Resumen
Antecedentes
La hipertensión arterial pulmonar (HAP) es un trastorno progresivo que puede conducir a una falla ventricular derecha y consecuencias graves. A pesar de los extensos esfuerzos, se han realizado progresos limitados para prevenir la progresión de la HAP. La disfunción mitocondrial está implicada en el desarrollo de la HAP, pero las alteraciones funcionales mitocondriales clave en la patogénesis aún no se han dilucidado.
Métodos
Integramos tres conjuntos de datos de microarrays de la expresión génica Omnibus (GEO), incluidas 222 muestras de pulmón (164 HAP, 58 controles), para la expresión diferencial y los análisis de enriquecimiento funcional. El aprendizaje automático identificó las vías de señalización relacionadas con las mitocondrias clave. Se recogieron HAP y muestras de tejido pulmonar de control y se realizaron perfiles transcriptómicos y metabolómicos. La Enciclopedia de Kioto de Genes y el Análisis de Genomas (KEGG) investigó las vías compartidas, y el análisis de correlación canónica evaluó las relaciones de metabolitos de genes.
Resultados
En los conjuntos de datos GEO, las vías de señalización relacionadas con las mitocondrias se enriquecieron significativamente en muestras de HAP, en particular la cadena de transporte de electrones (etc.) en el sistema de fosforilación oxidativa mitocondrial. En particular, el transporte de electrones desde el citocromo C al oxígeno en etc. se identificó como la vía más crucial relacionada con las mitocondrias, que estaba regulada negativamente en muestras de HAP. El perfil transcriptómico del análisis clínico del tejido pulmonar identificó 14 genes expresados diferencialmente (DEG) relacionados con la función mitocondrial. El análisis metabolómico reveló tres metabolitos diferenciales en muestras de HAP: aumento de ácido 3-feniláctico y ADP, y disminución del ácido cítrico. Los genes relacionados con las mitocondrias altamente correlacionados con estos metabolitos incluyeron Kit, OTC, CAMK2A y CHRNA1.
Conclusiones
La regulación negativa del transporte de electrones del citocromo C al oxígeno en el mitocondrial, etc. y la interrupción de la homeostasis del ciclo de ácido cítrico puede contribuir a la patogénesis de la PAH. El ácido 3-feniláctico emerge como un posible biomarcador de diagnóstico potencial para HAP. Estos hallazgos ofrecen ideas para desarrollar nuevas terapias y diagnósticos de HAP.
Introducción
La hipertensión arterial pulmonar (HAP) es un trastorno progresivo con la remodelación vascular de las arterias pulmonares y la resistencia vascular pulmonar elevada, lo que representa un riesgo significativo de falla ventricular derecha y mortalidad potencial ((1). La prevalencia global estimada de HAP es de 15 a 50 casos por millón de personas (2). A pesar de la existencia de medicamentos terapéuticos dirigidos a las vías de prostaciclina y endotelina para la HAP, el pronóstico de los pacientes con PAH recién diagnosticados sigue siendo subóptima, con una tasa de supervivencia a 5 años del 61.2% reportada por el registro de revelación, subrayando la necesidad de mejorar los resultados en esta población ((3, 4). Por lo tanto, una mayor aclaración de los mecanismos moleculares subyacentes a la fisiopatología de la HAP podría avanzar potencialmente el desarrollo terapéutico y mejorar el pronóstico de los pacientes con PAH.
Como enfermedad multifactorial, la patogénesis de la HAP ha sido ampliamente explorada. La disfunción endotelial tiene la hipótesis de desempeñar un papel clave en la HAP, ya que la sobreexpresión a largo plazo de vasoconstrictors como la endotelina-1 podría ejercer efectos sobre el tono vascular y acelerar la remodelación vascular (5). La inflamación y la desregulación inmune son factores críticos en los mecanismos patogénicos de la HAP también, indicadas por la creciente evidencia de células inflamatorias e inmunes acumuladas en los pulmones y las paredes de los vasos pulmonares remodelados ((6, 7). La ocurrencia y el desarrollo de la HAP también está estrechamente vinculada con la disfunción mitocondrial. En HAP, la dinámica mitocondrial alterada se ha implicado en promover la proliferación/resistencia celular al fenotipo de apoptosis en células arteriales pulmonares (8). Además, la expresión anormal de las especies reactivas de oxígeno (ROS), que son producidas principalmente por las mitocondrias, se han observado en pacientes con PAH (9, 10). Se sabe que la disfunción mitocondrial se asocia con el metabolismo desregulado, específicamente caracterizado por un cambio metabólico de la fosforilación oxidativa a la glucólisis (11). Sin embargo, las anormalidades mitocondriales específicas que ejercen un mayor impacto en la etiología de la HAP aún no se han comprendido por completo. La aclaración de los mecanismos patógenos fundamentales es crucial para desarrollar tratamientos más efectivos para la HAP.
Los objetivos principales de este estudio fueron explorar las alteraciones clave en la función mitocondrial y los perfiles metabólicos en la HAP, y ayudar a identificar posibles marcadores de diagnóstico y objetivos terapéuticos para la HAP. Integramos tres conjuntos de datos de microarrays de HAP de la expresión génica Omnibus (GEO) y encontramos un enriquecimiento significativo de las vías de señalización relacionadas con la cadena de transporte de electrones (ETC) en el sistema de fosforilación oxidativa mitocondrial en muestras de HAP. En particular, el transporte de electrones del citocromo C al oxígeno en etc., que se regulado negativamente en muestras de HAP, se identificó como la vía más crucial relacionada con las mitocondrias a través del aprendizaje automático. Mediante análisis transcriptómicos y metabolómicos, identificamos 14 genes relacionados con las mitocondrias y tres metabolitos diferenciales (ácido cítrico, ácido 3-feniláctico y ADP), lo que sugiere que la desregulación del ciclo mitocondrial, etc. y el ciclo de ácido cítrico podría contratar al desarrollo del PAH. Estos hallazgos ofrecen ideas para el desarrollo de nuevos diagnósticos y terapias de HAP.
Materiales y métodos
Análisis de conjuntos de datos geográficos
Los criterios de selección de los conjuntos de datos GEO fueron los siguientes: (1) tamaño de muestra grande; (2) incluido el grupo PAH y el grupo de control; (3) Datos interpretables. Se recuperaron tres conjuntos de datos de HAP (GSE24988, GSE117261 y GSE53408) de la base de datos GEO (https://www.ncbi.nlm.nih.gov/geo/) para el análisis. La información básica de estos conjuntos de datos se proporciona en tablas 1 y 2. Las muestras en el conjunto de datos GSE24988 se obtuvieron de los órganos receptores de pacientes con fibrosis pulmonar que se someten a un trasplante de pulmón, incluidas 94 muestras de HAP y 22 controles sin HAP. El conjunto de datos GSE117261 comprende 58 muestras de pacientes con PAH sometidos a trasplante de pulmón y 25 muestras de control de donantes fallidos (sin receptores coincidentes). El conjunto de datos GSE53408 incluye 12 muestras de pacientes con PAH en estadio final que pasaron por el trasplante de pulmón, y 11 muestras de control del tejido normal de pacientes con cáncer sometidos a cirugía (lobectomía).
Tabla 1 Información básica de los conjuntos de datos incluidos de GeoMesa de tamaño completoTabla 2 Características demográficas de los pacientes de los conjuntos de datos GEO incluidosMesa de tamaño completoEn total, se obtuvieron datos de expresión génica de microarrays de 164 PAH y 58 muestras de pulmón de control. Las sondas de microarrays se convirtieron en los símbolos de genes correspondientes con el archivo de anotación de la plataforma GPL6244 (Affymetrix Human Gene 1.0 ST Array) utilizando el software R (versión 4.2.2, https://www.r-project.org/). El algoritmo robusto de promedio multichip (RMA) se utilizó para la normalización de la expresión génica. El análisis de componentes principales (PCA) se realizó después de fusionar los perfiles de expresión génica de los tres conjuntos de datos. Los efectos por lotes entre ellos fueron evaluados por el paquete R «SVA» y eliminados por la función de «combate» (12). Las gráficas de dispersión PCA tridimensionales (3D) antes y después de eliminar los efectos por lotes se dibujaron para mostrar la heterogeneidad entre los tres conjuntos de datos mediante el paquete R «ScatterPlot3D». La diferencia en los niveles de expresión génica entre la PAH y las muestras de control se estimó a través del paquete «Limma» (13). Genes con | log2 pliegue (FC) | ≥ 0.7 y Benjamini – Hochberg (B – H) La tasa de descubrimiento falso (FDR) <0.05 se identificaron como genes (DEG) expresados diferencialmente (14).
Análisis de anotación funcional y enriquecimiento
Kyoto Enciclopedia de genes y genomas (KEGG) y ontología genética (GO) (15, 16) Los análisis de enriquecimiento se realizaron con los perfiles de expresión de los DEG por el paquete R «ClusterProfiler» (17). Los conjuntos de genes GO están compuestos por subconjuntos de proceso biológico (BP), componente celular (CC) y función molecular (MF). El análisis de enriquecimiento del conjunto de genes (GSEA) se realizó con los paquetes «ClusterProfiler» y «MSIGDBR» (18). El análisis de variación del conjunto de genes (GSVA) se usó para calcular las puntuaciones de enriquecimiento de las vías relacionadas con las mitocondrias en cada muestra basadas en los perfiles de expresión de las muestras por el paquete R «GSVA» (19). Los términos y genes de la vía relacionados con las mitocondrias se obtuvieron de la base de datos de firmas moleculares (MSIGDB; https://www.gsea-msigdb.org/gsea/index.jspV2023.1.hs). El puntaje de enriquecimiento normalizado (NES) reflejó el grado en que un conjunto de genes estaba sobrerrepresentado en los grupos. El valor de P ajustado AB -H <0.05 se consideró estadísticamente significativo.
Detección de vías cruciales relacionadas con las mitocondrias por aprendizaje automático
Se utilizaron algoritmos de aprendizaje automático que incluyen bayes ingenuos, regresión logística, máquina de impulso de gradiente (GBM), impulso adaptativo (adaboost) y impulso de gradiente extremo (xgboost) para detectar las vías más importantes relacionadas con las mitocondrias basadas en las puntuaciones GSVA por R (20,21,22,23,24). Naive Bayes se basa en el teorema de Bayes con la suposición «ingenua» de que las características son independientes entre sí, lo que simplifica los cálculos (20). La regresión logística modela la probabilidad de que una entrada dada pertenezca a una clase particular utilizando la función logística (21). GBM funciona construyendo una serie de árboles de decisión secuencialmente, donde cada árbol corrige los errores cometidos por los anteriores (22). Adaboost opera combinando múltiples estudiantes débiles para crear un clasificador fuerte (23). XGBOOST es una implementación avanzada del algoritmo de impulso de gradiente, que incorpora varias características, como el marco de impulso de gradiente, la regularización, la conciencia de escasez y la validación cruzada (24). Se usaron diferentes algoritmos para modelar para hacer que el análisis sea más robusto. El riesgo de sobreajuste fue mitigado por un enfoque de diez veces el enfoque de validación cruzada y el control de la complejidad del modelo. Un total de 222 muestras (164 pah y 58 …
(Tagstotranslate) Hipertensión arterial pulmonar (T) Disfunción mitocondrial (T) Ciclo de ácido cítrico (T) Transcriptómica (T) Metabolómica (T) Aprendizaje automático (T) Xin Zhang (T) Sistema de neumología/respiratorio
