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

Araştırma makalesi

Tanısal Bir Biyobelirteç Olarak UPP1: KOAH'ta İntegratif Biyoenformatik ve İmmün İnfiltrasyon Analizlerinden Elde Edilen Bulgular

62 görüntülenme

⸱

DOI:

10.3791/72242

⸱

3 Eylül 2026

 ,  ,  ,  ,  ,  , 
1Shenzhen Luohu Hospital of Traditional Chinese Medicine, 2Tianbei Community Health Service Center of Shenzhen Luohu Hospital Group, 3Guangdong Provincial Hospital of Chinese Medicine

* These authors contributed equally

Bu makalede

Özet

Bu çalışma, kronik obstrüktif akciğer hastalığında (KOAH) potansiyelle tanısal biyobelirteçleri ve düzenleyici ağları belirlemek için transkriptomik, makine öğrenimi ve immün infiltrasyon analizini entegre eden, tekrarlanabilir bir biyoinformatik boru hattı sunmaktadır.

Özet

KOAH, kalıcı hava akımı kısıtlaması ve kronik inflamasyon ile karakterize progresif bir solunum yolu hastalığıdır, ancak N4-asetilsitidin (ac4C) RNA modifikasyonunun patogenezindeki rolü büyük ölçüde keşfedilmemiş durumdadır. Bu çalışma, yayınlanmış bir veri tabanından ac4C ile ilişkili genleri (ac4C-RG'ler) sistematik olarak taramayı ve KOAH'taki düzenleyici ağlarını araştırmayı, böylece herhangi bir spesifik gen ile ac4C modifikasyonu arasında doğrudan bir düzenleyici ilişki varsaymadan ilerideki mekanistik çalışmalar için potansiyel biyobelirteçler belirlemeyi amaçlamıştır. Transkriptomik profillerdenle diferansiyel olarak ekspresyon gösteren genler (DEG'ler) tanımlanmış ve temel ko-ekspresyon modüllerini ortaya çıkarmak için ağırlıklı gen ko-ekspresyon ağ analizi (WGCNA) uygulanmıştır. DEG'ler, anlamlı modüller ve ac4C-RG'ler arasında çapraz analiz gerçekleştirilmiştir. Anahtar genler LASSO regresyonu, XGBoost ve rastgele orman algoritmaları kullanılarak taranmış, ardından lojistik regresyona dayalı tanısal model oluşturulmuştur. Model performansı, alıcı işletim karakteristiği (ROC) eğrisi analizi, %95 güven aralıklarıyla eğri altındaki alan (AUC), kalibrasyon eğrisi değerlendirmesi ve karar eğrisi analizi (DCA) ile değerlendirilmiştir. Toplam 160 örtüşen gen tanımlanmış ve altı hub gen (PTRF, PRKCDBP, UPP1, TOR3A, FAM168B ve B4GALT2) üç makine öğrenimi algoritmasının tamamı tarafından tutarlı bir şekilde seçilmiştir. Tanısal model; eğitim, dahili test ve harici doğrulama setlerinde sırasıyla 0,766, 0,759 ve 0,723'lük AUC değerleri ile iyi bir ayırt edici performans göstermiştir. Düzenleyici ağ analizi, potansiyel ceRNA eksenleri ve transkripsiyon faktörü etkileşimleri önermiş; immün infiltrasyon profillemesi ise anahtar genler ile birden fazla immün hücre alt kümesi arasında anlamlı korelasyonlar ortaya koymuştur. İlaç-gen etkileşim analizi ve moleküler kenetlenme, fluorouracil, capecitabine ve 5-benzylacyclouridine'in UPP1 ile öngörülen uygun bağlanma afiniteleri sergileyebileceğini göstermiştir. Sonuç olarak, PTRF, PRKCDBP, UPP1, TOR3A, FAM168B ve B4GALT2, KOAH'ta potansiyel ac4C ile ilişkili biyobelirteçler olarak tanımlanmış, bunların immün ve metabolik düzenlemede rol oynamış olabileceği belirlenmiş ve gelecekteki fonksiyonel araştırmalar ile terapötik keşifler için bir temel oluşturulmuştur.

Giriş

KOAH, alveoler ve havayolu yapılarındaki anormalliklerden kaynaklanan progresif hava akımı kısıtlaması ile karakterize, kronik ve heterojen bir solunum yolu hastalığıdır1,2. Proteaz-antiproteaz dengesizliği, oksidatif stres, kronik inflamasyon ve hücresel senesans, KOAH'ın temel patofizyolojik mekanizmalarını oluşturarak akciğer dokusunun yapısal yıkımına ve fonksiyonel bozulmasına yol açar3,4. Ayrıca KOAH; uzun süreli sigara kullanımı, çevresel kirlilik, mesleki maruziyet, solunum yolu enfeksiyonları ve genetik yatkınlık dahil olmak üzere çok sayıda risk faktöründen etkilenmektedir5,6. KOAH, küresel ekonomi üzerinde önemli bir yük oluşturmuştur. 2020'den 2050'ye kadar yıllık olarak küresel GSYİH'nın %0,111'ini oluşturacağı öngörülmektedir7. Bronkodilatörler, inhale kortikosteroidler, pulmoner rehabilitasyon ve uzun süreli oksijen tedavisi gibi güncel terapötik stratejiler semptomları hafifletebilse de, hastalığın ilerlemesini durdurmak hala zorlayıcıdır. Belirgin klinik heterojenlik nedeniyle, hasta sonuçları geniş farklılıklar göstermektedir8. Bu nedenle, KOAH yönetimini geliştirmek ve hasta sağkalımını artırmak için yeni tanısal biyobelirteçlere ve prognostik göstergelere acil ihtiyaç vardır.

RNA modifikasyonu, gen ekspresyonunu düzenlemek için RNA yapısını ve işlevini değiştirebilen RNA moleküllerinin kimyasal değişimini ifade eder9,10. Yaygın RNA modifikasyonları arasında N6-metiladenozin (m6A), psödouridin (Ψ), 5-metilsitozin (m5C) ve ac4C yer alır11. ac4C modifikasyonu, mRNA stabilitesinin korunmasında ve mRNA translasyonunun teşvik edilmesinde kritik bir rol oynar12,13. NAT10, ac4C modifikasyonunu katalizleyen bilinen tek ökaryotik enzimdir ve aktivitesi bu modifikasyonun oluşumu için esastır14. Çalışmalar; oksidatif stres, hücresel senesans, inflamasyon ve ac4C modifikasyonu arasında güçlü bir korelasyon olduğunu göstermiştir. Örneğin, inflamatuar bağırsak hastalığı (IBD) olan bireylerden alınan kolon dokularındaki CD4+ T lenfositleri, belirgin şekilde yükselmiş NAT10 seviyeleri sergilemektedir15. NAT10, CCL2 ve CXCL1 kemokinlerinin ac4C asetilasyonunu artırarak makrofaj ve nötrofil infiltrasyonunu teşvik eder ve inflamatuar hasarı şiddetlendirir16. Oksidatif stres altında ac4C seviyelerindeki belirgin artışla kanıtlandığı üzere, oksidatif strese verilen hücresel yanıt ac4C modifikasyonunu içerebilir. Ek olarak NAT10, TGFB1 mRNA'sını ac4C modifikasyonu aracılığıyla stabilize ederek PM2.5-indükli pulmoner fibrozisi teşvik eder ve böylece epitel-mezenşimal geçişi tetikler17. Ancak, ac4C modifikasyonunun KOAH'taki rolü büyük ölçüde araştırılmamıştır ve bu durum, söz konusu alanda daha fazla araştırmaya olan ihtiyacı vurgulamaktadır.

Bu çalışmada, KOAH hastaları ve kontroller arasındaki DEG'leri belirlemek için GEO veri tabanı kullanılmıştır. Ardından, multiomik verilerden derlenen yayınlanmış bir ac4C-RG listesi18, örtüşen adayları belirlemek amacıyla DEG'lerle entegre edilmiştir. ac4C modifikasyonunun KOAH'ın temel süreçleri olan inflamasyon ve oksidatif stresi etkilediği bilindiğinden, ac4C düzenleyici ağıyla ilişkili genlerin KOAH'ta düzensiz çalışabileceği hipotezi kurulmuştur. Ancak, örtüşen genler NAT10'un doğrudan substratları veya doğrudan ac4C tarafından düzenlenen genler olarak değil, ac4C ile ilişkili ağla bağlantılı adaylar olarak değerlendirilmiştir. Anahtar genler, birden fazla makine öğrenimi algoritması kullanılarak taranmış, ardından bir tanı modelinin kurulumu ve doğrulanması gerçekleştirilmiştir. Sonrasında, KOAH patogenezinde rol oynayan ilgili yolaklar belirlenmiş ve potansiyel hedef ilaçlar tahmin edilmiştir. Son olarak, anahtar genlerin ekspresyon seviyelerini doğrulamak için RT-qPCR analizleri yapılmış; böylece KOAH patofizyolojisine dair ön bilgiler edinilmiş ve terapötik araştırmalar için potansiyel yollar sunulmuştur.

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

Protokol

Kurumsal inceleme kurulu beyanı

Bu çalışma Helsinki Deklarasyonu'na uygun olarak yürütülmüştür. Protokol, Shenzhen Luohu Geleneksel Çin Tıbbı Hastanesi Etik Kurulu tarafından onaylanmış (onay no. 2024-LHQZYYYXLL-KY-039) ve kayıt öncesinde tüm katılımcılardan yazılı bilgilendirilmiş onam alınmıştır. Bu protokolde kullanılan araştırma araçlarının ve malzemelerinin ayrıntıları Malzemeler Tablosunda sunulmuştur.

Veri kaynağı ve işleme

KOAH ile ilişkili gen ekspresyon veri setleri Gene Expression Omnibus (GEO) üzerinden elde edilmiştir. Transkriptom veri seti olarak GSE54837 veri seti, doğrulama seti olarak ise GSE112811 veri seti kullanılmıştır (Tablo 1). ac4C-RG'ler literatürden derlenmiştir18. KOAH ve kontrol grupları arasındaki diferansiyel olarak eksprese edilen genler (DEG'ler), limma R paketi kullanılarak belirlenmiştir. |log2FC| > 0 ve p < 0,05 olması durumunda DEG'ler istatistiksel olarak anlamlı kabul edilmiştir. Gen ekspresyon değişikliklerinin genel dağılımını görselleştirmek için yanardağ (volcano) grafikleri oluşturulmuştur.

WGCNA'nın Oluşturulması

KOAH ile ilişkili modülleri belirlemek amacıyla, R kullanılarak GSE54837 veri seti üzerinde WGCNA gerçekleştirilmiştir. Ağ yapımından önce, ortalama bağlama yöntemi ve Öklid mesafe metriği ile hclust fonksiyonu kullanılarak yapılan hiyerarşik kümeleme analizi yoluyla aykırı örnekler tespit edilmiş ve çıkarılmıştır. Optimal yumuşak eşikleme gücü (β ölçeksiz topoloji uyum indeksi R'yi elde etmek için (= 10) seçilmiştir2 ölçeksiz topoloji ve ortalama bağlantısallığı dengeleyen ≥ 0,85 değeri kullanılmıştır. Bir komşuluk matrisi oluşturulmuş ve topolojik örtüşme matrisine (TOM) dönüştürülmüştür. Gen modülleri, dinamik ağ kesme algoritması (deepSplit = 2, minClusterSize = 50) kullanılarak tanımlanmıştır. Eigengene korelasyonlarına sahip modüller > 0,75 değeri, ardından mergeCloseModules fonksiyonu kullanılarak birleştirilmiştir. Daha sonra, sonraki analizler için KOAH ile ilişkili modülleri belirlemek amacıyla modül özgenleri, Pearson korelasyon katsayıları kullanılarak klinik özelliklerle (KOAH durumu, yaş, cinsiyet ve sigara içme durumu) korele edilmiştir.

Örtüşen genlerin taranması, zenginleştirme analizi ve PPI ağ analizi

DEG'ler, MEsalmon modül genleri ve ac4C-RG'ler arasındaki örtüşen genleri belirlemek için ggvenn R paketi kullanılarak bir Venn diyagramı oluşturulmuştur. Örtüşen genlerin fonksiyonel zenginleştirme analizi, clusterProfiler R paketi ile Gene Ontology (GO) ve Kyoto Encyclopedia of Genes and Genomes (KEGG) veri tabanları kullanılarak gerçekleştirilmiştir. Örtüşen genler arasındaki protein düzeyindeki etkileşimleri analiz etmek için protein-protein etkileşim (PPI) bilgileri STRING veri tabanından (https://string-db.org/) elde edilmiştir. Elde edilen PPI ağını görselleştirmek için Cytoscape yazılımı kullanılmıştır.

Makine öğrenimi aracılığıyla anahtar genlerin belirlenmesi

Üç makine öğrenimi tekniği uygulanmıştır: en küçük mutlak büzülme ve seçme operatörü (LASSO) regresyonu, ekstremi gradyan artırma (XGBoost) ve rastgele orman (RF). LASSO regresyonu, optimal ceza parametresi λ'yi belirlemek için 10 katlı çapraz doğrulama ile glmnet paketi kullanılarak gerçekleştirilmiştir. type.measure parametresi "deviance" ve family parametresi "binomial" olarak ayarlanmıştır. Optimal λ, çapraz doğrulanmış sapmayı minimize eden λmin kriteri kullanılarak seçilmiş ve sonuçta 17 gen elde edilmiştir. XGBoost, xgboost paketi kullanılarak şu hiperparametrelerle uygulanmıştır: nrounds = 100, max_depth = 6, eta = 0.3, subsample = 0.8, colsample_bytree = 0.8 ve eval_metric = "logloss". Özellik önemi gain metriği ile sıralanmış ve en iyi 30 gen seçilmiştir. Rastgele orman, randomForest paketi kullanılarak ntree = 200 ile uygulanmıştır. Özellik önemi, Gini'deki ortalama azalma ile sıralanmış ve en iyi 30 gen seçilmiştir. Sonraki analizler için anahtar genleri belirlemek amacıyla, üç makine öğrenimi yöntemiyle seçilen genlerin kesişimi alınmıştır.

Risk tahmini için lojistik regresyon modelinin oluşturulması ve değerlendirilmesi

GSE54837 veri seti, rastgele olarak bir eğitim seti (%70) ve bir test seti (%30) şeklinde ikiye ayrılmıştır. Temel genlerin ekspresyon seviyeleri girdi özellikleri olarak kullanılarak, MASS paketindeki glm fonksiyonu ile eğitim seti üzerinde bir lojistik regresyon modeli oluşturulmuştur. Model performansı, pROC paketi ile oluşturulan ROC eğrileri kullanılarak değerlendirilmiştir. AUC için %95 güven aralıkları, 2.000 bootstrap tekrarı ile hesaplanmıştır. Model kalibrasyonu, 1.000 bootstrap yeniden örneklemesiyle (rms paketi) oluşturulan kalibrasyon eğrileri kullanılarak değerlendirilmiştir. Bir dizi eşik olasılığı boyunca net klinik faydayı değerlendirmek için dca paketi kullanılarak DCA gerçekleştirilmiştir. Bireyselleştirilmiş risk tahminini kolaylaştırmak amacıyla, rms paketindeki nomogram fonksiyonu kullanılarak bir nomogram oluşturulmuştur.

Regresyon denklemi şuydu:

logit(P) = 0.5823 + 0.6010 × UPP1 - 0.6563 × PTRF + 0.3853 × B4GALT2 - 0.3972 × FAM168B + 0.1848 × PRKCDBP - 0.4787 × TOR3A.   (1)

Burada P, KOAH'ın öngörülen olasılığını temsil eder ve her bir katsayı, ilgili gen ekspresyon değerinin KOAH log oranlarına (log odds) olan katkısını temsil eder.

Ekspresyon analizi, GeneMANIA ağı ve moleküler düzenleyici ağ

GSE54837 veri setindeki KOAH ve kontrol grupları arasındaki gen ekspresyon seviyeleri, Wilcoxon sıra toplamı testi kullanılarak karşılaştırıldı. Ekspresyon seviyelerinin dağılımını görselleştirmek için, medyan, çeyrekler arası aralık (IQR) ve bireysel veri noktalarının üzerine eklendiği kutu grafikleri ggplot2 paketi kullanılarak oluşturuldu. Gen ağlarını kurmak ve fonksiyonel etkileşimleri tahmin etmek için GeneMANIA kullanıldı. Arama, varsayılan parametrelerle gerçekleştirildi: tür = Homo sapiens, maksimum ilgili gen sayısı = 20. Ortaya çıkan ağ indirildi ve görselleştirildi; kenar renkleri etkileşim türlerini belirtmektedir. Transkripsiyon sonrası düzenleyici mekanizmaları incelemek için rekabetçi endojen RNA (ceRNA) ağı kuruldu. Altı ana geni hedefleyen miRNA'lar, iki bağımsız veri tabanı kullanılarak tahmin edildi: DIANA-microT (skor ≥ 0,8) ve miRanda (skor ≥ 140, enerji ≤ −20 kcal/mol). Her iki veri tabanı tarafından tanımlanan miRNA'ların kesişimi, miRNA-mRNA çiftlerini oluşturmak için kullanıldı. Ardından, bu miRNA'ları hedefleyen lncRNA'lar StarBase veri tabanı kullanılarak tahmin edildi. Bir lncRNA-miRNA-mRNA düzenleyici ağı kuruldu ve Cytoscape kullanılarak görselleştirildi. Transkripsiyonel düzenleyici ilişkiler, ChIP-X Enrichment Analysis Version 3 (ChEA3) kullanılarak tahmin edildi. TF tahmini yapılan her bir ana gen için, en yüksek zenginleştirme skoruna sahip ilk 10 transkripsiyon faktörü seçildi. Cytoscape'de bir TF-hedef düzenleyici ağı kuruldu.

Gen seti zenginleştirme analizi ve immün hücre infiltrasyon değerlendirmesi

Her bir ana genin biyolojik fonksiyonlarını incelemek için clusterProfiler paketi kullanılarak gen seti zenginleştirme analizi (GSEA) gerçekleştirilmiştir. Her bir ana gen için örnekler, medyan değere göre yüksek ve düşük ekspresyon gruplarına ayrılmıştır. İki grup arasındaki diferansiyel ekspresyon analizi limma kullanılarak yapılmış ve elde edilen gen listesi, işaretli log₂ kat değişimine (fold-change) göre sıralanmıştır. GSEA, GO biyolojik süreç terimleri için gseGO fonksiyonu ve KEGG yolakları için gseKEGG fonksiyonu kullanılarak şu parametrelerle yürütülmüştür: minGSSize = 10, maxGSSize = 500, pvalueCutoff = 0.05 ve nPerm = 1.000. 28 immün hücre tipinin göreceli bolluğu, GSVA paketinde yer alan tek örnek gen seti zenginleştirme analizi (ssGSEA) kullanılarak tahmin edilmiştir. 28 immün hücre tipi için marker genleri içeren küratörlü bir gen seti imza matrisi, önceki literatürden19 elde edilmiştir. Her bir örnek için gsva fonksiyonu; method = "ssgsea", ssgsea.norm = TRUE ve kcdf = "Gaussian" parametreleri ile uygulanmıştır. ssGSEA zenginleştirme skorları ile altı ana genin ekspresyon seviyeleri arasındaki Spearman korelasyon katsayıları cor.test fonksiyonu kullanılarak hesaplanmıştır. p değerleri, Benjamini-Hochberg yöntemi kullanılarak çoklu testler için düzeltilmiştir. Korelasyon matrisi, pheatmap paketi kullanılarak bir ısı haritası (heatmap) şeklinde görselleştirilmiştir.

İlaç tahmini, moleküler kenetleme ve hastalık ilişkisi analizi

Temel genleri hedefleyen potansiyel terapötik bileşikler DrugBank veri tabanı kullanılarak belirlendi. Tahmin edilen ilaç-gen etkileşimlerini görselleştirmek için Cytoscape programında bir “temel gen hedefli ilaç” etkileşim ağı oluşturuldu. Bağlanma afinitelerini değerlendirmek için CB-Dock2 platformu kullanılarak moleküler kenetleme gerçekleştirildi. İnsan UPP1 proteininin 3D yapısı Protein Veri Bankası'ndan (PDB ID: 7B8T) alındı. İlaç moleküler yapıları (SMILES formatında) PubChem'den elde edildi. Kenetleme işlemi AutoDock Vina motoru kullanılarak gerçekleştirildi ve çıktılar bağlanma serbest enerjisine (ΔG, kcal/mol cinsinden) göre sıralandı. Kenetleme kompleksleri PyMOL kullanılarak görselleştirildi. Temel genler ile çevresel maruziyetlerle ilişkili insan hastalıkları arasındaki ilişkiler Karşılaştırmalı Toksikogenomik Veri Tabanı (CTD) kullanılarak incelendi. Her gen için ayrı ayrı sorgulama yapıldı ve en güçlü ilişkili ilk on hastalık çıkarılarak radar grafikleri ile görselleştirildi.

RT-qPCR protokolü

Sekiz KOAH hastası ve sekiz sağlıklı kontrolden periferik venöz kan örnekleri Shenzhen Luohu Geleneksel Çin Tıbbı Hastanesi'nde toplanmıştır. KOAH, post-bronkodilatör FEV1/FVC < 0,70 olarak tanımlanan Global Initiative for Chronic Obstructive Lung Disease (GOLD) kriterlerine göre teşhis edilmiştir. Kontrol grubu, solunum yolu hastalığı öyküsü olmayan ve pulmoner fonksiyon testleri normal (tahmin edilen FEV1% ≥ %80 ve FEV1/FVC ≥ 0,70) olan, yaş ve cinsiyetten eşleştirilmiş sağlıklı gönüllülerden oluşmuştur. Hastaların temel bilgileri Tablo 2'de gösterilmektedir. Toplam RNA, bir kan RNA ekstraksiyon kiti kullanılarak KOAH kan örneklerinden ekstrakte edilmiştir. cDNA sentezi için, 500 ng toplam RNA, genetik DNA uzaklaştırma özellikli bir cDNA sentez kiti kullanılarak sağlanan protokole uygun şekilde ters yazıma uğratılmıştır. Elde edilen cDNA, 150 ng/μL olacak şekilde seyreltilmiştir.

RT-qPCR, bir gerçek zamanlı PCR sisteminde SYBR Green bazlı bir qPCR master mix kullanılarak gerçekleştirildi. Her 10 μL'lik reaksiyon; 5 μL 2x SYBR Green master mix, 0.5 μL'lik ileri ve geri primerler (10 μM), 1 μL seyreltilmiş cDNA (15 ng/μL) ve 3 μL nükleaz içermeyen su içeriyordu. Döngü koşulları; 5 dk boyunca 95 °C'de başlangıç denatürasyonunu, ardından 10 s 95 °C ve 30 s 60 °C şeklinde 40 döngüyü ve amplifikasyon özgünlüğünü doğrulamak için 60 °C'den 95 °C'ye kadar yapılan final erime eğrisi analizini içeriyordu. Tüm reaksiyonlar teknik olarak üç tekrar şeklinde gerçekleştirildi. İç referans gen olarak β-actin kullanıldı. Her bir hedef gen için primer verimliliği, standart eğri dilüsyon serileri kullanılarak doğrulandı ve %90 ile %110 arasında değişti. Gen ekspresyon seviyeleri β-actin'e göre normalize edildi ve göreceli ekspresyon 2-ΔΔCt yöntemi kullanılarak hesaplandı. KOAH ve kontrol grupları arasındaki istatistiksel karşılaştırmalar Mann-Whitney U testi kullanılarak gerçekleştirildi.

İstatistiksel analiz

Ağ görselleştirmeleri Cytoscape kullanılarak oluşturulmuş ve istatistiksel analizler R yazılımı ile gerçekleştirilmiştir. Aksi belirtilmedikçe, normal dağılım göstermeyen veriler için Mann-Whitney U testi, iki grubun karşılaştırılması için normal dağılım gösteren verilerde ise Student t-testi kullanılmıştır. p < 0.05 değeri istatistiksel olarak anlamlı kabul edilmiştir.

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

Sonuçlar

Örtüşen genlerin belirlenmesi, zenginleştirme analizi ve PPI ağı oluşturulması

GSE54837 veri setinden, 1.675'i yukarıye düzenlenmiş (upregulated) ve 1.696'sı aşağıye düzenlenmiş (downregulated) olmak üzere toplam 3.371 DEG belirlenmiştir. En anlamlı yukarı ve aşağı düzenlenme gösteren ilk 10 gen Şekil 1A'da gösterilmiştir. GSE54837 verilerinin hiyerarşik kümelemesi gerçekleştirilmiş (Ek Şekil 1A) ve ölçekten bağımsız ağ topolojisi...

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

Tartışma

Ağırlıklı olarak haberci RNA (mRNA) ve taşıyıcı RNA'da (tRNA) görülen korunmuş RNA modifikasyonu ac4C, mRNA stabilitesini ve translasyon verimliliğini artırır20. NAT10, ac4C modifikasyonuna aracılık eden bilinen tek RNA asetiltransferazdır21. Çalışmalar, KOAH hastalarının akciğer epitel hücrelerinde NAT10'un yukarı yönlü düzenlendiğini göstermiştir. NAT10'un nakavt edilmesi mitokondriyal fonksiyonu ve transkriptomik yanıtları bozar22. Entegre multiom...

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

Açıklamalar

Yazarlar herhangi bir çıkar çatışması beyan etmemektedir. Çalışmaya katılan tüm deneklerden bilgilendirilmiş onam alınmıştır.

Teşekkürler

Bu çalışma için gerekli olan klinik imkanları ve idari desteği sağladıkları için Shenzhen Luohu Geleneksel Çin Tıbbı Hastanesi'ne teşekkür ederiz. Son olarak, bu araştırmaya katılan tüm hastalara ve sağlıklı gönüllülere minnettarız; onların katkıları bu çalışma için vazgeçilmezdi. Bu çalışma, Shenzhen Tıp Sanming Projesi (No. SZZYSM202401018), Luohu Bölgesi Öncelikli Uzmanlık Fonları (No. LX202402021) ve Luohu Bölgesi Öncelikli Uzmanlık Fonları (No. LX202302064) tarafından desteklenmiştir.

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

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
β-aktin primerleriTsingkeLütfen çevirmemi istediğiniz kaynak metni sağlayın. Metni gönderdiğinizde, belirttiğiniz tüm profesyonel çeviri standartlarına ve akademik kriterlere uygun olarak çeviriyi gerçekleştireceğim.İleri: 5’-CATGTACGTTGCTATCCAGGC-3’
Tersine Çevirme: 5’-CTCCTTAATGTCACGCACGAT-3’
B4GALT2 primerleriTsingkeMetin sağlanmadı. Lütfen çevrilmesini istediğiniz İngilizce kaynağı giriniz.İleri: 5’-GGGCAGACTGCTGATCGAG-3’
Tersine Çevirme: 5’-CCGGTGTCTAAAGGGGATGAT-3’
CB-Dock2LabShareÇevrim içiMoleküler kenetleme
clusterProfilerBioconductorv4.14.6Zenginleştirme analizi
CytoscapeCytoscape Konsorsiyumuv3.8.3Ağ görselleştirme
DrugBankAlberta ÜniversitesiÇevrimiçiİlaç öngörüsü
FAM168B primerleriTsingkeLütfen çevirmemi istediğiniz kaynak metni sağlayın.İleri: 5’-TCTGGGGTTCCCTATGCAAAT-3’
Tersine Çevirme: 5’-GTAGGATTCGCTCCAGGATACA-3’
glmnetCRANv4.1LASSO regresyonu
GSVA (Gen Set Varyasyon Analizi)Bioconductorv1.52.3ssGSEA analizi
Hifair III 1. Zincir cDNA Sentez SupermixiYEASEN11141EScDNA sentezi
Hieff RTPCR SYBR Green Master MixYEASEN11201ESqPCR amplifikasyonu
limmaBioconductorv3.54.0Diferansiyel ekspresyon
LightCycler 480 II SistemiRocheLightCycler 480 IIGerçek zamanlı PCR
PTRF primerleriTsingkeGirdi sağlanmadı. Lütfen çevrilmesini istediğiniz metni iletin.İleri: 5’-GGGCCGTAGACCAGATCCA-3’
Tersine Çevirme: 5’-CTTGCTCACCGTATTGCTCGT-3’
PRKCDBP primerleriTsingkeMetin sağlanmadı. Lütfen çevrilmesini istediğiniz kaynak metni giriniz.İleri: 5’-CACGTTCTGCTCTTCAAGGAG-3’
Tersine Çevirme: 5’-TGTACCTTCTGCAATCCGGTG-3’
R yazılımıR Vakfıv4.4.2İstatistiksel hesaplama
rastgeleOrmanCRANv4.7Rastgele Orman
RNA izolatörü MolPure Blood RNA KitYEASEN19241ES50RNA ekstraksiyonu
STRING veri tabanıEMBLÇevrim içiPPI ağı
TOR3A primerleriTsingkeLütfen çevirmek istediğiniz metni sağlayın.İleri: 5’-CCCTTGCTCTGTCGTTCCAC-3’
Tersine Çevirme: 5’-CCCGTCCCGATACAGGTTC-3’
UPP1 primerleriTsingkeLütfen çevrilecek metni sağlayın.İleri: 5’-CTGTCAGTCATGGTATGGGCA-3’
Tersine Çevirme: 5’-GAGCACCGGGCATAGTACA-3’
Ağırlıklı Gen Ko-ifade Ağ Analizi (WGCNA)CRANv1.72Eş-ekspresyon ağı
XGBoostCRANv1.7XGBoost algoritması

Kaynaklar

  1. Hogg JC. Pathophysiology of airflow limitation in chronic obstructive pulmonary disease. Lancet. 2004;364(9435):709-21.
  2. Baraldo S, Turato G, Saetta M. Pathophysiology of the small airways in chronic obstructive pulmonary disease. Respiration. 2012;84(2):89-97.
  3. Fischer BM, Pavlisko E, Voynow JA. Pathogenic triad in COPD: oxidative stress, protease-antiprotease imbalance, and inflammation. Int J Chron Obstruct Pulmon Dis. 2011;6:413-21.
  4. Pandey KC, De S, Mishra PK. Role of proteases in chronic obstructive pulmonary disease. Front Pharmacol. 2017;8:512.
  5. Wang L, Xie J, Hu Y, Tian Y. Air pollution and risk of chronic obstructed pulmonary disease: the modifying effect of genetic susceptibility and lifestyle. EBioMedicine. 2022;79:103994.
  6. Elonheimo HM, et al. Environmental substances associated with chronic obstructive pulmonary disease-a scoping review. Int J Environ Res Public Health. 2022;19(7):3945.
  7. Chen S, et al. The global economic burden of chronic obstructive pulmonary disease for 204 countries and territories in 2020-50: a health-augmented macroeconomic modelling study. Lancet Glob Health. 2023;11(8):e1183-e93.
  8. Rutten-van Mölken MP, et al. Costs and effects of inhaled corticosteroids and bronchodilators in asthma and chronic obstructive pulmonary disease. Am J Respir Crit Care Med. 1995;151(4):975-82.
  9. Ontiveros RJ, Stoute J, Liu KF. The chemical diversity of RNA modifications. Biochem J. 2019;476(8):1227-45.
  10. Roundtree IA, Evans ME, Pan T, He C. Dynamic RNA modifications in gene expression regulation. Cell. 2017;169(7):1187-200.
  11. Wang C, et al. RNA modification in cardiovascular disease: implications for therapeutic interventions. Signal Transduct Target Ther. 2023;8(1):412.
  12. Zhang W, et al. ac4C acetylation regulates mRNA stability and translation efficiency in osteosarcoma. Heliyon. 2023;9(6):e17103.
  13. Qiu L, Jing Q, Li Y, Han J. RNA modification: mechanisms and therapeutic targets. Mol Biomed. 2023;4(1):25.
  14. Luo J, Cao J, Chen C, Xie H. Emerging role of RNA acetylation modification ac4C in diseases: current advances and future challenges. Biochem Pharmacol. 2023;213:115628.
  15. Li H, et al. RNA cytidine acetyltransferase NAT10 maintains T cell pathogenicity in inflammatory bowel disease. Cell Discov. 2025;11(1):19.
  16. Wang JN, et al. NAT10 exacerbates acute renal inflammation by enhancing N4-acetylcytidine modification of the CCL2/CXCL1 axis. Proc Natl Acad Sci U S A. 2025;122(17):e2418409122.
  17. Shenshen W, et al. NAT10 accelerates pulmonary fibrosis through N4-acetylated TGFB1-initiated epithelial-to-mesenchymal transition upon ambient fine particulate matter exposure. Environ Pollut. 2023;322:121149.
  18. Liu J, et al. Unveiling ac4C modification pattern: a prospective target for improving the response to immunotherapeutic strategies in melanoma. J Transl Med. 2025;23(1):287.
  19. Su F, et al. Multimodal single-cell analyses outline the immune microenvironment and therapeutic effectors of interstitial cystitis/bladder pain syndrome. Adv Sci (Weinh). 2022;9(18):e2106063.
  20. Schiffers S, Oberdoerffer S. ac4C: a fragile modification with stabilizing functions in RNA metabolism. RNA. 2024;30(5):583-94.
  21. Jiao L, et al. Emerging role of N-acetyltransferase 10 in diseases: RNA ac4C modification and beyond. Mol Biomed. 2025;6(1):46.
  22. Zheng N, et al. Regulatory roles of NAT10 in airway epithelial cell function and metabolism in pathological conditions. Cell Biol Toxicol. 2023;39(4):1237-56.
  23. Du J, et al. PTRF-IL33-ZBP1 signaling mediating macrophage necroptosis contributes to HDM-induced airway inflammation. Cell Death Dis. 2023;14(7):432.
  24. Lai K, et al. Uridine alleviates sepsis-induced acute lung injury by inhibiting ferroptosis of macrophage. Int J Mol Sci. 2023;24(6):5093.
  25. Kumari R, Jat P. Mechanisms of cellular senescence: cell cycle arrest and senescence associated secretory phenotype. Front Cell Dev Biol. 2021;9:645593.
  26. Ogrodnik M, Salmonowicz H, Jurk D, Passos JF. Expansion and cell-cycle arrest: common denominators of cellular senescence. Trends Biochem Sci. 2019;44(12):996-1008.
  27. Kumar M, Seeger W, Voswinckel R. Senescence-associated secretory phenotype and its possible role in chronic obstructive pulmonary disease. Am J Respir Cell Mol Biol. 2014;51(3):323-33.
  28. Pérez-Rubio G, et al. Role of genetic susceptibility in nicotine addiction and chronic obstructive pulmonary disease. Rev Invest Clin. 2019;71(1):36-54.
  29. Liu Y, Wang R, Jiang T. RNA-binding proteins as a molecular link between COPD and pulmonary hypertension. Int J Med Sci. 2025;22(8):1979-91.
  30. Marques TM, Gama-Carvalho M. Network approaches to study endogenous RNA competition and its impact on tissue-specific microRNA functions. Biomolecules. 2022;12(2):332.
  31. Wang J, Xia B, Ma R, Ye Q. Comprehensive analysis of a competing endogenous RNA co-expression network in chronic obstructive pulmonary disease. Int J Chron Obstruct Pulmon Dis. 2023;18:2417-29.
  32. Zhang J, et al. Construction of a ceRNA network and screening of potential biomarkers and molecular targets in male smokers with chronic obstructive pulmonary disease. Front Genet. 2024;15:1376721.
  33. Celikoğlu F, Celikoğlu SI. Intratumoural chemotherapy with 5-fluorouracil for palliation of bronchial cancer in patients with severe airway obstruction. J Pharm Pharmacol. 2003;55(10):1441-8.
  34. Chan AK, Choo BA, Glaholm J. Pulmonary toxicity with oxaliplatin and capecitabine/5-fluorouracil chemotherapy: a case report and review of the literature. Onkologie. 2011;34(8-9):443-6.

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

Yeniden basım ve izinler

Etiketler

UPP1 BiyobelirteçKOAH Tanısıac4C RNA ModifikasyonuGen Eş-ekspresyonuMakine Öğrenmesi BiyobelirteçleriDüzenleyici Ağ Analiziİmmün Hücre Profillemesiİlaç-Gen Etkileşimi
Bize Ulaşın
Kütüphaneye Öner

Gizlilik

Kullanım Koşulları

Politikalar

Telif Hakkı © 2026 MyJoVE Corporation. Tüm hakları saklıdır.