarak ölçüldü. RNA kalitesi, sonraki analizlerden önce değerlendirildi. Genomik DNA ters transkripsiyon sırasında çıkarıldı ve RT-qPCR için kullanılan primer dizileri Tablo 2'de listelenmiştir. Astar özgüllüğü, erime eğrisi analiziyle doğrulandı. GAPDH, dahili referans gen olarak kullanıldı. Göreli gen ifade seviyeleri 2-ΔΔCt yöntemiyle hesaplandı. Bu doğrulama adımı, IPF'de tanımlanan genlerin farklı ifadesi ve potansiyel tanısal önemi için ön deneysel destek sağlar.

İstatistiksel analiz

Veriler R'de analiz edildi ve iki grup arasındaki farkları tespit etmek için Wilcoxon testi kullanıldı. GSEA, GO ve KEGG zenginleştirme analizi R paket kümesi Profiler (RRID: SCR_016884) kullanılarak gerçekleştirildi. P-değeri < 0.05 aksi belirtilmedikçe anlamlı olarak kabul edilmiştir.

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

Sonuçlar

GR-DEG'lerin fonksiyonel analizi ve etkileşim ağı analizi

IPF'de gen girişimini araştırmak için, GSE150910 diferansiyel ifade analizi yapıldı ve 4.216 DEG'ler tespit edildi (Şekil 2A). Bu DEG'lerin 636 GRG ile kesiştirilmesi, 126 hastalıkla ilişkili glikozilasyon geni tanımlanmıştır (Şekil 2B). Ayrıca, kesişim genlerinin potansiyel biyolojik işlevlerini değerlendirmek...

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

Tartışma

IPF, hastaların yaşam kalitesini önemli ölçüde düşüren ve erken ölümlere yol açan bilinmeyen kronik, ilerleyici birhastalıktır 4. Terapötik stratejilerdeki ilerlemelere rağmen, tanı sonrası medyan sağlık süresi düşük kalır ve IPF'nin patogenezi hâlâ tam olarakanlaşılmamıştır 22. Bu nedenle, IPF'nin altında yatan moleküler mekanizmaların aydınlatılması hem acil hem de kritiktir. Önceki çalışmalar, deregülasyonlu glikozilasyon ile akciğer has...

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

Açıklamalar

Yazarların beyan edecek çıkar çatışmaları yoktur.

Teşekkürler

Araştırma süreci boyunca destek ve yardım gösteren tüm meslektaşlarımıza teşekkürlerimizi sunarız. Onların iş birliği ve teşvikleri çalışmalarımız için paha biçilmez oldu. Bu araştırma dış bir fon almadı.

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

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
CaretR Foundation for Statistical ComputingVersion 6.0.94SVM-RFE
ClusterProfilerR Foundation for Statistical ComputingVersion 4.12.6GSEA, GO ve KEGG enrichment analizi
DESeq2R Foundation for Statistical ComputingVersion 1.44.0Diferansiyel ekspresyon analizi
Fast First-Strand cDNA Synthesis MixGoonie Biotech Co., Ltd.500-101RT-qPCR için cDNA sentezi
FastTaq qPCR SYBR Green Master MixGooniebio500-102Kantitatif PCR amplifikasyonu
Fluorescent Quantitative PCR SystemBio-Rad Laboratories, Inc.CFX96Kantitatif PCR amplifikasyonu
GEO DatabaseNCBIhttps://www.ncbi.nlm.nih.gov/geo/Transkriptom veri kaynağı
ggpubr R Foundation for Statistical ComputingVersion 0.6.0Kutulu grafik oluşturma
GSVAR Foundation for Statistical ComputingVersion 1.52.3ssGSEA
MSigDBBroad Institutehttps://www.gsea-msigdb.org/GSEA analizi
PCR SystemBio-Rad Laboratories, Inc.PTC TempoRT-qPCR için cDNA sentezi
PrimersTsingke Biotechnology Co., Ltd.N/AÖzel qPCR primer sentezi
R softwareR Foundation for Statistical ComputingVersion 4.4.1İstatistiksel analiz ve görselleştirme
RNA Isolater Total RNA Extraction ReagentVazyme Biotech Co., Ltd.R401-01Tam kandan toplam RNA ekstraksiyonu
STRING DatabaseSTRING Consortiumhttps://string-db.org/PPI ağı yapımı
Synergy HTX Multi-Mode ReaderBioTek Instruments, Inc.Synergy HTXRNA konsantrasyon ölçümü

Kaynaklar

  1. Koudstaal T, Wijsenbeek MS. Idiopathic pulmonary fibrosis. Presse Med. 2023;52(3):104166.
  2. Moss BJ, Ryter SW, Rosas IO. Pathogenic Mechanisms Underlying Idiopathic Pulmonary Fibrosis. Annu Rev Pathol. 2022;17:515-46.
  3. Bonella F, Spagnolo P, Ryerson C. Current and Future Treatment Landscape for Idiopathic Pulmonary Fibrosis. Drugs. 2023;83(17):1581-93.
  4. Spagnolo P, et al. Idiopathic pulmonary fibrosis: Disease mechanisms and drug development. Pharmacol Ther. 2021;222:107798.
  5. Schjoldager KT, Narimatsu Y, Joshi HJ, Clausen H. Global view of human protein glycosylation pathways and functions. Nat Rev Mol Cell Biol. 2020;21(12):729-49.
  6. He M, Zhou X, Wang X. Glycosylation: mechanisms, biological functions and clinical implications. Signal Transduct Target Ther. 2024;9(1):194.
  7. Xie X, Kong S, Cao W. Targeting protein glycosylation to regulate inflammation in the respiratory tract: novel diagnostic and therapeutic candidates for chronic respiratory diseases. Front Immunol. 2023;14:1168023.
  8. Shi X, et al. Secreted RCN3 acts as an early epithelial-fibroblast mediator via TGFβR1-Smad signaling in post-ALI pulmonary fibrosis. Cell Commun Signal. 2026;24(1).
  9. Kissel T, Toes REM, Huizinga TWJ, Wuhrer M. Glycobiology of rheumatic diseases. Nat Rev Rheumatol. 2023;19(1):28-43.
  10. Lyu Y, et al. Identification of proteins and N-glycosylation sites of knee cartilage in Kashin-Beck disease compared with osteoarthritis. Int J Biol Macromol. 2022;210:128-38.
  11. Komaromy A, Reider B, Jarvas G, Guttman A. Glycoprotein biomarkers and analysis in chronic obstructive pulmonary disease and lung cancer with special focus on serum immunoglobulin G. Clin Chim Acta. 2020;506:204-13.
  12. Ruan H, Ren C. Integrating machine learning with bioinformatics for predicting idiopathic pulmonary fibrosis prognosis: developing an individualized clinical prediction tool. Exp Biol Med (Maywood). 2024;249:10215.
  13. Wang L, et al. Serum Proteomics Identifies Biomarkers Associated With the Pathogenesis of Idiopathic Pulmonary Fibrosis. Mol Cell Proteomics. 2023;22(4):100524.
  14. Shi Y, et al. Glycosylation-related molecular subtypes and risk score of hepatocellular carcinoma: Novel insights to clinical decision-making. Front Endocrinol (Lausanne). 2022;13:1090324.
  15. Szklarczyk D, et al. The STRING database in 2023: protein-protein association networks and functional enrichment analyses for any sequenced genome of interest. Nucleic Acids Res. 2023;51(D1):D638-d46.
  16. Yan S, et al. Identification of ITGAX and CCR1 as potential biomarkers of atherosclerosis via Gene Set Enrichment Analysis. J Int Med Res. 2022;50(3):3000605211039480.
  17. Wang T, He Q, Chan KHK. A Multi-omics approach to identify and validate shared genetic architecture in rheumatoid arthritis, multiple sclerosis, and type 1 diabetes: integrating GWAS, GEO, MSigDB, and scRNA-seq data. Funct Integr Genomics. 2025;25(1):91.
  18. Lu Y, Lu D, Li C, Chen L. Exploring Immune Cell Infiltration and Small Molecule Compounds for Ulcerative Colitis Treatment. Genes (Basel). 2024;15(12).
  19. Guan M, Jiao Y, Zhou L. Immune Infiltration Analysis with the CIBERSORT Method in Lung Cancer. Dis Markers. 2022;2022:3186427.
  20. Roy D, Ramasamy R, Schmidt AM. Journey to a Receptor for Advanced Glycation End Products Connection in Severe Acute Respiratory Syndrome Coronavirus 2 Infection: With Stops Along the Way in the Lung, Heart, Blood Vessels, and Adipose Tissue. Arterioscler Thromb Vasc Biol. 2021;41(2):614-27.
  21. Li Z, Yang P, Feng B. Effect of atorvastatin on AGEs-induced injury of cerebral cortex via inhibiting NADPH oxidase -NF-κB pathway in ApoE(-/-) mice. Mol Biol Rep. 2020;47(12):9479-88.
  22. Liu GY, Budinger GRS, Dematte JE. Advances in the management of idiopathic pulmonary fibrosis and progressive pulmonary fibrosis. Bmj. 2022;377:e066354.
  23. Liao Y, et al. Integrating cellular experiments, single-cell sequencing, and machine learning to identify endoplasmic reticulum stress biomarkers in idiopathic pulmonary fibrosis. Ann Med. 2024;56(1):2409352.
  24. Liu B, et al. A novel model for predicting prognosis in patients with idiopathic pulmonary fibrosis based on endoplasmic reticulum stress-related genes. Cell Biol Int. 2024;48(4):483-95.
  25. Zhu H, et al. Comprehensive analysis of an endoplasmic reticulum stress-related gene prediction model and immune infiltration in idiopathic pulmonary fibrosis. Front Immunol. 2023;14:1305025.
  26. Yeo HJ, et al. Development of a Novel Biomarker for the Progression of Idiopathic Pulmonary Fibrosis. Int J Mol Sci. 2024;25(1).
  27. Perkins TN, Oury TD. The perplexing role of RAGE in pulmonary fibrosis: causality or casualty? Ther Adv Respir Dis. 2021;15:17534666211016071.
  28. Dai J, et al. Construction of a lipid metabolism-related and immune-associated prognostic score for gastric cancer. BMC Medical Genomics. 2023;16(1):93.
  29. Li W, et al. An 11-gene glycosyltransferases-related model for the prognosis of patients with bladder urothelial carcinoma: development and validation based on TCGA and GEO datasets. Translational Andrology and Urology. 2024;13(12).
  30. Li SJ, et al. Identifying causal genes for migraine by integrating the proteome and transcriptome. J Headache Pain. 2023;24(1):111.
  31. Zhang W, et al. ANK2 as a novel predictive biomarker for immune checkpoint inhibitors and its correlation with antitumor immunity in lung adenocarcinoma. BMC Pulm Med. 2022;22(1):483.
  32. Burkhard T, et al. BS10 Characterising the degradome of the metalloprotease ADAMTS8: implications for pulmonary arterial hypertension. BMJ Publishing Group Ltd and British Cardiovascular Society; 2025.
  33. Lee HC, et al. The Therapeutic Potential of ADAMTS8 in Lung Adenocarcinoma without Targetable Therapy. J Pers Med. 2022;12(6).
  34. Bera T, Ghosh M, Ghosh SK. Elucidating the mycochemistry and anticancer efficacy of F5 fraction of ethanolic extract of Daldinia eschscholtzii. Scientific Reports. 2025;15(1):34953.
  35. Li F, et al. Construction and validation of a prognostic model for lung adenocarcinoma based on endoplasmic reticulum stress-related genes. Sci Rep. 2022;12(1):19857.
  36. Lin L, et al. Integrated profiling of endoplasmic reticulum stress-related DERL3 in the prognostic and immune features of lung adenocarcinoma. Front Immunol. 2022;13:906420.

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

Yeniden basım ve izinler

Etiketler

BiyokimyaSayı 233Sayı 233Boş DeğerSayıİmmün infiltrasyon
Bize Ulaşın
Kütüphaneye Öner

Gizlilik

Kullanım Koşulları

Politikalar

Telif Hakkı © 2026 MyJoVE Corporation. Tüm hakları saklıdır.