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

Araştırma makalesi

CCL4, makine öğrenimi ve tek hücreli transkriptomik yoluyla akut miyokard enfarktüsünde potansiyel bir immuküsal-metabolik biyobelirteç olarak

81 görüntülenme

⸱

DOI:

10.3791/72480

⸱

11 Ağustos 2026

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

Bu makalede

Özet

Bu çalışma, toplu ve tek hücreli transkriptomikleri makine öğrenmesiyle birleştirerek CCL4 ve diğer beş geni akut miyokard enfarktüsü için potansiyel tanısal biyobelirteçler olarak tanımlayarak bağışıklık metabolik çapraz iletişim ve hücre tipine özgü ifade kalıplarını ortaya çıkarıyor.

Özet

Akut miyokard enfarktüsü (), dünya genelinde hastalık ve ölüm nedenlerinden biri olup, yeni tamamlayıcı biyobelirteçlere olan ihtiyacı vurgulamaktadır. Toplu ve tek hücreli transkriptomik verilerin makine öğrenimi yaklaşımlarıyla entegre edilmesiyle, ile ilişkili kalmodulin ile ilişkili genler tanımlandı ve onların bağışıklık metabolik özelliklerini keşfetti. Farklı ekspresyon ve ağırlıklı ortak ekspresyon analizleri, 60 kalmodulin ile ilişkili gen ortaya çıkardı; bunlardan altı ana gen (SOCS3, GBP4, ST14, KPNA5, STAB1 ve CCL4) birden fazla makine öğrenimi algoritması kullanılarak taranarak bağımsız veri setlerinde doğrulandı. Fonksiyonel analizler, bağışıklık sistemi, iltihap ve metabolik yollarda zenginleşme göstermiştir. İmmün infiltrasyon ve tek hücreli transkriptomikler, hücre tipine özgü ekspresyon desenleri gösterdi; CCL4 ağırlıklı olarak T ve NK hücrelerinde eksprese edildi ve örneklerinde belirgin şekilde azaldı. qPCR doğrulaması, yerel kohorttaki altı genden dördü için anlamlı ifade değişikliklerini doğruladı. İlaç-gen etkileşimi ve kenetlenme analizleri, daha fazla araştırma için aday bileşikler önerdi. Bulgular topluca, CCL4'ün için potansiyel bir tanısal biyobelirteç olarak hizmet edebileceğini ve gözlemlenen bağışıklık metabolik ilişkilerinin gelecekteki mekaniksel ve translasyonel çalışmalar için temel oluşturduğunu öne sürmektedir.

Giriş

Sürekli miyokard iskemisi nedeniyle oluşan akut miyokard enfarktüsü (), dünya genelinde en ölümcül kardiyovasküler hastalıklardanbiridir 1˒2. Patogenezi çok faktörlüdür ve başlıca katkıda bulunanlar arasında ateroskleroz, tromboz, koroner arter spazmı vearitmiler 3˒4 bulunur. Hipertansiyon, diyabet, hiperlipidem, sigara, obezite ve psikolojik stres de önemli risk faktörleri olarak kabuledilir 5. Girişimsel teknikler, antitrombolet tedavileri ve trombolitik stratejilerdeki ilerlemeler kısa vadeli hayatta kalmayı belirgin şekilde iyileştirmiş olsa da, genel görülürlüğü özellikle genç popülasyonlar arasında artmayadevam etmektedir 6. Kardiyak troponin (cTn), şu anda teşhisi için altın standart biyobelirteçtir. Miyokard hücre nekrozu sonrası dolaşıma salınan yapısal bir proteindir ve yüksek hassasiyet ve özsellik gösterir. Ancak, cTn seviyeleri böbrek fonksiyonu ve örnektoplama zamanlaması 7˒8 tarafından etkilenebilir. Bu nedenle, yeni tamamlayıcı biyobelirteçlerin geliştirilmesine ihtiyaç vardır.

Kalmodulin (CaM), küçük, yaygın olarak ifade edilen ve yüksek derecede korunan kalsiyum bağlayan bir proteindir; kalsiyum sinyallerinin anahtar hücre içi dönüştürücüsü olarak işlev görür ve geniş bir biyolojiksüreçte yer alır (9˒10). Hücre içi Ca2⁺ konsantrasyonlarındaki değişiklikleri algılarak, CaM, kinazlar, fosfatazlar ve iyon kanalları gibi çok sayıda hedef protein ile etkileşime girerek hücre çoğalmasını, apoptozu, metabolizmayı, kas kasılmasını ve iltihap yanıtlarınıdüzenler. Kardiyovasküler sistemde CaM, kardiyomiyositlerin kasılması, kalp atış hızı, elektriksel stabilite ve damar düz kastonusunun 12˒13 kontrolünde merkezi bir rol oynar. Biriken kanıtlar, CaM disfonksiyonu veya CaM ile ilişkili sinyal yollarının düzensizliğinin, aritmiler, kalp yetmezliği, hipertansiyon ve kardiyak hipertrofi14˒15 gibi çeşitli kardiyovasküler bozukluklara katkıda bulunduğunu göstermektedir. Ayrıca, CaM, işemiye, oksidatif strese ve inflamatuar uyarılara karşı kardiyomiyositlerin yanıtlarına katılır ve bu da16'nın patolojik ilerlemesinde potansiyel rol olabileceğini gösterir. Bu nedenle, kardiyovasküler hastalıklar bağlamında CaM'in araştırılması önemli bilimsel ve klinik bir ilgi teşkil eder.

Toplu RNA-seq ve tek hücreli RNA-seq veri setleri, CaM skoruyla anlamlı ilişkili farklı ekspreslenen genleri (DEG) sistematik olarak tanımlamak için entegre edildi. 'de yer alan CaM ile ilişkili aday genlerin daha fazla tanımlanması için ağırlıklı gen ortak ekspresyon ağı analizi (WGCNA) kullanıldı. Daha sonra birden fazla makine öğrenimi algoritması, anahtar genleri taramak ve bireysel riskini değerlendirmek için öngörücü modeller oluşturmak için uygulandı. Transkriptomik özellikler, bağışıklık sızma profilleri ve rakip endogen RNA (ceRNA) düzenleyici ağları da entegre edildi; bu ana genlerin bağışıklık regülasyonuna ve potansiyel ilaç hedefi etkileşimlerine nasıl katkıda bulunabileceğini araştırdı. Bulgular, birkaç temel genin immünometabolik çapraz iletişim yollarında yer aldığını ve öngörü değeri ile terapötik potansiyel sergilediğini göstermektedir. Bu entegre yaklaşım,'nin moleküler anlayışını geliştirir ve biyobelirteç geliştirme ile hedefli müdahale için gerekçe sağlar.

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

Protokol

Çalışma, Helsinki Bildirgesi'ne uygun olarak yürütülmüştür. Protokol, Anhui Halk Sağlığı Klinik Merkezi Etik Komitesi tarafından 19 Eylül 2025'te onaylandı (onay kimliği: PJ-YX2025-062). Kan alımı öncesi tüm katılımcılardan yazılı bilgilendirilmiş onay alındı. Yerel kohort, akut miyokard enfarktüsü () olan sekiz hasta ve sekiz sağlıklı kontrol grubundan oluşuyordu. Protokolde kullanılan araştırma araçları Materyaller Tablosu'nda listelenmiştir.

1. Veri kaynakları ve işleme

Miyokard enfarktüsüyle ilgili toplu RNA dizileme veri setleri Gen İfadesi Omnibus'tan (GEO) alındı. GSE59867 ve GSE48060 veri setleri toplu transkriptomik analizler için kullanılmış, GSE269269 tek hücreli RNA dizileme veri seti ise hücresel düzeyde analizler için kullanılmıştır (Tablo 1). İnsan Protein Atlas'ından sonraki gen seti analizleri için 255 kalmodulinle ilişkili gen seti alındı.

Veri setiÖrnek türüÖrnek (kontroller)Örnek (hastalar)Dizileme platformu
GSE59867Toplu RNA-dizisi46111GPL6244
GSE48060Toplu RNA-dizisi2131GPL570
GSE269269scRNA-seq (periferik kan)10GPL24676

Tablo 1: Çalışmada kullanılan veri setlerinin özellikleri. Tablo, toplu RNA ve tek hücreli RNA dizileme veri setleri için veri seti erişim sayılarını, örnek türlerini, kontrol ve hasta örneklerinin sayılarını ve dizileme platformlarını listeler. RNA dizileri, RNA dizileme; scRNA-dizi, tek hücreli RNA dizilemesi.

Toplu transkriptomik veri setlerindeki örnek aralarındaki değişkenlik, limma paketindeki 3.60.6 sürümündeki normalizeBetweenArrays fonksiyonu kullanılarak düzeltildi. Daha sonra limma kullanılarak diferansiyel gen ekspresyonu analizi yapıldı. Farklı şekilde ifade edilen genler (DEG), P < 0.05 ve |log₂ katlama değişimi| > 0.5. Ortaya çıkan DEG'ler, volkan grafikleri ve ısı haritaları kullanılarak görselleştirildi ve önemli ölçüde yükseltilmiş, önemli ölçüde aşağı düzenlenmiş veya önemli ölçüde değişmemiş olarak sınıflandırıldı.

2. Tek örnek gen seti zenginleştirme analizi ve ağırlıklı gen ortak ifade ağı analizi

Tek örneklem gen seti zenginleştirme analizi (ssGSEA) 255 kalmodülinle ilişkili gen kullanılarak gerçekleştirildi. GSVA paketi, her ve kontrol örneği için kalmodülinle ilişkili gen skoru hesaplamak için kullanıldı; bu skor Calmodulin_score olarak belirlendi. ve kontrol grupları arasındaki Calmodulin_score farkları, Wilcoxon sıralama toplamı testi kullanılarak değerlendirildi.

Ağırlıklı gen ortak ekspresyon ağı analizi (WGCNA), hastalarından alınan toplu transkriptomik veriler kullanılarak gerçekleştirildi. Milyon haritalanmış okuma başına kilobaz başına ortalama parça değeri ≤0.5 olan genler hariç tutuldu. Örneklemeler istisnaları belirlemek ve çıkarmak için kümelendi.

R² > 0.8 ölçeksiz topoloji uyumu sağlayan yumuşak eşik güç seçildi. Daha sonra bir topolojik örtüşme matrisi oluşturuldu. Gen modülleri, dinamik ağaç kesimi algoritması kullanılarak minimum modül boyutu 200 ile tanımlandı. Oldukça benzer özgenlere sahip modüller, modül birleştirme eşiği 0.25'e karşılık gelen >0.75 korelasyon eşiği kullanılarak birleştirildi.

Modül özgenleri ile klinik özellikler arasındaki ilişkiler, Calmodulin_score dahil, Pearson korelasyon analiziyle değerlendirildi. Ortaya çıkan modül-özellik ilişkileri, korelasyon katsayıları ve karşılık gelen P değerleriyle açıklanan bir ısı haritasında gösterildi. Her gen için modül üyeliği ve gen anlamlılığı hesaplandı. Modül üyeliğinin gen anlamlılığına karşı saçılım grafikleri, yüksek intramodüler bağlantıya ve özellik alakalılığına sahip genleri belirlemek için oluşturuldu.

3. ile ilişkili kalmodülin ilişkili genlerin tanımlanması

ile ilişkili kalmodülin ile ilişkili genler, DEG'lerin WGCNA modüllerinden gelen genlerle kesişmesiyle tanımlandı ve Calmodulin_score ile anlamlı korelasyon sağlandı. Örtüşen genler, sonraki analizler için korundu.

Fonksiyonel zenginleştirme analizi clusterProfiler paketi kullanılarak gerçekleştirildi. Gen Ontolojisi ve Kyoto Genler ve Genomlar Ansiklopedisi açıklamaları, örtüşen genlerle ilişkili biyolojik süreçleri, moleküler fonksiyonları, hücresel bileşenleri ve sinyal yollarını tanımlamak için kullanıldı.

4. Makine öğrenimi kullanarak anahtar genlerin tanımlanması ve doğrulanması

Tek değişkenli lojistik regresyon analizi, örtüşen genler kullanılarak gerçekleştirildi. Daha sonra üç makine öğrenimi algoritması, aşağıdaki R paketleri ve parametreleri kullanılarak bağımsız olarak uygulandı: rastgele orman, XGBoost ve destek vektör makinesi.

Her algoritma, için öngörücü değere sahip genleri önceliklendirmek için kullanıldı. Aday anahtar genler, üç algoritmanın tamamı tarafından tanımlanan genler olarak tanımlandı. Hem GSE59867 eğitim veri setinde hem de GSE48060 dış doğrulama veri setinde anlamlı ve yönsel tutarlı diferansiyel ifade gösteren genler, nihai anahtar genler olarak korundu.

5. Tanı modellerinin inşası ve değerlendirilmesi

Tanımlanan anahtar genler ve lrm fonksiyonu kullanılarak lojistik bir regresyon modeli oluşturuldu. Regplot fonksiyonu kullanılarak her özellik geninin tahmin edilen olasılığına katkısını göstermek için bir nomogram oluşturuldu.

Model ayırtıcılığı, alıcının çalışma karakteristik analiziyle pROC paketi kullanılarak değerlendirildi. Alıcı çalışma karakteristik eğrisinin altındaki alan, modelin'yi kontrol örneklerinden ayırt etme yeteneğini değerlendirmek için hesaplandı.

Tahmin edilen olasılıkları gözlemlenen sonuçlarla karşılaştırmak için kalibrasyon eğrileri oluşturuldu. Karar eğrisi analizi, modelin net klinik faydasını çeşitli eşik olasılıklar aralığında tahmin etmek için gerçekleştirildi.

6. Gen seti zenginleştirme analizi ve rakip endojen RNA ağı yapısı

Gen seti zenginleştirme analizi, her anahtar gen için ayrı ayrı genler, gen-korelasyon matrisi ve clusterProfiler paketi kullanılarak gerçekleştirildi. Kyoto Genler ve Genomlar Ansiklopedisi yol zenginleştirme sonuçları, mutlak normalize zenginleştirme puanına göre sıralandı. Her gen için en yüksek beş yol gösterildi.

Fonksiyonel ilişkiler ve gen-etkileşim ağları GeneMANIA kullanılarak incelendi. Ana genlerin potansiyel mikroRNA düzenleyicileri miRanda, miRTarBase, TargetScan ve miRDB kullanılarak tahmin edilmiştir. Aday mikroRNA-mRNA etkileşimleri, dört veritabanındaki tahminlerin kesişmesiyle tanımlandı.

SpongeScan'den uzun kodlamayan RNA-mikroRNA etkileşimleri elde edildi. Uzun kodlamayan RNA-mikroRNA ve mikroRNA-mRNA ilişkileri, rakip bir endogen RNA düzenleyici ağ oluşturmak için entegre edildi. Ağ, ggalluvial paket kullanılarak bir Sankey diyagramı olarak görselleştirildi.

7. İlaç tahmini ve moleküler kenetlenme

İlaç-gen etkileşimleri, İlaç-Gen Etkileşim Veritabanı kullanılarak tahmin edilmiştir. Ortaya çıkan etkileşim ağı, ağ analiz yazılımı kullanılarak görselleştirildi.

CCL4 için UniProt protein tanımlayıcısı P13236 olarak alındı. İlgili üç boyutlu protein yapısı, kenetlenmek üzere seçilen 1HUM (insan MIP-1β, X-ışını kırınım yapısı) ile Protein Veri Bankası formatında (PDB) elde edildi. Biyolojik olarak ilgili monomeri temsil eden A zinciri kenetlenmek üzere seçildi. Protein hazırlığı, CB-Dock2'deki Prepare Protein modülü kullanılarak gerçekleştirildi; bu modül su moleküllerinin çıkarılmasını, polar hidrojenlerin eklenmesini ve Gasteiger yüklerinin atanmasını içerir. Aday bileşiklerin (klodronik asit ve epoetin alfa) üç boyutlu kimyasal yapıları, PubChem veritabanından Yapı-Veri Dosyası (SDF) formatında alındı. Kenetlenme simülasyonları, kör kenetlenme için AutoDock Vina algoritmasını kullanan CB-Dock2 çevrimiçi platformu kullanılarak gerçekleştirildi. Kenetlenme alanı, potansiyel bağlanma ceplerinin tarafsız tanımlanmasını sağlamak için tüm protein yüzeyini kapsayacak şekilde ayarlandı. Bağlanma afinitesi, kcal/mol cinsinden tahmin edilen serbest bağlanma enerjisi (ΔG) olarak hesaplandı. Son kenetlenme pozları ve protein-ligand etkileşimleri (örneğin, hidrojen bağları, hidrofobik kontaklar) PyMOL ve CB-Dock2'nin yerleşik etkileşim görüntüleyicisi kullanılarak görselleştirildi.

8. Tek hücreli RNA dizileme veri ön işlemesi

Kalite kontrol, aşağı akış tek hücreli RNA dizileme analizinden önce gerçekleştirildi. Hücreler, tespit edilen gen sayısı 200 ile 10.000 arasında olduğunda, toplam benzersiz moleküler tanımlayıcı sayısı ≥1.000 ve mitokondriyal transkript oranı %≤20 olduğunda tutuldu.
200'den az gen ifade eden hücreler ve üçten az hücrede tespit edilen genler dışlandı. Bu filtreler, düşük kaliteli hücrelerin ve teknik gürültünün dahil edilmesini azaltmak için uygulandı. Gen ifade değerleri, Seurat paketindeki NormalizeData fonksiyonu kullanılarak normalleştirildi. FindVariableFeatures fonksiyonu kullanılarak yüksek değişkenlikli genler tanımlandı. Yüksek değişkenlikli genlerin ifade değerleri ScaleData fonksiyonu kullanılarak merkezlenip standartlaştırıldı.

Deneysel veya dizileme varyasyonuyla ilişkili parti etkileri, Harmony entegrasyonçerçevesi 17'den RunHarmony fonksiyonu kullanılarak düzeltildi.

9. Tek hücre boyutluluk azaltma, kümeleme ve açıklama

Ana bileşen analizi ilk olarak tek hücreli RNA dizileme veri setinin boyutluluğunu azaltmak için uygulanmıştır. Uniform manifold yaklaşımı ve projeksiyonu ile t-dağılımlı stokastik komşu gömülü, hücresel heterojenliği görselleştirmek için daha sonra kullanılmıştır.

Transkripsiyonel olarak benzer hücreler, Seurat'taki FindNeighbors ve FindClusters fonksiyonları kullanılarak gruplandırıldı. Her küme için farklı şekilde ifade edilen belirteç genleri, FindAllMarkers fonksiyonu kullanılarak her küme kalan tüm kümelerle karşılaştırıldığında tanımlandı.

Hücre tipleri, yayımlanmış literatürden ve kurulmuş hücre-belirteç veri tabanlarından alınan kanonik belirteç genleri kullanılarak atanmıştır. Ana genlerin mekansal dağılımı ve ifade seviyeleri, FeaturePlotfonksiyonu 18 kullanılarak görselleştirildi.

10. Nicel polimeraz zincir reaksiyon analizi

Anhui Halk Sağlığı Klinik Merkezi'nde 8 hastası ve 8 sağlıklı kontrolden periferik kan örnekleri alındı. grubu, Miyokard İnfarktüsü'nün Dördüncü Evrensel Tanımı'na göre teşhis konmuş hastaları içeriyordu; semptomları miyokard iskemisi ile uyumlu ve 99. perdelik üst referans sınırının üzerinde yükselen kardiyak troponin I seviyeleri bulunuyordu. Kontrol grubu, kardiyovasküler hastalık öyküsü olmayan, normal elektrokardiyogram ve rutin kan testlerinde, karaciğer fonksiyonunda veya böbrek fonksiyonunda anormallik olmayan yaş ve cinsiyet uyumlu sağlıklı bireylerden oluşuyordu. hastaları için, hastaneye yatıştan sonraki 24 saat içinde 3 mL etilen diamintetraasetik asit antikoagüllenmiş kan toplandı. Aynı hacim, ilgili çalışma döneminde sağlıklı kontrol kontrollerinden de toplanmıştır.

Kan RNA izolasyon kiti ile birlikte verilen protokole göre periferik kandan toplam RNA izole edildi. RNA konsantrasyonu ve saflığı NanoDrop spektrofotometresi kullanılarak değerlendirildi ve RNA bütünlüğü agaroz jel elektroforezi ile doğrulandı. Sonraki analizler için yalnızca A260/A280 oranı 1.8 ile 2.1 arasında olan örnekler kullanıldı. Toplamda 500 ng RNA, birinci iplik tamamlayıcı DNA sentezi reaktifi kullanılarak tamamlayıcı DNA'ya ters-transkribe edildi. Ortaya çıkan tamamlayıcı DNA, son konsantrasyon seviyesi 150 ng/mL'ye kadar seyreltilmiştir. Nicel polimeraz zincir reaksiyon amplifikasyonu, pasif referans boyası olmadan SYBR Yeşil bazlı ana karışım kullanılarak toplam 10 μL reaksiyon hacminde gerçekleştirilmiştir. Tüm qPCR reaksiyonları teknik kopyalar halinde iki kez gerçekleştirildi ve sonraki hesaplamalar ortalama CT değerlerine dayandı.

Amplifikasyon, gerçek zamanlı polimeraz zincir reaksiyon cihazı kullanılarak gerçekleştirildi. Döngü koşulları, ilk denatürasyondan oluşuyordu (95 °C'de 5 dakika), ardından 40 döngü denaturasyon (95 °C) sıcaklıkta 10 saniye, 60 °C'de 30 saniye boyunca tavlama ve 30 saniye boyunca 72 °C'de uzatma yapıldı. Erik eğrisi analizi amplifikasyondan sonra yapılmıştır.

Gen ekspresyonu seviyeleri β-aktine normalleştirildi. Göreli ifade 2−ΔΔCt yöntemiyle hesaplandı.

11. İstatistiksel analiz

İstatistiksel analizler R'de yapıldı. Ağ görselleştirmeleri ağ analiz yazılımı kullanılarak oluşturuldu. İki grup arasındaki farklar, aksi belirtilmedikçe Wilcoxon testi kullanılarak değerlendirildi. Normal dağılıma sahip sürekli değişkenler Öğrencinin t-testi kullanılarak karşılaştırıldı. Normal dağılım olmayan sürekli değişkenler, Mann-Whitney U testi ile karşılaştırıldı; bu test Wilcoxon sıra-toplamı testi olarak da bilinir. Tüm istatistiksel testler iki kuyrukluydu. <0,05 P değeri istatistiksel olarakanlamlı olarak 19 olarak kabul edildi.

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

Sonuçlar

ile ilişkili kalmodülinle ilişkili genlerin tanımlanması ve zenginleştirme analizi
Toplu etki düzeltmesi ilk olarak GSE59867 veri setinde çapraz örneklem karşılaştırılabilirliğini sağlamak için gerçekleştirilmiştir (Şekil 1A). Daha sonra toplam 168 farklı şekilde ekspreslenen gen (DEG) tanımlanmıştır; bunların 77'si kontrollere kıyasla örneklerinde yukarı regülasyonlu ve 91 aşağı regülasyona sahip gen vardır (Şekil 1B...

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

Tartışma

Akut miyokard enfarktüsü (), akut koroner arter tıkanmasından kaynaklanır ve dünya genelinde miyokard iskemik nekrozu ile yüksek morbidite ile ölüme yol açar. Kalsiyuma bağımlı bir düzenleyici protein olan kalmodulin, hücre içi sinyal iletiminde kritik bir rol oynar. Önceki çalışmalar, kalmodulinin sırasında kardiyomiyosit apoptozunu, inflamatuar yanıtları ve kalsiyum homeostazını düzenlediğini göstermiş, bu da patogenezi20'de önemli bir molekül olabileceğini göst...

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

Açıklamalar

Yazarlar çıkar çatışması belirtmemektedir.

Teşekkürler

Bu çalışma, Anhui Tıp Üniversitesi Araştırma Fonu (Hibe No. 2022xkj059) ve Anhui Translasyonel Tıp Enstitüsü (Hibe No. 2021zhyx-C71) tarafından desteklendi. Yazarlar, bu araştırmaya yardımcı olan ve destek veren tüm meslektaşlarına teşekkür ediyor.

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

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
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)

Kaynaklar

  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.

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

Yeniden basım ve izinler

Etiketler

Kalsiyum Modülin İlişkili GenlerDiferansiyel Ekspresyonİmmün İnfiltrasyonAğırlıklı Ko-EkspresyonT HücreleriNK Hücreleri
Bize Ulaşın
Kütüphaneye Öner

Gizlilik

Kullanım Koşulları

Politikalar

Telif Hakkı © 2026 MyJoVE Corporation. Tüm hakları saklıdır.