Un abonnement à JoVE est nécessaire pour voir ce contenu. Connectez-vous ou commencez votre essai gratuit.
Method Article
Cette étude a examiné les relations entre la stéatose hépatique non alcoolique (NAFLD) et l’infarctus du myocarde (IM) par le biais de gènes co-exprimés, en identifiant la thrombospondine 1 (THBS1) comme biomarqueur. L’analyse de l’immuno-infiltration a révélé que les lymphocytes T CD8+ et les neutrophiles étaient des facteurs clés, tandis que THBS1 pourrait servir d’outil de diagnostic de la NAFLD et de l’IM.
La stéatose hépatique non alcoolique (NAFLD) et l’infarctus du myocarde (IM) sont deux fardeaux majeurs pour la santé avec une prévalence et une mortalité importantes. Cette étude visait à explorer les gènes co-exprimés afin de comprendre la relation entre la NAFLD et l’IM et d’identifier des biomarqueurs cruciaux potentiels de l’IM lié à la NAFLD à l’aide de la bio-informatique et de l’apprentissage automatique. Une analyse d’enrichissement fonctionnel a été effectuée, un diagramme de réseau d’interaction co-protéine-protéine (IPP) a été construit, et les techniques d’élimination des caractéristiques récursives par machine du vecteur de support (SVM-RFE) et d’opérateur de moindre retrait absolu et de sélection (LASSO) ont été utilisées pour identifier un gène exprimé de manière différentielle (DEG), la thrombospondine 1 (THBS1). THBS1 a démontré de solides performances pour distinguer les patients atteints de NAFLD (AUC = 0,981) et les patients atteints d’IM (AUC = 0,900). L’analyse d’immuno-infiltration a révélé des lymphocytes T CD8+ significativement plus faibles et des taux de neutrophiles plus élevés chez les patients atteints de NAFLD et d’IM. Les lymphocytes T CD8+ et les neutrophiles étaient efficaces pour distinguer les NAFLD/MI des témoins sains. L’analyse de corrélation a montré que THBS1 était positivement corrélé avec le CCR (récepteur des chimiokines), la classe du CMH (classe du complexe majeur d’histocompatibilité), les neutrophiles, la parainflammation et le Tfh (lymphocytes T auxiliaires folliculaires), et négativement corrélé avec les lymphocytes T CD8+, l’activité cytolytique et les TIL (lymphocytes infiltrant la tumeur) chez les patients atteints de NAFLD et d’IM. THBS1 est apparu comme un nouveau biomarqueur pour diagnostiquer la NAFLD/MI par rapport aux témoins sains. Les résultats indiquent que les lymphocytes T CD8+ et les neutrophiles pourraient servir de caractéristiques immunitaires inflammatoires pour différencier les patients atteints de NAFLD/MI des individus en bonne santé.
La stéatose hépatique non alcoolique (NAFLD) est un problème majeur de santé publique avec une prévalence de 25 à 30 %1. Il a été rapporté que la prévalence de la NAFLD est élevée chez les patients atteints de diabète2. Cependant, l’importance de la NAFLD chez les patients non diabétiques n’est pas encore claire. Des études ont suggéré que la NAFLD joue un rôle indépendant dans la pathogenèse de l’athérosclérose 3,4. De plus, une méta-analyse a montré que la NAFLD est étroitement associée à la calcification de l’artère coronaire, à la dysfonction endothéliale et à l’athérosclérose, et est apparue comme un facteur de risque cardiovasculaire indépendant5. Le lien entre la NAFLD et les maladies cardiovasculaires nécessite encore des recherches plus approfondies.
L’infarctus du myocarde (infarctus du myocarde) est une maladie catastrophique qui menace la santé et impose un fardeau économique important aux patients et à leurs familles dans le monde entier6. L’infarctus du myocarde est également une cause majeure de décès chez les patients atteints de NAFLD. Une étude clinique publiée dans le British Medical Journal a montré que le risque d’infarctus du myocarde chez les patients atteints de NAFLD est 1,17 fois plus élevé que chez les patients non atteints de NAFLD 7,8. Certaines études ont identifié des voies moléculaires, notamment l’inflammation, le stress oxydatif et le métabolisme des lipides, qui contribuent à l’IM 9,10,11 lié à la NAFLD. Cependant, les mécanismes sous-jacents qui lient la NAFLD et l’IM restent flous. Il est crucial d’identifier de nouveaux biomarqueurs liés au pronostic de la NAFLD et de l’IM.
La prévalence croissante de la NAFLD, qui touche un large segment de la population, souligne un problème de santé publique important, en particulier compte tenu de son association avec le diabète. Cependant, l’impact de la NAFLD sur les patients non diabétiques reste mal compris. La NAFLD a été impliquée dans la pathogenèse de l’athérosclérose et est reconnue comme un facteur de risque cardiovasculaire indépendant, étant étroitement liée à la calcification de l’artère coronaire, à la dysfonction endothéliale et à l’athérosclérose. Malgré ces associations, les mécanismes précis qui font le lien entre la NAFLD et les maladies cardiovasculaires telles que l’infarctus du myocarde (IM) nécessitent une élucidation plus approfondie. L’IM est l’une des principales causes de mortalité dans le monde et impose un fardeau économique important. Le risque d’infarctus du myocarde chez les patients atteints de NAFLD est nettement plus élevé que chez ceux qui n’en ont pas, ce qui souligne la nécessité d’une compréhension plus approfondie des voies moléculaires reliant ces conditions. Bien que l’inflammation, le stress oxydatif et le métabolisme des lipides aient été suggérés comme facteurs contributifs, les mécanismes exacts restent incertains. Il est urgent d’identifier de nouveaux biomarqueurs qui peuvent fournir des informations sur le pronostic et la prise en charge de l’IM lié à la NAFLD.
Par conséquent, dans cette étude, des ensembles de données de microréseaux d’ARN pour la NAFLD et l’IM ont été téléchargés à partir du National Center for Biotechnology Information-Gene Expression Omnibus (NCBI-GEO, voir Table of Materials) afin d’identifier et d’analyser l’interaction des gènes exprimés de manière différentielle (DEG) entre la NAFLD et l’IM. Analyse d’enrichissement, construction de diagrammes de réseau d’interaction protéine-protéine (IPP), élimination de caractéristiques récursives par machine de vecteurs de support (SVM-RFE), et les algorithmes LASO (Least Absolute Shrinkage and Selection operator) ont été utilisés pour identifier les gènes pivots 12,13,14,15,16,17,18,19. Une analyse d’immuno-infiltration a été réalisée pour examiner les cellules immunitaires chez les patients atteints de NAFLD et d’IM. En fin de compte, ces méthodes ont été intégrées pour élucider la relation entre la NAFLD et l’IM. La figure 1 illustre la séquence de conception suivie dans cette étude. En combinant la bioinformatique, l’apprentissage automatique et l’analyse d’immuno-infiltration, cette étude vise à contribuer au développement d’une nouvelle plateforme d’aide à la décision médicale.
Les principales contributions de cet article sont les suivantes : (1) Identification des gènes co-exprimés : L’étude met en évidence la relation entre la NAFLD et l’IM en identifiant les gènes co-exprimés, offrant une compréhension plus approfondie des liens moléculaires entre ces deux conditions. (2) Application de la bio-informatique et de l’apprentissage automatique : À l’aide de techniques de bio-informatique et d’apprentissage automatique, y compris l’élimination des caractéristiques récursives par machine du vecteur de support (SVM-RFE)17 et l’opérateur de sélection et de rétrécissement absolu minimal (LASSO)19, l’étude identifie THBS1 comme un gène exprimé de manière différentielle. THBS1 démontre une performance élevée pour distinguer les patients atteints de NAFLD et d’IM des témoins sains. (3) Analyse d’immuno-infiltration : L’étude effectue une analyse d’immuno-infiltration, révélant des niveaux significativement plus faibles de lymphocytes T CD8+ et des niveaux plus élevés de neutrophiles chez les patients atteints de NAFLD et d’IM. (4) Analyse de corrélation : La recherche démontre que THBS1 est positivement corrélé avec plusieurs facteurs immunitaires, y compris le CCR (récepteur des chimiokines), le CMH de classe I (complexe majeur d’histocompatibilité de classe I), les neutrophiles, para-inflammation et les cellules Tfh (T auxiliaires folliculaires). Il est négativement corrélé avec les lymphocytes T CD8+, l’activité cytolytique et les lymphocytes infiltrant la tumeur (TIL).
Les détails des bases de données, des liens Web et des logiciels/progiciels utilisés sont répertoriés dans la table des matériaux. Les paramètres de simulation utilisés sont indiqués dans le Tableau 1.
1. Obtention d’ensembles de données de microréseaux d’ARN
2. Identification des DEG
3. Analyse de l’enrichissement
4. Analyse des IPP par la construction de réseaux d’IPP
5. Sélection des DEG du hub candidat en appliquant des algorithmes d’apprentissage automatique
6. Construction de la courbe ROC pour l’évaluation des performances diagnostiques
7. Analyse de l’immuno-infiltration pour explorer l’immuno-infiltration
8. Analyse statistique
Les principales conclusions de l’étude proposée sont présentées ici, englobant diverses analyses menées pour élucider les mécanismes moléculaires sous-jacents à la NAFLD et à l’IM.
Identification des DEG
Dans l’ensemble de données GSE89632, 76 gènes régulés à la hausse et 20 gènes régulés à la baisse ont été identifiés comme NAFLD-DEG (Figure 2B,D), tandis que l’en...
La méthode décrite dans cette étude a des implications importantes pour la recherche sur les mécanismes moléculaires sous-jacents à la NAFLD et à l’IM. En identifiant des biomarqueurs clés tels que THBS1, le protocole proposé offre des cibles potentielles pour des interventions diagnostiques et thérapeutiques. Cette approche peut être étendue à d’autres maladies complexes impliquant de multiples voies et réponses immunitaires, facilitant ainsi la découverte de nouveaux...
Aucun.
Cette étude a été soutenue par la Fondation nationale des sciences naturelles de Chine (n° 62271511, U21A200949), la Fondation Yucai de l’Hôpital général du Commandement du théâtre sud (2022NZC011), le projet de programme scientifique et technologique de Guangzhou (2023A03J0170), le Centre national de recherche clinique en gériatrie (NCRCG-PLAGH-2023006) et la Fondation de recherche fondamentale et appliquée du Guangdong (n° 2020A1515010288, n° 2021A1515220101).
Name | Company | Catalog Number | Comments |
Cytoscape | Cytoscape Consortium | Version 3.6.1 | Used for visualizing protein-protein interaction (PPI) networks |
MI dataset GSE66360 (https://www.ncbi.nlm.nih.gov/geo/). | NCBI-GEO database | - | To collect RNA microarray datasets for analysis |
R package clusterProfiler | Bioconductor | - | Used for GO, KEGG, and DO enrichment analyses |
R package ggplot2 | CRAN | - | Used for creating Venn diagrams and other visualizations |
R package GSEABase | Bioconductor | - | Used in conjunction with GSVA for gene set enrichment analysis |
R package GSVA | Bioconductor | - | Used for single-sample gene set enrichment analysis (ssGSEA) |
R package limma | Bioconductor | - | Used for identifying differentially expressed genes (DEGs) |
R package pheatmap | CRAN | - | Used for generating heatmaps |
R package venn | CRAN | - | Used for creating Venn diagrams |
RNA microarray datasets (GSE66360, GSE89632) | NCBI-GEO | - | Publicly available RNA microarray datasets used for analysis |
RStudio | RStudio, PBC | Version 1.4.1717 | Integrated development environment for R |
String database | STRING (www.string-db.org/) | - | Online tool for constructing PPI networks |
Demande d’autorisation pour utiliser le texte ou les figures de cet article JoVE
Demande d’autorisationThis article has been published
Video Coming Soon