Resumen
Antecedentes
El asma, un trastorno inflamatorio crónico prevalente, está determinado por una interacción multifacética entre susceptibilidades genéticas y exposiciones ambientales. A pesar de los avances logrados en descifrar su panorama fisiopatológico, los intrincados fundamentos moleculares del asma siguen siendo difíciles de alcanzar. La atención se ha desplazado cada vez más hacia las aberraciones metabólicas que acompañan al asma, particularmente dentro del dominio del metabolismo de las pirimidinas (PyM), una vía crítica en la síntesis y degradación de nucleótidos. Si bien se ha reconocido la relevancia terapéutica de PyM en diversas enfermedades, sus contribuciones específicas a la patología del asma aún están poco exploradas. Este estudio emplea enfoques bioinformáticos sofisticados para delinear y confirmar la participación de los genes PyM (PyMG) en el asma, con el objetivo de cerrar esta importante brecha en el conocimiento.
Métodos
Empleando técnicas bioinformáticas de vanguardia, esta investigación tuvo como objetivo dilucidar el papel de las PyMG en el asma. Realizamos un examen detallado de 31 PyMG para evaluar su expresión diferencial. A través del análisis de enriquecimiento de conjuntos de genes (GSEA) y el análisis de variación de conjuntos de genes (GSVA), exploramos las funciones biológicas y las vías vinculadas a estos genes. Utilizamos la regresión de Lasso y la eliminación de características recursivas por máquina de vectores de soporte (SVM-RFE) para identificar genes centrales críticos y determinar la precisión diagnóstica de ocho PyMG para distinguir el asma, complementado con un extenso estudio de correlación con las características clínicas de la enfermedad. La validación de las expresiones genéticas se realizó utilizando los conjuntos de datos GSE76262 y GSE147878.
Resultados
Nuestros análisis revelaron que once PyMG (DHODH, UMPS, NME7, NME1, POLR2B, POLR3B, POLR1C, POLE, ENPP3, RRM2B, TK2) están significativamente asociados con el asma. Estos genes desempeñan funciones cruciales en procesos biológicos esenciales como el empalme de ARN, el mantenimiento de la estructura anatómica y los procesos metabólicos que involucran compuestos de purina.
Conclusiones
Esta investigación identifica once PyMG en el centro de la patogénesis del asma, estableciéndolos como posibles biomarcadores de esta enfermedad. Nuestros hallazgos mejoran la comprensión de los mecanismos moleculares del asma y abren nuevas vías para mejorar el diagnóstico, el seguimiento y la evaluación de la progresión. Al proporcionar nuevos conocimientos sobre patologías no cancerosas, nuestro trabajo introduce una perspectiva novedosa y sienta las bases para futuros estudios en este campo.
Introducción
El asma, una enfermedad crónica y compleja, afecta a más de 300 millones de personas en todo el mundo, y las proyecciones sugieren un aumento a 400 millones para 2025 (1). Caracterizada por una inflamación generalizada de las vías respiratorias y una dinámica celular intrincada, el asma presenta importantes desafíos para la salud global, como lo indica la Red Global de Asma (GAN) con tasas de prevalencia del 10,5% entre niños y del 4,4% entre adultos (2). La enfermedad se manifiesta a través de síntomas como hiperreactividad de las vías respiratorias, infiltración eosinofílica, obstrucción reversible del flujo de aire, remodelación de las vías respiratorias, hipersecreción de moco e hiperplasia de células caliciformes.3). A pesar de una extensa investigación, los mecanismos subyacentes del asma siguen siendo poco conocidos, como consecuencia de su naturaleza multifactorial que involucra componentes genéticos, ambientales, infecciosos, inmunológicos y dietéticos. Los enfoques terapéuticos actuales se dirigen principalmente al control de los síntomas, lo que a menudo deja a un número considerable de pacientes sin tratamiento adecuado.4). Esta brecha subraya la necesidad crítica de una investigación en profundidad sobre las bases genéticas y moleculares del asma, que podría revolucionar nuestra comprensión de su inicio y progresión.5). Los avances en este campo prometen pasar del simple manejo de los síntomas a alterar la trayectoria de la enfermedad, transformando potencialmente el tratamiento del asma y mejorando significativamente la atención al paciente en todo el mundo.6).
PyM desempeña un papel fundamental en la síntesis, degradación y reciclaje de nucleobases de pirimidina críticas, como la citosina y el uracilo, que son cruciales para las estructuras de los ácidos nucleicos. Más allá de su papel fundamental en la síntesis de ácidos nucleicos, PyM está estrechamente vinculado a aspectos más amplios del metabolismo energético a través de sus vías biosintéticas y catabólicas, abarcando tanto rutas de novo como de rescate.7). Estas vías son particularmente vitales en las células que se dividen rápidamente (8). Las alteraciones en las vías de PyM pueden provocar una variedad de trastornos inflamatorios metabólicos y autoinmunes hereditarios, incluido el asma. Estudios recientes destacan el papel de los microARN, en particular miR-146a y miR-155, en la promoción del asma al regular a la baja genes que normalmente suprimen la proliferación celular (9). Además, la modulación de estos microARN a través de vías mediadas por TSHR revela información sobre las características fibroproliferativas del asma. Investigación de Madera-Salcedo et al. ha demostrado que la hipermetilación inducida por inflamación de PPP2R2B (B55ß) conduce a resistencia a la apoptosis en ausencia de citocinas (10). Al mismo tiempo, Zhu et al. demostró cómo UBE2T exacerba la progresión del carcinoma hepatocelular al influir en PyM (11). Esta investigación tiene como objetivo analizar el papel de los PyMG en la inmunoterapia del asma, buscando descubrir nuevas oportunidades terapéuticas mediante la investigación de la formación de purinosomas y la vía del metabolismo de la glutamina pirimidina (12). A pesar de los avances significativos, el impacto de PyM en el panorama inmunogénico y su papel fundamental en la mejora de la eficacia de las inmunoterapias para el asma siguen siendo poco conocidos. Este estudio está comprometido con una evaluación integral de los PyMG y su integración con estrategias inmunoterapéuticas en el asma, lo que podría conducir a avances clínicos transformadores.
La Iniciativa contra el Asma presagia un salto transformador en la investigación biomédica, integrando una secuenciación transcriptómica integral con anotaciones clínicas detalladas para dilucidar las complejidades transcripcionales y moleculares del asma.13,14,15). Este proyecto emplea bioinformática de vanguardia para navegar por vastos conjuntos de datos, con el objetivo de revelar los complejos fundamentos fisiopatológicos de la enfermedad. En particular, el papel de las PyMG en el esquema del asma aún no se ha explorado lo suficiente. Nuestro estudio aborda esta supervisión utilizando conjuntos de datos específicos del asma del GEO para investigar el impacto y la relevancia de los PyMG en la patogénesis del asma, como se ilustra en la Fig. 1. A través de este análisis enfocado, nuestro objetivo es mejorar nuestra comprensión de las bases moleculares del asma y allanar el camino para nuevas estrategias terapéuticas.
Estructura
Materiales y métodos
Las metodologías propuestas por Zi-Xuan Wu et al. en 2023 fueron empleados en este estudio (16).
Datos sin procesar
Se buscó en GEO la expresión de ARNm. Serie: GSE76262 y GSE147878. Plataforma: GPL13158 y GPL6480. Estrategia de búsqueda (‘Parkinson’ (MeSH) mRNA (Todos los campos) y normal) AND (‘Homo sapiens’ (Organismo) AND ‘Non-coding RNA profiling by array’ (Filtro)). Específicamente, esta investigación aprovechó los conjuntos de datos GSE76262 y GSE147878, respaldados por las plataformas GPL13158 y GPL6480. GSE76262 funcionó como cohorte de entrenamiento, mientras que GSE147878 constituyó el grupo de prueba (Tabla 1). También identificamos PyMG de MSigDB (Tabla S1).
Tabla 1 Las características del modelo.mesa de tamaño completo
Análisis de genes expresados diferencialmente (DEG)
Nuestra metodología para extraer perfiles de ARNm precisos implicó la utilización de secuencias de comandos Perl para unir y ordenar meticulosamente datos transcripcionales del conjunto de datos GSE76262. Siguiendo los procedimientos de normalización, aplicamos criterios estrictos para identificar la expresión diferencial entre PyMG: FDR <0,05 y |log2FC|≥ 1. Este enfoque riguroso permitió el aislamiento de PyMG significativamente alterados para un mayor escrutinio. Para dilucidar las intrincadas relaciones entre estos genes, se aprovechó el coeficiente de correlación de Pearson, aprovechando el paquete corrplot en R para un análisis de correlación completo. Este paso fue fundamental para resaltar genes con asociaciones estadísticamente significativas dentro de los módulos identificados.
Análisis GO y KEGG
Para dilucidar las implicaciones biológicas y las implicaciones en las vías de los genes expresados diferencialmente (DEG), realizamos análisis completos de ontología genética (GO) y enciclopedia de genes y genomas de Kioto (KEGG). Empleando el lenguaje de programación R, investigamos el impacto de los PyMG expresados diferencialmente en los procesos biológicos (BP), las funciones moleculares (MF) y los componentes celulares (CC). Este análisis tuvo como objetivo delinear los temas biológicos generales y las vías moleculares influenciadas por estos genes, mejorando así nuestra comprensión de sus funciones en la patología de la enfermedad e identificando posibles objetivos terapéuticos. A través de este enfoque multifacético, no solo categorizamos los DEG sino que también arrojamos luz sobre la intrincada interacción entre el metabolismo de las purinas y su importancia biológica y clínica más amplia.
Construcción de modelos y análisis de infiltración de células inmunes.
En nuestra búsqueda de un modelo predictivo caracterizado por una precisión y confiabilidad incomparables, utilizamos el paquete glmnet para el análisis de regresión Lasso, complementado con validación cruzada, para refinar y mejorar nuestro modelo. Esta metodología mitigó eficazmente el sobreajuste, aumentando así la capacidad predictiva del modelo para conjuntos de datos biológicos complejos. Para una mayor validación, empleamos el sofisticado algoritmo SVM-RFE utilizando el paquete e1071, construyendo meticulosamente un modelo de aprendizaje automático. La validación cruzada fue fundamental para evaluar las tasas de error y la precisión del modelo, garantizando su solidez y confiabilidad. El algoritmo Random Forest, reconocido por su eficacia en el aprendizaje conjunto, fue parte integral de nuestro análisis. Al generar múltiples árboles de decisión y agregar sus predicciones, minimizó los riesgos de sobreajuste y mejoró la generalización del modelo. La característica distintiva del algoritmo (selección aleatoria de características y muestreo de arranque) fomentó la diversidad entre los árboles de decisión, mejorando así la precisión general del modelo. Utilizando el…
