搜索历史清除全部记录
最多显示8条历史搜索记录噢~
全部
  • 全部
  • 产品管理
  • 新闻资讯
  • 介绍内容
  • 企业网点
  • 常见问题
  • 企业视频
  • 企业图册

系统性红斑狼疮中m6A相关生物标志物的鉴定:基于生物信息学的分析

发布时间:

2025-03-26 11:25

系统性红斑狼疮中m6A相关生物标志物的鉴定:基于生物信息学的分析

田媛 ,陶康 ,李世飞 ,陈小强 ,王汝鹏 ,张明旺 ,翟志芳

中国人民解放军陆军军医大学第一附属医院皮肤科,重庆; 中国人民解放军中部战区总医院皮肤科,武汉; 中国人民解放军陆军军医大学新桥医院皮肤科,重庆 400037

通信作者:张明旺;翟志芳,中国人民解放军陆军军医大学第一附属医院皮肤科,重庆市沙坪坝区高滩岩正街29号,邮编:400038,电子邮箱:mingwangzhang2@163.com;zhaizf1004@163.com

背景:系统性红斑狼疮(SLE)是一种典型的自身免疫性疾病,由于缺乏可靠的生物标志物来识别SLE患者的器官特异性损伤,给临床诊断带来了挑战。越来越多的证据表明,N6 - 甲基腺苷(m6A)在自身免疫性疾病的病因中起着关键作用。

方法:从基因表达综合数据库(GEO)中获取主要包含m6A调控基因表达谱的数据集。从随机森林(RF)或支持向量机(SVM)中选择最优模型,用于开发预测列线图模型。利用LASSO、SVM - RFE和RF技术进行全面筛选,以确定与SLE相关的关键基因。在SLE易感性研究中,采用加权基因共表达网络分析(WGCNA)来描绘相关模块和枢纽基因。此外,进行MeRIP - qPCR实验以阐明与m6A靶点相关的关键基因。此外,基于全基因组关联研究进行孟德尔随机化研究,以评估MMP9对缺血性中风(IS)的因果影响,缺血性中风不仅是一种严重的脑血管事件,也是SLE的常见并发症。

结果:鉴定出12个m6A调控基因,具有统计学意义 ,并使用RF算法构建列线图模型。确定了EPSTI1、USP18、HP和MMP9作为枢纽基因。MMP9与m6A修饰独特相关,并且与缺血性中风风险增加存在因果关系,我们的逆方差加权分析显示优势比为1.0134(95%置信区间 = 1.0004 - 1.0266, )。

结论:我们的研究鉴定出12个m6A调控因子,揭示了SLE风险基因的分子机制。重要的是,我们的分析建立了关键m6A相关基因MMP9与SLE常见并发症缺血性中风之间的因果关系,从而为症状前诊断方法提供了关键见解。

关键词:系统性红斑狼疮,N6 - 甲基腺苷,m6A调控基因,MMP9,孟德尔随机化,生物信息学分析

引言

系统性红斑狼疮(SLE)是一种复杂的慢性自身免疫性炎症性疾病,临床表现多样,治疗选择具有挑战性。 因此,通过生物信息学分析发现SLE的潜在生物标志物具有重要的临床意义。

m6A(表示RNA分子中腺嘌呤碱基第六位的甲基化)是编码RNA和非编码RNA中最主要的修饰方式。作为一种关键的转录后调节因子,它显著影响众多生理和病理过程。 目前的研究表明,m6A可能会对自身免疫性疾病的进展产生重大影响, 这表明m6A通过调节RNA的剪接、稳定性和翻译等代谢过程来影响基因表达,从而在系统性红斑狼疮(SLE)的发病机制中发挥作用。 METTL3在调节 细胞的激活和分化中起关键作用,SLE患者中该基因表达下调可能会影响 细胞介导的免疫反应。 相反,环状RNA circGARS表达上调,它可作为miR - 19a的海绵,影响m6A阅读蛋白YTHDF2和A20的表达,进而调节NF - B信号通路,可能会加重SLE的病情。 此外,SLE患者中m6A修饰的长链非编码RNA(lncRNA)和环状RNA(circRNA)的差异表达表明它们在疾病中可能发挥作用,有可能成为SLE的新治疗靶点。

鉴于系统性红斑狼疮(SLE)的普遍发生和重大影响,我们的研究旨在通过整合转录组测序和机器学习算法,揭示其基本分子机制并构建准确的诊断模型。此外,我们利用孟德尔随机化(MR)研究探究了基质金属蛋白酶9(MMP9)与SLE之间的因果关系。预期这些研究成果将为制定个性化的SLE治疗和管理方案提供坚实的学术支持,最终改善患者的预后。

材料与方法

数据收集与处理

研究流程如图1所示。所有使用的数据均来自基因表达综合数据库(GEO,https://www.ncbi.nlm.nih.gov/geo/)。我们利用GSE50772、GSE61635、GSE72509和GSE81622的微阵列基因表达数据来确定关键的m6A调节因子。 上述GEO数据集的基本信息见补充表S1。我们对GSE72509应用limma - voom归一化方法,然后对数据集进行处理。 初步使用RobustRankAggreg软件包 来识别差异表达基因。使用sva软件包进行批次校正前后, 利用分子特征数据库(MsigDB)的C8进行分析,以筛选和处理非外周血单个核细胞(PBMC)及其相关标记基因。

差异表达基因的鉴定与富集分析

在本研究中,使用R语言的limma软件包 来确定处理后微阵列数据中的差异表达基因(DEG),筛选标准设定为: 且校正后的 值 。满足这些条件的基因被指定为差异表达基因。随后,进行基因本体论(GO)分析和京都基因与基因组百科全书(KEGG)分析,以深入研究与所确定的差异表达基因相关的功能注释和信号通路。

image

 

图1 研究设计与分析流程图。

潜在m6A调节因子的鉴定

为了探究m6A调节基因在系统性红斑狼疮(SLE)中的影响,我们对合并数据集中的所有样本进行了全面分析。利用R语言limma软件包中的线性建模技术,我们识别出在SLE样本和健康对照(HC)之间表达水平存在统计学显著差异的重要m6A调节基因 。为了直观展示这些差异,使用ggpubr软件包绘制箱线图,使用pheatmap软件包生成热图。

构建与m6A调节因子相关的随机森林(RF)、支持向量机(SVM)和列线图模型

开发了利用随机森林(RF)和支持向量机(SVM)的分类器,以在显著基因中确定特征性N6-甲基腺苷(m6A)调控基因,并预测系统性红斑狼疮(SLE)的发生。从数据集GSE50772、GS61635、GSE72509和GSE81622中识别出表现出差异表达的m6A调控基因。通过“残差箱线图”、“残差反向累积分布”和“受试者工作特征(ROC)”曲线评估模型的准确性。使用R语言中的randomForest包 构建的RF模型,利用所选的最佳树数量(ntree)评估关键m6A调控基因的重要性。为了利用特征性m6A调控基因预测SLE发病率,使用R语言中的rms包 设计了列线图模型。校准图有助于比较预测值和实际值。此外,我们进行了决策曲线分析(DCA)并绘制了临床影响曲线,以评估该模型对患者的益处。

加权基因共表达网络分析的构建

在我们的研究中,使用R语言的“WGCNA”包 构建了一个聚焦于差异表达基因(DEGs)的共表达网络。为了构建这个网络,制定了一个加权邻接矩阵,确保软阈值参数突出强基因关联并最小化弱基因关联。随后将该矩阵转换为拓扑重叠矩阵(TOM),以衡量基因网络的连通性。TOM有助于确定相邻基因之间的差异,通过平均连锁层次聚类识别具有相似表达模式的基因。在聚类树中以不同颜色区分的后续聚类表示基因模块。通过检查模块间的相互连接并评估基因模块与表型之间的相互作用,确定了与临床属性相关的模块。

候选枢纽基因的筛选

为了预测SLE状态,使用了三种机器学习方法:随机森林(RF)、最小绝对收缩和选择算子(LASSO)以及支持向量机递归特征消除(SVM - RFE)。随机森林(Random Forest)融合了多个决策树,作为一种集成学习策略提供预测,尤其擅长处理分类和回归问题,同时表现出对噪声和过拟合的抗性。此外,它还提供特征重要性排名,并能有效处理缺失数据。LASSO是一种正则化方法,在线性回归的损失函数中引入了惩罚项。它执行变量选择和系数收缩,有效地将不相关变量的系数归零,以避免过拟合。SVM - RFE将支持向量机(SVM)与反向消除相结合,用完整的特征集训练一个SVM模型,然后迭代地丢弃权重最小的特征,直到达到所需的特征数量。这种策略使SVM - RFE能够精心选择最相关的特征进行分类,从而提高SVM的准确性和效率。

人类血液样本采集

本研究招募了年龄在18 - 65岁的SLE患者,包括门诊或住院的新诊断患者以及病情加重需要住院治疗的现有患者。从32名确诊的SLE患者中采集外周血样本,并与20名健康志愿者的样本进行比较,这些健康志愿者来自陆军军医大学第一和第二附属医院皮肤科。使用系统性红斑狼疮疾病活动指数(SLEDAI)评分评估疾病活动度。排除标准包括长期治疗(超过3个月)后病情得到控制的患者、目前正在使用利妥昔单抗等靶向药物的患者、无法律行为能力的个体、无法理解研究风险和随访要求的个体、有药物滥用史的个体以及患有恶性肿瘤或血液疾病等复杂疾病的个体。所有参与者均按照伦理标准提供了知情同意书。通过菲可(Ficoll - Paque)密度梯度分离法从外周血中分离出外周血单个核细胞(PBMCs),随后将PBMCs和血清冷冻保存以备将来使用。所有涉及人类参与者的程序均确保符合《赫尔辛基宣言》。此外,所有实验方案均获得了中国重庆陆军军医大学第一附属医院伦理委员会的批准(批准号:KY2020317)。

实时定量聚合酶链反应(PCR)检测

使用RNAiso Plus试剂(日本滋贺县宝生物工程有限公司,Takara)进行RNA提取,并使用带有基因组DNA(gDNA)去除剂的PrimeScript 反转录(RT)试剂试剂盒(Takara)生成信使RNA(mRNA)第一链互补DNA(cDNA)。随后,在伯乐实时PCR仪(美国加利福尼亚州Bio - Rad)上使用TB Green Premix Ex Taq II(Takara)进行实时PCR分析。使用甘油醛 - 3 - 磷酸脱氢酶(GAPDH)管家基因引物(中国上海生工生物工程股份有限公司,Sangon Biotech)确保表达数据的标准化。通过相对定量评估相对基因表达,引物序列详见表1。

甲基化RNA免疫沉淀定量PCR(MeRIP - qPCR)

所有操作均遵循EpiGentek MeRIP试剂盒手册(EpiGentek,P - 9018)中概述的指南进行。从细胞或组织中提取总RNA,并进行DNase I处理以去除任何DNA污染。使用NanoDrop评估RNA的浓度和质量。取约400 ng的总RNA,使用切割酶混合物和切割缓冲液进行切割并去除非目标m6A序列,在37 下孵育30分钟。随后,将切割后的RNA片段与 的抗m6A抗体和免疫沉淀缓冲液进行免疫沉淀,在 下孵育 。接着,在 下使用亲和磁珠进行免疫沉淀 。用洗涤缓冲液彻底洗涤亲和磁珠,以去除非特异性结合的RNA片段和杂质。使用洗脱缓冲液从亲和磁珠上洗脱结合的m6A RNA片段,在55 下孵育15分钟。然后,用RNA结合磁珠和RNA纯化溶液纯化洗脱的m6A RNA片段,在室温下孵育 ,接着在室温下用洗脱溶液从RNA结合磁珠上洗脱 。使用NanoDrop测量纯化的m6A RNA片段的浓度和质量,以确保没有降解或污染。使用RT - qPCR分析m6A RNA片段中感兴趣基因的表达水平,并与输入RNA或非免疫沉淀(IgG)对照进行比较。

MMP9的功能富集分析

GSVA分析是GSEA算法的一种变体,它基于富集分数探索不同模式簇之间生物通路的差异。利用GSVA R包 对合并数据集中的系统性红斑狼疮(SLE)样本进行功能富集分析,得到富集通路。分析使用“c2.cp.kegg.Hs.symbols.gmt”进行,调整后的 值 表明不同簇之间存在统计学差异。为了探索免疫功能,排除了对照组的样本,并对重复样本进行平均处理,舍弃平均表达值为零的行。免疫功能基因集来自“immune.gmt文件”,使用ssGSEA方法分析样本,以确定每个样本中免疫功能基因集的富集水平。将免疫功能的原始分数在0到1之间进行归一化处理,以便进行后续分析。根据MMP9表达水平将样本分为两组,将高于中位数的样本归类为“高表达组”,低于中位数的样本归类为“低表达组”。箱线图展示了两组样本中各种免疫功能的分数分布,每个图代表一种特定的免疫功能,箱体表示四分位间距,线条表示分数的全距。

表I PCR引物序列

基因正向反向
EPSTIITGAACACAGAATCGCCAGACAGAAGTGCTCTTGCTGCTGCCGTTTC
USPI8GCGAGAGTCTTGTGATGCTGAGGCTGCCAGTGGTAGTTAGGATTTCCG
HPAGGCATTATGAAGGCAGCACAGTCCACCATACTCAGCCACAGCACAG
MMP9CCTTCCTTATCGCCGACAAGTGGGTAGAAGCGGTCCTGGCAGAAATAG

孟德尔随机化

所有数据均来源于可访问的数据库,并采用两样本孟德尔随机化(Mendelian Randomization,MR)方法来探究枢纽基因与系统性红斑狼疮(SLE)易感性之间的因果关系,将单核苷酸多态性(SNPs)定义为工具变量(IVs)。枢纽基因的数据从可公开获取的全基因组关联研究(Genome-Wide Association Study,GWAS)资源中提取。我们聚焦于与m6A相关的基因MMP9,以及缺血性中风(IS)作为SLE的一个典型并发症进行MR分析。同时,针对暴露变量和结局变量分别采用了特定的数据集。MMP9暴露数据集的详细信息可在GWAS目录中获取,数据集ID为ebi-a-GCST90010240,网址为https:// gwas.mrcieu.ac.uk/datasets/ebi-a-GCST90010240/。相应地,结局变量缺血性中风的数据集ID为ebi-a-GCST006908,可在https://gwas.mrcieu.ac.uk/datasets/ebi-a-GCST006908/找到。精心选择这些数据集是为了提高我们MR分析的准确性和相关性。使用R语言中的TwoSampleMR包 进行MR分析。确定了指定暴露因素和结局的数据集ID。考虑到在标准GWAS阈值(5e - 08)下与特定基因相关的SNP数量有限,我们选择了5e - 05的 值阈值,以确保有足够数量的SNP作为IVs。所有选定的SNP的 均大于0.01,F统计量大于10,表明它们作为有效IVs具有足够的强度。此外,通过MR Egger回归分析验证了结果的稳健性。利用暴露因素的工具SNP列表从结局的GWAS数据中检索相应的SNP信息。下一步是合并暴露因素和结局的GWAS数据,对齐效应等位基因,以确保同一SNP在两个数据集中的效应方向一致。然后使用包括“IVW”(逆方差加权)、“MR Egger”、“加权”、“加权中位数”和“简单模式”等多种方法进行MR分析,以评估暴露因素与结局之间的因果效应,并在此过程中生成置信区间和 值。我们进行了异质性分析和多效性检验,并创建了散点图、森林图和漏斗图,以直观展示MR结果。最后,进行了留一法敏感性分析,以评估研究结果的稳定性。

统计分析

使用学生 检验分析系统性红斑狼疮(SLE)患者与健康对照(HCs)之间的基因表达差异。使用R语言中的pROC包 通过受试者工作特征(ROC)曲线分析和计算曲线下面积(AUC)来评估关键基因的判别能力。使用R软件(版本4.2.1)和GraphPad Prism(版本9.0.0)进行统计评估。

结果

系统性红斑狼疮患者与健康对照之间差异表达基因的鉴定

在对四个微阵列(GSE50772、GSE61635、GSE72509和GSE81622)的回顾性分析中,共评估了289份系统性红斑狼疮(SLE)患者样本和 份样本。在使用limma R软件包消除批次效应后,从元数据中确定了171个差异表达基因(DEGs):与健康对照(HCs)相比,SLE患者样本中有86个基因显著上调,85个基因显著下调(图2A和B)。

功能富集分析

使用 中的clusterProfiler包 对鉴定出的171个差异表达基因(DEGs)进行 和 分析。结果显示,这些DEGs主要参与了对病毒的反应、囊泡腔和嗅觉受体活性(图2C)。此外,京都基因与基因组百科全书(KEGG)分析揭示了几个显著的信号通路,包括嗅觉转导、冠状病毒病(COVID - 19)和甲型流感(图2D)。

image

 

图2 两个队列之间的差异表达基因。(A)热图展示了消除批次效应后合并数据集的差异基因表达分析结果。(B)火山图描绘了数据集的差异分析结果。(C)潜在枢纽基因的基因本体(GO)富集分析。(D)与候选枢纽基因相关的KEGG通路。

系统性红斑狼疮中m6A调节因子的鉴定

共鉴定出17个m6A调控基因,包括6个写入器(writers)、9个读取器(readers)和2个擦除器(erasers)。展示了系统性红斑狼疮(SLE)患者和健康对照(HCs)之间这17个基因表达水平的差异(图3A)。12个基因表现出具有统计学意义的表达偏差 。具体而言,YTHDF3、IGFBP2和IGFBP3在SLE中表达上调,而METTL14、ZC3H13、RBM15B、YTHDF1、YTHDF2、HNRNPC、IGF2BP1、FTO和ALKBH5表达下调。绘制了这12个关键基因的热图(图3B)。

随机森林(RF)、支持向量机(SVM)和列线图模型的构建

随机森林(RF)模型表现出良好的性能,与支持向量机(SVM)模型相比,其残差更小(图4A和B)。RF模型的这种优越性能可归因于其在处理变量之间复杂相互作用和非线性关联方面的能力,以及通过对决策树的结果进行平均来减轻过拟合和偏差的能力。因此,我们选择RF模型进行后续分析(图4C)。根据重要性得分对显著的m6A调控基因进行排名后,发现所有基因的得分均超过5(图4G),使其有资格纳入列线图模型(图 )。在列线图中,每个基因单独计分,通过累加这些得分来计算预测SLE发病率的综合得分。校准曲线(图4D)显示实线和虚线紧密吻合,表明模型校准良好。此外,决策曲线分析(DCA)(图4E)显示,代表m6A基因的红线与基线灰色和黑色线有明显差异。这种差异强调了m6A基因在SLE预后评估中的潜在作用。与此相辅相成的是,临床影响曲线(图4F)进一步支持了这些基因的相关性,表明它们在SLE病理生理学的更广泛背景下具有重要意义。

A

image

 

图3 SLE和HC样本中的m6A调控基因。(A)箱线图展示了SLE患者和HC之间17个m6A调控基因的差异表达。(B)热图展示了去除批次效应后合并数据集的差异表达分析。(*p < 0.05,***p < 0.001)。

image

 

图4 RF模型和SVM模型。(A)RF模型残差的箱线图。(B)RF和SVM模型的残差分布。(C)SLE组、HC组和所有样本的误差水平。(D)列线图模型的校准曲线。(E)显示模型可行性的决策曲线。(F)展示模型潜在临床益处的临床影响曲线。(G)说明基因重要性的气泡图。(H)基于m6A调控基因预测发病率的列线图模型。

潜在生物标志物的鉴定和验证

采用最小绝对收缩和选择算子(LASSO)对171个差异表达基因(DEGs)进行分析,以寻找SLE的潜在生物标志物,发现了34个具有潜在诊断价值的基因(图5A)。支持向量机递归特征消除(SVM - RFE)算法也对这171个DEGs进行了分析,得到了39个基因(图5B - D)。此外,随机森林(Random Forrest)鉴定出31个特征基因(图5E和F)。基于DEGs构建了加权基因共表达网络分析(WGCNA)。共鉴定出19个模块,包含348个枢纽基因(图6A - C)。只有4个基因,即EPSTI1、USP18、HP、MMP9在所有方法中都存在(图6D),这表明它们在SLE诊断中具有重要意义。我们对这4个关键基因进行了受试者工作特征曲线(ROC)分析,结果显示EPSTI1(AUC = 0.888)、USP18(AUC = 0.870)、HP(AUC = 0.817)、MMP9(AUC = 0.753)(图6E)。

SLE中与m6A修饰相关的MMP9

与HCs相比,SLE中EPSTI1、USP18、HP和MMP9的表达水平均显著上调(图7A和B)。甲基化RNA免疫沉淀定量聚合酶链反应(MeRIP qPCR)证实了MMP9 RNA的甲基化水平升高,而其他基因无显著变化(图7C)。

为了描述这两个队列的免疫细胞组成,采用了CIBERSORT方法,结果显示巨噬细胞和 细胞存在统计学上的显著差异(图 和 )。这一发现表明基质金属蛋白酶9(MMP9)的表达与免疫细胞浸润之间存在关联,意味着MMP9可能在系统性红斑狼疮(SLE)患者的免疫细胞调节中发挥作用(图8A - C)。

不同分子亚型的功能分析

基因集变异分析(GSVA)富集分析发现,与MMP9分组相关的基因集主要涵盖具有免疫学意义和代谢相关性的通路(图9A)。此外,免疫功能分析箱线图显示,在各种免疫细胞类型或功能中,如活化树突状细胞(aDCs),高基因表达组和低基因表达组之间的得分存在显著差异(图9B)。

MMP9与缺血性中风存在因果关联

缺血性中风是与SLE相关的重大并发症之一。 近期关于MMP9和缺血性中风的研究为深入了解MMP9与缺血性中风的多个方面(包括血脑屏障(BBB)功能障碍、认知障碍、治疗靶点和病理生理变化)之间的复杂相互作用提供了有价值的见解。 MMP9和缺血性中风的单核苷酸多态性(SNP)特征被认为是可靠的工具变量(补充表S2)。图10A和C展示了个体基因变异对SLE的因果效应。利用逆方差加权(IVW)方法,我们发现MMP9与缺血性中风(IS)之间存在显著关联,优势比(OR)为1.0134(95% 。然而,孟德尔随机化 - 埃格(MR - Egger)方法未显示出统计学上的显著效应(OR (补充表S3)。代表因果效应的漏斗图显示出近似对称性(图10B),并且MR - Egger回归的截距表明不存在水平多效性 ,进一步证实了不存在有偏的因果效应(补充表S4)。异质性检验得出,MR - Egger方法的Q统计量为72.8263,自由度为70 ;IVW方法的Q统计量为73.0138,自由度为71 ,表明因果效应不存在显著的异质性(补充表S5)。图10D展示了在排除每个SNP后对其余SNP进行的系统孟德尔随机化(MR)分析。一致的结果表明,所有SNP的因果显著性仍然存在,这表明不存在影响MMP9水平和IS的主导SNP。这些发现验证了先前的MR结果。

讨论

SLE是一种多方面的自身免疫性疾病,其特点是临床表现多样且治疗策略有限。 探索导致SLE的其他机制至关重要。近期研究强调了表观遗传学,特别是N6 - 甲基腺苷(m6A)RNA修饰,在SLE病因中的深远影响。

image

 

图5 SLE潜在生物标志物的选择。(A)在最小绝对收缩和选择算子(LASSO)模型中筛选调整特征。(B)均方根误差(RMSE)是用于评估支持向量机递归特征消除(SVM - RFE)模型性能的指标。RMSE值越小,表明模型的预测能力越好。(C和D)SVM - RFE模型中的特征选择旨在确定最佳特征子集,以增强模型的泛化能力和预测准确性。(E)随机森林模型的性能随树的数量而变化,这使得可以优化模型设置,在避免过拟合或欠拟合的同时提高预测准确性。(F)从随机森林树模型获得的基因重要性气泡图。

image

 

图6 系统性红斑狼疮(SLE)诊断标志物候选物的筛选。(A)与SLE相关的基因模块。(B)基于拓扑重叠矩阵(I - TOM)对合并数据集中的所有基因进行聚类,得到以不同颜色表示的共表达模块。(C)散点图显示在合并数据集中黄色模块与SLE呈强正相关。(D)韦恩图展示了LASSO、SVM - RFE、RF和WGCNA共同筛选出的四种诊断生物标志物。(E)采用ROC曲线评估枢纽基因对SLE的诊断价值。

在免疫系统框架内,m6A在协调固有免疫细胞和适应性免疫细胞(包括T细胞、 细胞 和树突状细胞 等)的激活、分化和功能方面发挥着不可或缺的作用。此外, 参与DNA修复和免疫耐受过程,这些过程与自身抗原的产生和自身免疫反应本质上相关。 随着前沿分子生物学技术的出现,对SLE发病机制中m6A相关基因的研究已成为一个重点研究领域,旨在发现创新且有效的治疗干预措施。

image

 

图7 枢纽基因的m6A修饰水平和基因表达水平。(A)小提琴图展示了四个枢纽基因的表达谱。(B)使用RT - qPCR验证SLE中四个枢纽基因的表达水平。(C)通过MeRIP - qPCR验证SLE中四个关键基因的m6A修饰水平。(*p < 0.05,**p < 0.01,****p < 0.01,*:** 。

缩写:ns,无显著性差异。

诊断生物标志物是识别患者病理变化的重要工具。当代研究主要集中在验证与SLE明确相关的生物标志物。 赵等人指出,IFI44L启动子的甲基化状态可有效区分SLE患者、健康个体和其他自身免疫性疾病患者。 近期研究利用生物信息学方法确定差异表达基因(DEGs),并通过ROC曲线分析评估其诊断准确性,强调IFI44是一种有前景的诊断生物标志物。 同时,其他利用DEG和WGCNA分析的研究已确定了与SLE相关的免疫相关通路,IFI27显示出潜在的诊断能力。 后续研究揭示了SLE中TNFSF13B和OAS1与代谢综合征之间的正相关关系,为SLE合并代谢综合征的共病情况和潜在联合治疗提供了见解。 其他研究为探索SLE患者中与动脉粥样硬化相关的关键基因(SPI1、MMP9、C1QA、CX3CR1、MNDA)奠定了基础。 此外,生物信息学探索发现了主要与多种病毒感染相关的DEGs,其中HMGB1、ITGB2和CREB5为核心基因。

image

 

图8 MMP9与免疫细胞浸润水平相关。(A)相关性图展示MMP9表达与巨噬细胞的关系。(B)相关性图展示MMP9表达与CD8* T细胞的关系。(C)棒棒糖图直观呈现MMP9与免疫细胞的相关性。红色突出显示的文本表示 值小于0.05,表明具有统计学意义。

我们的研究结果表明,差异表达基因(DEGs)在嗅觉转导通路中显著富集,而其他大多数基因与病毒感染有关。嗅觉转导通路包括气味分子结合、离子通道开放、神经元去极化和信号传递,同时对环境波动敏感。近期研究已将嗅觉转导与系统性红斑狼疮(SLE)联系起来,包括SLE患者嗅觉功能的改变及其与嗅觉功能障碍的关联。 SLE中N6 - 甲基腺苷免疫的整合模型已证明,嗅觉转导与神经活性配体 - 受体相互作用通路呈正相关。 此外,对SLE和系统性硬化症的纵向研究已将SLE患者的嗅觉功能障碍与年龄、疾病活动度、焦虑和抑郁症状加重等变量联系起来,这提示了潜在的诊断和治疗意义。 然而,需要进行全面的研究以充分理解嗅觉转导通路与SLE之间的确切关系和潜在机制。

image

 

图9 MMP9的功能富集分析。(A)使用基因集变异分析(GSVA)进行通路富集分析,并以柱状图展示不同亚型中的差异表达基因。(B)免疫功能的箱线图分析,根据目标基因MMP9的表达水平(高和低)对样本进行分组,展示了各种免疫功能得分的分布情况。每个箱线图代表一种特定的免疫功能,箱体表示得分的四分位间距,须线表示得分的全距。 。

image

 

图10 两样本孟德尔随机化研究结果。(A)散点图展示了MMP9对缺血性中风易感性的因果影响。(B)漏斗图用于评估MMP9对缺血性中风影响的孟德尔随机化(MR)估计值的总体异质性。(C)森林图展示了单个单核苷酸多态性(SNP)对缺血性中风风险的因果效应。(D)逐个剔除图用于可视化每次剔除一个SNP时MMP9对缺血性中风风险的因果效应。

为了寻找潜在的生物标志物,我们对通过随机森林、支持向量机递归特征消除(SVM - RFE)、最小绝对收缩和选择算子(LASSO)和加权基因共表达网络分析(WGCNA)得到的关键基因进行了交集分析。甲基化RNA免疫沉淀定量聚合酶链反应(MeRIP - qPCR)验证证实了这些基因中m6A修饰与MMP9的关联。此外,RM2target数据库预测了MMP9与ALKBH5、FTO、METTL3、METTL14和YTHDF2之间的相互作用,体外实验证据也证实了这一点。

基质金属蛋白酶9(MMP9)是一种能够降解细胞外基质和免疫复合物的酶,在SLE患者中表达升高,并且与疾病活动度和器官损伤密切相关。 MMP9的发病机制涉及多种机制,包括自身抗原降解、免疫复合物清除、细胞凋亡调节、细胞黏附和迁移调节、血管生成参与和炎症反应。 MMP9还促进中性粒细胞胞外陷阱(NETs)的释放,这可能引发自身免疫和组织损伤。 此外,SLE患者肾脏中MMP9表达的升高与狼疮性肾炎的发生和发展相关。 此外,MMP9与SLE患者心血管系统中的动脉粥样硬化和心肌损伤有关。 MMP9的影响还延伸到神经系统,通过血脑屏障降解和免疫细胞浸润与神经精神症状相关。 这些多方面的影响凸显了MMP9作为治疗SLE免疫失调、组织损伤和器官并发症的潜在治疗靶点的重要性。

近期研究阐明了系统性红斑狼疮(SLE)与缺血性中风(IS)之间的多方面联系。这些研究涵盖了SLE的遗传易感性与IS并发风险之间的关联、SLE患者群体中神经并发症的表现,以及在SLE背景下对IS进行治疗干预的方法。 急性期中基质金属蛋白酶9(MMP9)的激活可促使血脑屏障破坏、脑水肿形成和出血性转化。 研究表明,MMP9水平与严重脑水肿、出血性转化和不良功能结局的风险相关。 MMP9基因中的单核苷酸多态性(SNPs)也可能影响IS的发生和预后。一些研究发现,MMP9的基因多态性与IS的风险和预后有关。 例如,MMP9 rs17576多态性与汉族客家人群中IS风险增加有关,并与MMP12 rs660599多态性相互作用,进一步增加IS风险。 除了基因水平,MMP9在蛋白质水平上也与IS密切相关。一些研究发现,IS患者血清或血浆中的MMP9水平升高,且与IS的严重程度和不良结局有关。 其他研究发现,IS患者脉络丛上皮细胞(CPECs)中MMP9升高,导致紧密连接蛋白(TJs)降解和血脑脊液屏障破坏,从而促进免疫细胞浸润和神经元死亡。 综上所述,MMP9与IS有着复杂而重要的关系,可从多个方面影响IS的发生和发展。一些针对MMP9的治疗策略已在动物模型或临床试验中得到验证,例如使用MMP抑制剂或中和抗体来降低MMP9的活性或表达。 然而,这些策略仍存在一些局限性和不确定性,需要进一步优化和验证。在我们的研究中,采用MMP9和IS的全基因组关联研究(GWAS)数据进行的双样本孟德尔随机化(MR)分析确定了MMP9表达水平与IS风险增加之间的因果关系,与传统观察性研究相比,提供了更可靠的结果。

在探索MMP9、N6-甲基腺苷(m6A)修饰、IS和SLE之间的联系时,我们揭示了这些因素之间相互关联的复杂网络。MMP9在SLE中的作用尤为关键,它不仅参与免疫细胞迁移和炎症反应,还与缺血性中风的预后密切相关。此外,MMP9的特定基因变异与IS风险增加有关,IS是SLE的常见并发症,这凸显了MMP9与这两种疾病并发之间的潜在联系。

m6A修饰在SLE中至关重要,特别是通过其对包括MMP9在内的关键基因表达的影响。MMP9的m6A修饰起着关键作用,间接影响SLE患者中IS的发生。这种表观遗传机制的变化可能调节炎症反应和血管稳定性,从而影响IS的风险。

我们的研究表明,在SLE背景下,m6A修饰的改变和MMP9的上调可能共同影响炎症过程,而MMP9的上调可能与SLE患者的IS风险相关。这些见解为理解SLE及其并发症提供了新视角,为未来的治疗策略提供了有价值的指导。通过综合考虑这些因素,我们的分析不仅加深了对SLE和IS之间联系的理解,还为未来的研究和临床实践指明了方向。

尽管我们的研究取得了重大发现,但仍存在一些局限性。首先,与SLE中m6A修饰致病机制直接相关的基因表达综合数据库(GSE)数据集稀缺。这限制了我们深入探索m6A修饰在SLE中作用的能力。其次,我们研究中使用的样本量相对较小,可能影响研究结果的普遍性和可靠性。此外,样本选择中可能存在的偏差表明,我们的结果可能不完全适用于更广泛的人群。而且,我们的机器学习模型主要用于特征选择和初步生物标志物筛选,而非复杂的预测或分类任务。最后,虽然采用了先进的生物信息学技术和统计方法,但我们的分析仅限于基因表达数据。未来结合其他类型数据(如蛋白质表达和临床数据)的研究可能会提供更全面的见解。

结论

综上所述,m6A调控基因可能对系统性红斑狼疮(SLE)的发病机制产生重大影响。在SLE的背景下,基质金属蛋白酶9(MMP9)的表达受m6A修饰调控,并且与SLE相关的缺血性中风显著相关。这一发现可能有助于推进症状前诊断方法的发展,并为潜在的分子机制提供更多见解,从而加深对与SLE相关的风险基因的理解。

数据共享声明

本研究分析了公开可用的数据集。这些数据可在以下网址找到:https://www.ncbi.nlm.nih.gov/ ,GSE50772、GSE61635、GSE72509和GSE81622。

伦理声明

涉及人类参与者的研究已由陆军军医大学第一附属医院伦理委员会审查并批准。需要注意的是,已从原始研究中的患者和个人处获得了知情同意书。

致谢

我们感谢提供基因表达综合数据库(GEO)公共数据集的作者。本文中表达的所有观点仅为作者个人观点,不一定代表其所属机构、出版商、编辑和审稿人的观点。本文中可能评估的任何产品或其制造商可能提出的任何声明,均未得到出版商的保证或认可。

作者贡献

所有作者都对所报道的工作做出了重大贡献,无论是在概念构思、研究设计、实施、数据获取、分析和解释方面,还是在所有这些领域;参与了文章的起草、修订或批判性审阅;批准了待发表的版本;同意将文章提交至该期刊;并同意对工作的各个方面负责。

资金支持

本研究得到了国家自然科学基金(项目编号:81773316)的资助。

利益披露

作者声明,该研究是在不存在任何可能被视为潜在利益冲突的商业或财务关系的情况下进行的。

参考文献

1. Tsokos GC, Lo MS, Costa Reis P等。系统性红斑狼疮免疫发病机制的新见解。《自然综述:风湿病学》。2016;12 (12):716 - 730。doi:10.1038/nrrheum.2016.186

2. Crow MK。系统性红斑狼疮的发病机制:风险因素、机制和治疗靶点。《风湿病年鉴》。2023;82(8):999 - 1014。doi:10.1136/ard - 2022 - 223741

3. 朗特里(Roundtree)IA、埃文斯(Evans)ME、潘(Pan)T等。基因表达调控中的动态RNA修饰。《细胞》(Cell)。2017年;169(7):1187 - 1200。doi:10.1016/j.cell.2017.05.045

4. 崔(Cui)L、马(Ma)R、蔡(Cai)J等。RNA修饰:在免疫细胞生物学及相关疾病中的重要性。《信号转导与靶向治疗》(Signal Transduct Target Ther)。2022年;7(1):334。doi:10.1038/s41392-022-01175-9

5. 赵(Zhao)X、葛(Ge)L、王(Wang)J等。通过生物信息学分析探索系统性红斑狼疮中N6 - 甲基腺苷免疫的潜在整合模型。《前沿免疫学》(Front Immunol)。2021年;12:752736。doi:10.3389/fimmu.2021.752736

6. 黄(Huang)Y、薛(Xue)Q、常(Chang)J等。自身免疫性疾病中的m6A甲基化修饰:一种基于表观遗传学的有前景的治疗策略。《关节炎研究与治疗》(Arthritis Res Ther)。2023年;25(1):189。doi:10.1186/s13075-023-03149-w

7. 李(Li)LJ、范(Fan)YG、冷(Leng)RX等。m(6)A修饰与系统性红斑狼疮之间的潜在联系。《分子免疫学》(Mol Immunol)。2018年;93:55 - 63。doi:10.1016/j.molimm.2017.11.009

8. 吕(Lv)X、刘(Liu)X、赵(Zhao)M等。系统性红斑狼疮中的RNA甲基化。《细胞与发育生物学前沿》(Front Cell Dev Biol)。2021年;9:696559。doi:10.3389/fcell.2021.696559

9. 陆(Lu)S、魏(Wei)X、朱(Zhu)H等。m(6)A甲基转移酶METTL3调控系统性红斑狼疮中CD4(+) T细胞活化和效应T细胞分化。《分子医学》(Mol Med)。2023年;29(1):46。doi:10.1186/s10020-023-00643-4

10. 赵(Zhao)X、董(Dong)R、张(Zhang)L等。circGARS的N6 - 甲基腺苷依赖性修饰通过NF - κB/A20轴促进系统性红斑狼疮进展。《关节炎研究与治疗》(Arthritis Res Ther)。2022年;24(1):37。doi:10.1186/s13075-022-02732-x

11. 吴(Wu)J、邓(Deng)L - J、夏(Xia)Y - R等。长链非编码RNA的N6 - 甲基腺苷修饰与系统性红斑狼疮的关系。《分子免疫学》(Mol Immunol)。2022年;143:77 - 84。doi:10.1016/j.molimm.2022.01.006

12. 周(Zhou)W、王(Wang)X、常(Chang)J等。RNA甲基化的分子结构和生物学功能,特别强调RNA甲基化在自身免疫性疾病中的作用。《临床实验室科学评论》(Crit Rev Clin Lab Sci)。2022年;59(3):203 - 218。doi:10.1080/10408363.2021.2002256

13. 巴雷特(Barrett)T、威尔怀特(Wilhite)SE、勒杜(Ledoux)P等。美国国立医学图书馆基因表达综合数据库(NCBI GEO):功能基因组数据集存档更新。《核酸研究》(Nucleic Acids Res)。2013年;41(数据库专刊): D991 - D995。doi:10.1093/nar/gks1193

14. 劳(Law)CW、陈(Chen)Y、施(Shi)W等。voom:精确权重解锁RNA测序读数计数的线性模型分析工具。《基因组生物学》(Genome Biol)。2014年;15(2): R29。doi:10.1186/gb-2014-15-2-r29

15. 科尔德(Kolde)R、劳尔(Laur)S、阿德勒(Adler)P等。用于基因列表整合和荟萃分析的稳健秩聚合方法。《生物信息学》(Bioinformatics)。2012年;28(4):573 - 580。doi:10.1093/bioinformatics/btr709

16. 利克(Leek)JT、约翰逊(Johnson)WE、帕克(Parker)HS等。sva软件包用于去除高通量实验中的批次效应和其他不必要的变异。《生物信息学》(Bioinformatics)。2012年;28(6):882 - 883。doi:10.1093/bioinformatics/bts034

17. 苏布拉马尼亚姆(Subramanian)A、塔马约(Tamayo)P、穆萨(Mootha)VK等。基因集富集分析:一种基于知识的全基因组表达谱解读方法。《美国国家科学院院刊》(Proc Natl Acad Sci U S A)。2005年;102(43):15545 - 15550。doi:10.1073/pnas.0506580102

18. 利伯尔宗(Liberzon A)、比尔格(Birger C)、索尔瓦尔德斯多蒂尔(Thorvaldsdóttir H)等。分子特征数据库(MSigDB)标志性基因集集合。《细胞系统》。2015年;1(6):417 - 425。doi:10.1016/j.cels.2015.12.004

19. 里奇(Ritchie ME)、菲普森(Phipson B)、吴(Wu D)等。limma助力RNA测序和微阵列研究的差异表达分析。《核酸研究》。2015年;43(7):e47。doi:10.1093/nar/gkv007

20. Kanehisa M、后藤(Goto S)。京都基因与基因组百科全书(KEGG)。《核酸研究》。2000年;28(1):27 - 30。doi:10.1093/nar/28.1.27

21. 廖(Liaw A)、维纳(Wiener MC)。随机森林分类与回归。《R新闻》。2002年;2(3):18 - 22。

22. 哈雷尔(Harrell JFE)。回归建模策略:应用于线性模型、逻辑回归和生存分析。纽约:施普林格出版社;2001年。

23. 朗费尔德(Langfelder P)、霍瓦特(Horvath S)。WGCNA:用于加权相关网络分析的R包。《BMC生物信息学》。2008年;9(1):559。doi:10.1186/1471 - 2105 - 9 - 559

24. 朗费尔德(Langfelder P)、霍瓦特(Horvath S)。用于稳健相关性和层次聚类的快速R函数。《统计软件杂志》。2012年;46(11)。doi:10.18637/jss.v046.111

25. 汉策尔曼(Hänzelmann S)、卡斯特洛(Castelo R)、吉尼(Guinney J)。GSVA:用于微阵列和RNA测序数据的基因集变异分析。《BMC生物信息学》。2013年;14(1):7。doi:10.1186/ 1471 - 2105 - 14 - 7

26. 赫马尼(Hemani G)、郑(Zheng J)、埃尔斯沃思(Elsworth B)等。MR - Base平台支持跨人类表型组的系统因果推断。《eLife》。2018年;7:e34408。

27. 罗宾(Robin X)、图尔克(Turck N)、海纳德(Hainard A)等。pROC:用于R和S +的开源包,用于分析和比较ROC曲线。《BMC生物信息学》。2011年;12(1):77。doi:10.1186/1471 - 2105 - 12 - 77

28. 吴(Wu T)、胡(Hu E)、徐(Xu S)等。clusterProfiler 4.0:用于解释组学数据的通用富集工具。《创新》。2021年;2(3):100141。doi:10.1016/j. xinn.2021.100141

29. 李(Li HB)、童(Tong J)、朱(Zhu S)等。m⁶A mRNA甲基化通过靶向IL - 7/STAT5/SOCS通路控制T细胞稳态。《自然》。2017年;548(7667):338 - 342。doi:10.1038/nature23450

30. 董(Dong L)、陈(Chen C)、张(Zhang Y)等。肿瘤相关巨噬细胞中RNA N⁶ - 腺苷甲基转移酶Mettl14的缺失促进CD8⁺ T细胞功能障碍和肿瘤生长。《癌细胞》。2021年;39(7):945 - 57.e10。doi:10.1016/j.ccell.2021.04.016

31. 伊藤 - 久叶(Ito - Kureha T)、莱奥尼(Leoni C)、博兰(Borland K)等。Wtap在mRNA N⁶ - 腺苷甲基化中的功能控制T细胞受体信号传导和T细胞存活。《自然免疫学》。2022年;23(8):1208 - 1221。doi:10.1038/s41590 - 022 - 01268 - 1

32. 郑(Zheng Z)、张(Zhang L)、崔(Cui XL)等。RNA N⁶ - 甲基腺苷甲基化对早期B细胞发育的调控。《细胞报告》。2020年;31(13):107819。doi:10.1016/j.celrep.2020.107819

33. 韩(Han D)、刘(Liu J)、陈(Chen C)等。树突状细胞中mRNA m⁶A甲基化和YTHDF1对抗肿瘤免疫的调控。《自然》。2019年;566(7743):270 - 274。doi:10.1038/s41586 - 019 - 0916 - x

34. 王 H、胡 X、黄 M 等。Mettl3 介导的信使核糖核酸(mRNA)m⁶A 甲基化促进树突状细胞活化。《自然通讯》(Nat Commun)。2019 年;10(1):1898。doi:10.1038/s41467-019-09903-6

35. 周 MJ、刘 W、张 JY 等。免疫细胞中的 RNA m⁶A 修饰与 DNA 修复:生物学功能及临床应用前景。《细胞与发育生物学前沿》(Front Cell Develop Biol)。2021 年;9:13。doi:10.3389/fcell.2021.794754

36. 西亚西亚 S、罗卡泰洛 D、拉丹 M 等。未分化结缔组织病(UCTD)与早期系统性红斑狼疮(SLE)的鉴别:从定义到临床处理。《自然综述·风湿病学》(Nat Rev Rheumatol)。2022 年;18(1):9 - 21。doi:10.1038/s41584-021-00710-2

37. 赵 M、周 Y、朱 B 等。IFI44L 启动子甲基化作为系统性红斑狼疮的血液生物标志物。《风湿病年鉴》(Ann Rheum Dis)。2016 年;75(11):1998 - 2006。doi:10.1136/annrheumdis-2015-208410

38. 赵X,张L,王J等。通过整合生物信息学分析鉴定系统性红斑狼疮(systemic lupus erythematosus)的关键生物标志物和免疫浸润。《转化医学杂志》。2021;19(1):35。doi:10.1186/s12967-020-02698-x

39. 沈L,兰L,朱T等。鉴定并验证IFI44为狼疮性肾炎(lupus nephritis)的关键生物标志物。《洛桑前沿医学》。2021;8:762848。doi:10.3389/fmed.2021.762848

40. 郑Q,王D,林R等。IFI44是类风湿性关节炎(RA)患者感染严重急性呼吸综合征冠状病毒2(SARS-CoV-2)和金黄色葡萄球菌(Staphylococcus aureus)的免疫逃逸生物标志物。《前沿免疫学》。2022;13:1013322。doi:10.3389/fimmu.2022.1013322

41. 蒋Z,邵M,戴X等。基于生物信息学分析和机器学习鉴定系统性红斑狼疮(systemic lupus erythematosus)的诊断生物标志物。《前沿遗传学》。2022;13:865559。doi:10.3389/fgene.2022.865559

42. 王Y,黄Z,肖Y等。通过生物信息学结合机器学习算法和单细胞测序分析系统性红斑狼疮(systemic lupus erythematosus)和代谢综合征的共同生物标志物和信号通路。《前沿免疫学》。2022;13:1015882。doi:10.3389/ fimmu.2022.1015882

43. 刘C,周Y,周Y等。基于综合生物信息学分析和机器学习鉴定预测系统性红斑狼疮(system lupus erythematosus)患者动脉粥样硬化风险的关键基因。《计算机生物学与医学》。2023;152:106388。doi:10.1016/j.compbiomed.2022.106388

44. 李H,张X,尚J等。鉴定系统性红斑狼疮(systemic lupus erythematosus)中与中性粒细胞胞外诱捕网(NETs)相关的生物标志物和分子簇。《前沿免疫学》。2023;14:1150828。doi:10.3389/fimmu.2023.1150828

45. 卡帕迪亚M,赵H,马D等。持续免疫抑制改变中枢神经系统狼疮MRL模型的嗅觉功能。《神经免疫药理学杂志》。2017;12(3):555 - 564。doi:10.1007/s11481-017-9745-6

46. 邦比尼MF,佩雷斯FA,拉帕AT等。系统性红斑狼疮(systemic lupus erythematosus)和系统性硬化症患者的嗅觉功能:一项纵向研究及文献综述。《自身免疫评论》。2018;17(4):405 - 412。doi:10.1016/j.autrev.2018.02.002

47. 鲍X,张Y,李H等。RM2Target:一个关于RNA修饰的写入器、擦除器和读取器靶点的综合数据库。《核酸研究》。2023;51(D1):D269 - D279。doi:10.1093/nar/gkac945

48. 法伯 - 埃尔曼A,斯托格Z,切尔尼亚克A等。系统性红斑狼疮(systemic lupus erythematosus)患者血清中基质金属蛋白酶 - 9活性升高。《临床与实验免疫学》。2002;127(2):393 - 398。doi:10.1046/j.1365-2249.2002.01758.x

49. 德阿尔梅达LGN,托德H,埃斯兰博尔基Y等。基质金属蛋白酶:从分子机制到生理学、病理生理学和药理学。《药理学评论》。2022;74(3):712 - 768。doi:10.1124/pharmnrev.121.000349

50. 乌加特 - 贝扎尔E,布恩L,马滕斯E等。基质金属蛋白酶 - 9/明胶酶B降解系统性红斑狼疮(systemic lupus erythematosus)中的免疫复合物。《前沿免疫学》。2019;10:538。doi:10.3389/fimmu.2019.00538

51. 卡莫纳 - 里维拉C,赵W,亚拉瓦尔蒂S等。中性粒细胞胞外诱捕网通过激活基质金属蛋白酶 - 2诱导系统性红斑狼疮(systemic lupus erythematosus)患者的内皮功能障碍。《风湿病年鉴》。2015;74(7):1417 - 1424。doi:10.1136/annrheumdis-2013-204837

52. 菲利普斯(Phillips)TM、法迪亚(Fadia)M、利 - 亨利(Lea - Henry)TN等。基质金属蛋白酶2(MMP2)和基质金属蛋白酶9(MMP9)与新月体性肾小球肾炎相关。《临床肾脏杂志》(Clin Kidney J)。2017年;10(2):215 - 220。doi:10.1093/ckj/sfw111

53. 江(Jiang)Z、隋(Sui)T、王(Wang)B。基质金属蛋白酶 - 2(MMP - 2)、基质金属蛋白酶 - 9(MMP - 9)、金属蛋白酶组织抑制因子 - 1(TIMP - 1)和金属蛋白酶组织抑制因子 - 2(TIMP - 2)水平与狼疮性肾炎患者发病机制的关系。《国际风湿病学杂志》(Rheumatol Int)。2010年;30(9):1219 - 1226。doi:10.1007/s00296 - 009 - 1135 - 9

54. 贝龙(Beroun)A、米特拉(Mitra)S、米哈卢克(Michaluk)P等。基质金属蛋白酶(MMPs)在学习、记忆及神经精神疾病中的作用。《细胞与分子生命科学》(Cell Mol Life Sci)。2019年;76(16):3207 - 3228。doi:10.1007/s00018 - 2019 - 03180 - 8

55. 瓦法达里(Vafadari)B、萨拉米安(Salamian)A、卡兹马雷克(Kaczmarek)L。基质金属蛋白酶 - 9(MMP - 9)的转化研究:从分子到大脑生理、病理及治疗。《神经化学杂志》(J Neurochem)。2016年;139(增刊2):91 - 114。doi:10.1111/jnc.13415

56. 特纳(Turner)RJ、夏普(Sharp)FR。基质金属蛋白酶9(MMP9)在缺血性中风后血脑屏障破坏和出血性转化中的意义。《神经科学前沿 - 细胞神经科学》(Front Cell Neurosci)。2016年;10:56。doi:10.3389/fncel.2016.00056

57. 亚法索娃(Yafasova)A、福斯博尔(Fosbol)EL、舒(Schou)M等。系统性红斑狼疮患者的长期心血管结局。《美国心脏病学会杂志》(J Am Coll Cardiol)。2021年;77(14):1717 - 1727。doi:10.1016/j.jacc.2021.02.029

58. 高(Gao)N、孔(Kong)M、李(Li)X等。系统性红斑狼疮与心血管疾病:一项孟德尔随机化研究。《免疫学前沿》(Front Immunol)。2022年;13:908831。doi:10.3389/fimmu.2022.908831

59. 泰克托尼杜(Tektonidou)MG、王(Wang)Z、沃德(Ward)MM。简报:1996年至2012年系统性红斑狼疮患者因急性冠状动脉综合征和中风住院的趋势。《关节炎与风湿病学》(Arthritis Rheumatol)。2016年;68(11):2680 - 2685。doi:10.1002/art.39758

60. 沙班(Shaban)A、莱拉(Leira)EC。系统性红斑狼疮患者的神经系统并发症。《当代神经病学与神经科学报告》(Curr Neurol Neurosci Rep)。2019年;19(12):97。doi:10.1007/s11910 - 2019 - 1012 - 1

61. 迪比亚斯(Di Biase)L、博努拉(Bonura)A、佩科拉罗(Pecoraro)PM等。挖掘中风血液生物标志物的潜力:早期诊断、缺血性与出血性鉴别及出血性转化风险:一篇全面综述。《国际分子科学杂志》(Int J Mol Sci)。2023年;24(14):11545。doi:10.3390/ijms241411545

62. 查图尔维迪(Chaturvedi)M、卡兹马雷克(Kaczmarek)L。抑制基质金属蛋白酶 - 9(MMP - 9):缺血性中风的一种治疗策略。《分子神经生物学》(Mol Neurobiol)。2014年;49(1):563 - 573。doi:10.1007/ s12035 - 2013 - 8538 - z

63. 吉克林(Jickling)GC、刘(Liu)D、斯塔莫娃(Stamova)B等。动物和人类缺血性中风后的出血性转化。《脑血流与代谢杂志》(J Cereb Blood Flow Metab)。2014年;34(2):185 - 199。doi:10.1038/jcbfm.2013.203

64. 文(Wen)D、杜(Du)X、聂(Nie)S - P等。基质金属蛋白酶家族基因多态性与缺血性中风的关联:一项荟萃分析。《分子神经生物学》(Mol Neurobiol)。2014年;50(3):979 - 985。doi:10.1007/s12035 - 2014 - 8687 - 8

65. 米斯拉(Misra)S、塔尔瓦尔(Talwar)P、库马尔(Kumar)A等。基质金属蛋白酶家族基因多态性与缺血性中风风险的关联:29项研究的系统评价和荟萃分析。《基因》(Gene)。2018年;672:180 - 194。doi:10.1016/j.gene.2018.06.027

66. 布拉钦斯卡(Buraczynska)K,库尔泽帕(Kurzepa)J,克夏泽克(Ksiazek)A等。中风患者的基质金属蛋白酶 - 9(MMP - 9)基因多态性。《神经分子医学》(Neuromolecular Med)。2015年;17(4):385 - 390。doi:10.1007/s12017 - 015 - 8367 - 5

67. 范(Fan)D,郑(Zheng)C,吴(Wu)W等。基质金属蛋白酶9(MMP9)单核苷酸多态性(SNP)及MMP单核苷酸多态性 - 单核苷酸多态性相互作用增加了汉族客家人群缺血性中风的风险。《大脑与行为》(Brain Behav)。2022年;12(2):e2473。

68. 钟(Zhong)C,杨(Yang)J,徐(Xu)T等。血清基质金属蛋白酶 - 9水平与急性缺血性中风的预后。《神经病学》(Neurology)。2017年;89(8):805 - 812。doi:10.1212/WNL.0000000000004257

69. 钟(Zhong)C,卜(Bu)X,徐(Xu)T等。血清基质金属蛋白酶 - 9与急性缺血性中风后的认知障碍。《美国心脏协会杂志》(J Am Heart Assoc)。2018年;7(1):e007776。

70. 张(Zhang)M,孟(Meng)X,潘(Pan)Y等。外周血基线基质金属蛋白酶9水平对轻度中风或短暂性脑缺血发作高危患者3个月预后的预测价值。《欧洲神经病学杂志》(Eur J Neurol)。2022年;29(10):2976 - 2986。doi:10.1111/ene.15342

71. 王(Wang)J,刘(Liu)R,哈桑(Hasan)MN等。SPAK - NKCC1信号级联在中风后脑脉络丛血 - 脑脊液屏障损伤中的作用。《神经炎症杂志》(J Neuroinflammation)。2022年;19(1):91。doi:10.1186/s12974 - 022 - 02456 - 4

72. 埃姆丁(Emdin)CA,凯拉(Khera)AV,卡蒂雷桑(Kathiresan)S。孟德尔随机化。《美国医学会杂志》(JAMA)。2017年;318(19):1925 - 1926。doi:10.1001/jama.2017.17219

73. 哈特维格(Hartwig)FP,戴维斯(Davies)NM,赫马尼(Hemani)G等。两样本孟德尔随机化:避免一种强大、广泛适用但可能有缺陷的技术的缺点。《国际流行病学杂志》(Int J Epidemiol)。2016年;45(6):1717 - 1726。doi:10.1093/ije/dyx028

系统性红斑狼疮

图片名称

艾维缔官网

图片名称
图片名称

艾德官网

图片名称
图片名称

B站IVDSHOW

图片名称
图片名称

抖音军哥聊表观

图片名称
图片名称

视频号艾维缔

图片名称
图片名称

小红书艾维缔

图片名称
图片名称

快手表观盒子

图片名称
图片名称

表观遗传学

图片名称

联系我们

Tel:+86-0313-5935521|18911529660

ADD:张家口市怀来县东花园镇哈工大研究院T8幢7层

邮箱:1951545998@qq.com

留言咨询

如果您对我们的产品和服务感兴趣,请留下您的信息。

立即咨询 →

IVDSHOW

订阅我们,以便及时了解产品更新和特惠活动

%{tishi_zhanwei}%
售后反馈 →

免责申明:本网站销售的所有产品均不得用于人类或动物之临床诊断或治疗,仅可用于工业或者科研等非医疗目的。(获得国家相关部门批准的产品除外) 

版权所有:艾维缔科技怀来有限公司 

营业执照