Un réseau réglementaire MiARN-ARNm est associé à la réponse à la transplantation dans les lésions rénales aiguës
Mar 21, 2022
Duan Guo1,2†, Yu Fan3†, Ji‑Rong Yue4*et Tao Lin3*
Contact:joanna.jia@wecistanche.com
Résumé
Arrière plan:Aiguun reinblessure(IRA) est une complication potentiellement mortelle caractérisée par un déclin rapide de la fonction rénale, qui survient fréquemment après une chirurgie de transplantation. Cependant, le mécanisme moléculaire sous-jacent au développement de l'IRA post-transplantation (post-Tx) reste encore inconnu. Un nombre croissant d'études ont démontré que certains microARN (miARN) exercent des fonctions cruciales dans l'IRA. La présente étude visait à élucider les mécanismes moléculaires de l'IRA post-Tx en construisant un réseau miARN-ARNm régulateur.
Résultats:Sur la base de deux ensembles de données (GSE53771 et GSE53769), trois modules clés, qui contenaient 55 ARNm, 76 ARNm et 151 miARN, ont été identifiés en effectuant une analyse pondérée du réseau de co-expression génique (WGCNA). L'esprit IP v4.1 a été appliqué pour prédire les interactions des ARNm et des miARN du module clé, et les paires miARN-ARNm avec une confiance de plus de 0.2 ont été sélectionnées pour construire un réseau miARN-ARNm régulateur par Cytoscape . Le réseau miARN-ARNm était composé de 82 nœuds (48 ARNm et 34 miARN) et de 125 arêtes. Deux miARN (miR-203a-3p et miR-205-5p) et ERBB4 avec des degrés de nœud plus élevés par rapport aux autres nœuds pourraient jouer un rôle central dans l'AKI post-Tx. De plus, l'analyse des voies Gene Ontology (GO) et Kyoto Encyclopedia of Genes and Genomes (KEGG) a indiqué que ce réseau était principalement impliqué dansun rein-/fonctions liées au rein et voies de signalisation PI3K–Akt/HIF-1/Ras/MAPK.
Conclusion:Nous avons construit un réseau réglementaire miARN-ARNm pour fournir de nouvelles informations sur le développement de l'IRA post-Tx, ce qui pourrait aider à découvrir de nouveaux biomarqueurs ou des médicaments thérapeutiques pour améliorer la capacité de prédiction et d'intervention précoces et réduire le taux de mortalité de l'IRA après la transplantation.
Mots clés: Aiguun reinblessure, Transplantation rénale, WGCNA, réseau miARN–ARNm
propriétés cistanchepourun rein
Arrière plan
En tant que type de maladie clinique critique avec perte rapide de la fonction rénale et mortalité élevée,aiguun reinblessure(IRA) survient fréquemment chez les receveurs de greffe, ce qui peut entraîner un échec de la greffe et la mort [1]. Le diagnostic et le traitement en temps opportun sont cruciaux pour améliorer le pronostic des patients atteints d'IRA, mais sont actuellement entravés par le manque d'indicateurs spécifiques pour la prédiction précoce, l'évaluation graduée et le suivi de l'effet curatif. Étant donné que l'IRA est la maladie grave la plus courante dans les domaines multidisciplinaires, un nombre croissant d'études sur l'IRA ont été rapportées au cours des dernières décennies [2–4]. Cependant, la pathogenèse de l'IRA n'est toujours pas claire.
Un microARN (miARN) est une sorte de petit ARN non codant contenant environ 22 nucléotides, qui peut se lier au 3′-UTR des ARNm cibles au niveau post-transcriptionnel pour exercer diverses fonctions physiologiques et physiopathologiques importantes dans les cellules [5 ]. Il a été rapporté que les miARN sont capables de réguler une variété d'ARNm de mammifères [6], alors qu'un seul ARNm pourrait être ciblé par un grand groupe de miARN, démontrant que les rôles des miARN dans la régulation des gènes doivent être interprétés par des réseaux complexes [7]. Ces dernières années, les études sur le réseau ARNm-miARN ont augmenté de façon exponentielle, car on pense qu'il aide à découvrir le mécanisme moléculaire de diverses maladies, notamment le neuroblastome [8], le diabète de type 2 [9] et l'hémorragie intracérébrale spontanée [10]. Des études récentes ont montré que les modifications de l'expression des ARNm et des miARN affecteraient la prolifération et l'apoptose des cellules rénales, qui sont liées à la survenue et au développement de l'IRA [11, 12]. Néanmoins, il existe peu de données publiées sur le réseau potentiel d'ARNm et de miARN dans l'IRA après transplantation.
À l'ère de la médecine de précision, les données de séquençage à haut débit combinées à une analyse bioinformatique efficace peuvent identifier les gènes cibles potentiels et les mécanismes qui contribuent à la progression de l'IRA. L'analyse pondérée du réseau de co-expression génique (WGCNA) est une méthode largement utilisée pour trouver les principaux régulateurs des maladies, car elle a la capacité de regrouper des gènes avec des modèles d'expression similaires dans des modules (où les principaux régulateurs sont généralement trouvés) et d'analyser la relation entre modules et traits ou phénotypes spécifiques [13]. Dans une étude récemment publiée sur la néoplasie cervicale intraépithéliale (CIN), la WGCNA a été réalisée pour identifier six modules associés à la maladie, à partir desquels 31 gènes hub candidats pour le traitement de la CIN ont été criblés [14]. L'analyse bioinformatique améliore non seulement l'efficacité de la recherche sur les fonctions biologiques, mais fournit également des informations fiables pour explorer les mécanismes moléculaires [15, 16]. Sur la base des grands ensembles de données des profils d'expression des ARNm et des miARN chez le même patient, l'exploration du réseau régulateur miARN-ARNm pourrait aider à élucider les mécanismes moléculaires des maladies [17, 18].
Dans cette étude, les ensembles de données d'expression GSE53769 (ARNm) et GSE53771 (miARN) ont été respectivement soumis à WGCNA pour identifier les modules clés associés à l'AKI post-Tx. Ensuite, un réseau régulateur miARN-ARNm a été construit pour clarifier les mécanismes épigénétiques sous-jacents à la progression de l'IRA post-Tx, fournissant ainsi une direction possible pour la recherche clinique future.
Résultats
Identification des modules clés liés à l'AKI post‑Tx sur la base de l'ensemble de données GSE53769
Selon les algorithmes de corrélation et de liaison moyenne de Pearson, 36 échantillons ont été regroupés et le dendrogramme de l'échantillon et la carte thermique des traits sont représentés sur la figure 1a; nous avons constaté que GSM1300317 (qui appartient au groupe PBX post-Tx) était regroupé seul et pourrait être une valeur aberrante potentielle. Par conséquent, le tracé at-SNE (intégration du voisin stochastique à distribution t) a été utilisé pour s'assurer que cet échantillon n'affectera pas les analyses ultérieures. Comme le montre le fichier supplémentaire 2 : Figure S2, il n'y avait pas de valeur aberrante évidente après la réduction de dimension, et par conséquent, nous avons procédé avec le WGCNA. Comme le montre la Fig. 1b, la puissance de seuil souple de 9 a été sélectionnée pour garantir le caractère sans échelle du réseau de co-expression génique (Fig. 1b). L'histogramme de la connectivité réseau et le tracé log-log correspondant sont présentés dans le fichier supplémentaire 3 : Figure S3A-B ; le R2 était de 0,89, indiquant qu'une topologie approximative sans échelle était satisfaite. Des informations détaillées sur les indices ft de seuil souple, y compris k, R2 et R2 ajusté, sont fournies dans le fichier supplémentaire 10 : Tableau S1. Dix, grâce au regroupement hiérarchique de liaison moyen, les gènes présentant des modèles d'expression similaires ont été divisés en modules (Fig. 1c). Pour mieux distinguer les modules avec différents modèles d'expression, chaque module s'est vu attribuer des couleurs différentes. Comme le montre la figure 1d, un dendrogramme de regroupement de modules a été construit, ce qui a généré un total de 18 modules. Le module gris contenait les gènes qui ne peuvent pas être attribués aux 17 autres modules. Une carte thermique décrivant la corrélation entre les traits cliniques et les modules est illustrée à la Fig. 1e. Parmi ces modules, le module noir affichait la corrélation positive la plus élevée avec l'AKI post-Tx (P=0.002, R=0.5), tandis que le module tan affichait la corrélation négative la plus forte avec le post-Tx AKI (P=4e−05, R= −0,63). Ainsi, ces deux modules ont été sélectionnés comme modules clés. Les attributions d'ARNm dans les modules noir et feu sont fournies dans le fichier supplémentaire 11 : tableau S2.
Réseau gène-gène et analyse de l'enrichissement fonctionnel dans les modules noir et feu
Comme le montre la figure 2a, le coefficient de corrélation entre l'appartenance au module (MM) et la signification du gène (GS) dans le module noir était de 0.57 avec P=5.5e−38. Un total de 14 gènes hub ont été identifiés dans le module noir, qui comprenait CLIC5, PCOLCE2, NDNF, ESRP1, ENPEP, RASAL2, SLIT2, PSAT1, NOX4, GDA, CNTN3, CFAPP221, CA2 et ZNF311 (Fig. 2b). Dix, l'analyse d'enrichissement des voies GO et KEGG a été effectuée sur les gènes du module noir. Comme le montre la figure 2c, nous avons trouvé que les termes GO les plus enrichis dans la catégorie des processus biologiques (GO-BP) étaientun reindéveloppement, développement du système rénal et régulation de la cascade ERK1/2. Les termes GO les plus enrichis dans les autres catégories (GO-CC et GO-MF) étaient la partie apicale de la cellule et la liaison de la molécule d'adhésion cellulaire (Fig. 2d, e). Pour l'analyse de la voie KEGG, ces gènes étaient principalement enrichis en voies de signalisation MAPK et Raq1 (Fig. 2f).
The genes of the tan module underwent the same analysis. Te scatter plots of MM versus GS in the tan module (cor=0.6, P=4.2e−18) are shown in Fig. 3a. The gene-gene network centered on hub genes in this module is depicted in Fig. 3b. As we can see, the tan module contained 12 hub genes including DMXL1, MAF, GPHN, MYOF, CDK14, and QDPR. The functional annotation of genes in the tan module is depicted in Fig. 3c–f, indicating that the black module genes were primarily enriched in functions of the coenzyme metabolic process, the extrinsic component of the plasma membrane, and coenzyme binding, as well as pathways of folate (FA) biosynthesis. Detailed information of differentially expressed genes (defined by log2 fold change>0.1 et valeur p<0.05 when="" comparing="" their="" expression="" in="" post-tx="" aki="" group="" to="" that="" in="" zero-hour="" aki="" group)="" in="" black="" module="" and="" the="" tan="" module="" is="" provided="" in="" additional="" file="" 4:="" figure="" s4="" and="" additional="" file="" 5:="" figure="" s5,="">
Identification des modules clés liés à l'AKI post‑Tx sur la base de l'ensemble de données GSE53771
Afin d'explorer les rôles des miARN dans l'IRA post-Tx, nous avons également mené une WGCNA pour les miARN sur la base de l'ensemble de données GSE53771. Les étapes de construction du réseau de co-expression pour les miARN étaient similaires à celles des ARNm. L'exemple de dendrogramme et la carte thermique des traits sont illustrés à la Fig. 4a. Pour garantir un réseau sans échelle, la puissance de seuil souple a été fixée à 6 (Fig. 4b). L'histogramme de la connectivité réseau et le tracé log-log correspondant sont présentés dans le fichier supplémentaire 3 : Figure S3C-D ; le R2 était 0.98, indiquant qu'une topologie approximative sans échelle était satisfaite. Des informations détaillées sur les indices ft à seuil souple, y compris k, R2 et R2 ajusté, sont fournies dans le fichier supplémentaire 10 : tableau S1. Au total, trois modules de miARN ont été identifiés, qui étaient indépendants les uns des autres (Fig. 4c, d). Dix, la corrélation des modules miARN avec les traits cliniques a été analysée, et le résultat a montré que le module miARN bleu était le seul module significativement corrélé avec l'IRA post-Tx (P=0.003, R= - 0,36) (Fig. 4e). Par conséquent, le module miARN bleu composé de 76 miARN a été choisi comme module miARN clé pour une analyse ultérieure. Des informations détaillées sur ces miARN sont fournies dans le fichier complémentaire 11 : tableau S2.
Analyse du réseau miARN-miARN et enrichissement fonctionnel dans le module miARN bleu
Comme le montre la figure 5a, le coefficient de corrélation de MM par rapport à GS dans le module miARN bleu était 0.32 avec P=5.8e−5. Le réseau d'interaction des miARN du module a montré que 17 miARN hub ont été identifiés dans le module miARN bleu (Fig. 5b). Pour explorer davantage les rôles biologiques des miARN dans ce module, les gènes cibles de ces miARN ont été utilisés pour effectuer une analyse d'enrichissement fonctionnel. Les résultats de l'annotation de la fonction sont présentés à la Fig. 5c – e, suggérant que les miARN du module miARN bleu étaient associés de manière significative aux termes GO de la petite transduction médiée par la GTPase, du développement des glandes, de l'activité corégulatrice de la transcription et de la jonction adhérente, ainsi que le Éléments KEGG de la voie de signalisation MAPK et de l'infection par le virus de la leucémie à cellules T humaine 1.
Detailed information of differentially expressed miRNAs (defined by log2 fold change>0.1 et valeur p<0.05 when="" comparing="" their="" expression="" in="" post-tx="" aki="" group="" to="" that="" in="" zero-hour="" aki="" group)="" in="" the="" blue="" module="" is="" provided="" in="" additional="" file="" 6:="" figure="">
Conconstruction de réglementaire miARN–ARNm réseau in poSt-Émission AKI
Les gènes et les miARN qui, respectivement, formaient les modules clés et le module clé des miARN ont été utilisés pour générer le réseau régulateur miARN-ARNm. Un total de 1048 paires miARN-ARNm prédites dans la classe de confiance élevée ont été obtenues à partir de miRDIP v4.1 et utilisées pour construire un réseau par Cytoscape (Fichier supplémentaire 7 : Figure S7). L'annotation fonctionnelle des ARNm dans ce réseau est décrite dans le fichier supplémentaire 8 : Figure S8, qui indique que ces ARNm étaient principalement impliqués dans l'adhésion cellule-substrat, le développement du système urogénital, la liaison à l'héparine, la liaison au collagène, la voie de signalisation AGE-RAGE chez les diabétiques. complications, ainsi que la voie de signalisation PI3K-Akt. Ensuite, pour obtenir le réseau qui peut exercer un rôle clé dans la pathogenèse de l'IRA post-Tx, nous avons sélectionné les paires miARN-ARNm avec la confiance de plus de 0.2 pour générer un réseau régulateur miARN-ARNm (Fig. . 6). Le réseau miARN-ARNm régulateur était composé de 82 nœuds (48 ARNm et 34 miARN) et de 125 arêtes. Après avoir analysé le réseau, nous avons trouvé miR-203a-3p, miR-205-5p et ERBB4 avec des degrés de nœud plus élevés par rapport aux autres nœuds, et les détails de quantification sont fournis dans le fichier supplémentaire 12 : Tableau S3. Dix, des analyses fonctionnelles ont révélé que le total de 48 ARNm était principalement enrichi en termes GO de morphogenèse du tube épithélial, de développement du néphron, de développement du système urogénital et de protéine kinase du récepteur transmembranaire (Fig. 7a – c). Il n'y avait pas de voies KEGG significativement enrichies puisque leurs valeurs de p étaient supérieures à 0, 05 (Fig. 7d). Pour la validation croisée, nous avons comparé nos résultats actuels extraits de la base de données miRDIP à ceux de la base de données miRNet. Au total, 75 699 paires miARN-ARNm ont été identifiées par minute, et il y avait une intersection de 117 paires miARN-ARNm entre les résultats de la base de données miRNet et de la base de données miRDIP ; le réseau réglementaire correspondant est visualisé dans le fichier complémentaire 9 : Figure S9B. Les analyses d'enrichissement des 117 paires miARN-ARNm ont montré qu'elles étaient majoritairement impliquées dans la régulation négative de l'organisation des composants cellulaires, réponse à une substance organique de la catégorie GO-BP ; complexe du facteur d'initiation de la traduction eucaryote 4F et corps nucléaire dans la catégorie GO-CC ; Activité du récepteur SNAP, liaison au complexe protéique, activité de la protéine tyrosine phosphatase dans la catégorie GO-MF, ainsi que les voies KEGG associées à la signalisation du carcinome à cellules rénales, à la signalisation de la prolactine et à la réponse au stress oxydatif médiée par NFR2-. Étant donné que les résultats d'enrichissement fonctionnel ci-dessus étaient basés sur des paires miARN – ARNm prédites par les bases de données miRNet et miRDIP, ils pourraient être plus représentatifs des mécanismes épigénétiques sous-jacents à l'AKI post-Tx.
Discussion
L'IRA post-Tx est une complication fréquente après chirurgie de transplantation, qui se caractérise par une détérioration rapide de la fonction rénale et une mortalité élevée [19]. Saisir le meilleur moment pour un diagnostic et une intervention précoces de l'IRA post-Tx est difficile en raison du manque d'indicateurs spécifiques pour la prédiction précoce, l'évaluation du classement et le suivi de l'efficacité. Pour surmonter ces problèmes, il est crucial d'explorer les mécanismes pathogéniques et les biomarqueurs potentiels de l'IRA post-Tx. En 2014, Wilfingseder et al. ont effectué une analyse des microréseaux de miARN et d'ARNm sur la base d'un échantillon de biopsie de greffe rénale avec AKI et ont en outre identifié une signature moléculaire spécifique à l'AKI à l'aide d'analyses différentielles d'expression génique (DEA) [20]. Cependant, la DEA peut facilement exclure certains gènes importants dont le niveau d'expression change peu, mais qui jouent un rôle crucial dans les maladies. En outre, il est difficile de confirmer si les ARNm et les miARN exprimés de manière différentielle dans la biopsie post-Tx entre le contrôle et l'IRA étaient liés à l'IRA post-Tx en raison du fait que la Tx pouvait également entraîner l'expression anormale de certains gènes. De plus en plus d'études ont démontré que l'initiation et la progression de toutes les maladies ne pouvaient pas être régulées par quelques gènes, mais plutôt par un réseau d'ARN multiples [21, 22]. Ainsi, la construction d'un réseau de régulation de l'ARN pourrait être une stratégie prometteuse pour comprendre le développement de la maladie et établir de nouvelles thérapies [23]. En tant qu'approche bioinformatique robuste, WGCNA a la capacité d'améliorer les réseaux de corrélation simples en quantifiant les corrélations entre les paires individuelles de gènes, ainsi que la mesure dans laquelle ces gènes partagent les mêmes voisins [24]. WGCNA comprend non seulement des gènes exprimés de manière différentielle, mais également des gènes qui ne sont pas exprimés de manière significative de manière différentielle mais qui sont toujours un médiateur clé de certains traits cliniques. Au cours des dernières années, WGCNA a été appliqué dans un large éventail de
des recherches sur les maladies pour cribler des biomarqueurs et clarifier les mécanismes moléculaires sous-jacents au développement de la maladie [25, 26].
Dans l'étude actuelle, basée sur les ensembles de données de microréseaux d'ARNm et de miARN, trois modules significativement corrélés à l'IRA après la transplantation ont été identifiés à l'aide du WGCNA. Le module Te tan contenant 55 ARNm a montré une corrélation significativement négative avec l'AKI post-Tx. Plusieurs études ont rapporté qu'une concentration élevée d'AF pouvait produire une nécrose tubulaire aiguë lors de la génération de cristaux d'AF dans les tubules rénaux, entraînant une insuffisance rénale [27, 28]. Les ARNm Te dans le module tan étaient principalement impliqués dans la voie de biosynthèse des FA, suggérant que cette voie explique le développement de l'AKI post-Tx. Ensuite, en tant que module le plus positivement lié à l'AKI post-Tx, le module noir était composé de 80 ARNm. Notamment, les éléments les plus enrichis des ARNm du module noir dans l'analyse GO étaient principalement liés aux fonctions rénales telles queun reindéveloppement et développement du néphron, confirmant la forte corrélation de ce module avec l'AKI post-Tx. Une étude précédente a indiqué que la cascade de kinases régulées par le signal extracellulaire (ERK) joue un rôle fondamental dans l'activation des mécanismes de réparation compensatoires au cours deun reinblessure[29]. Notre étude a montré que les ARNm du module noir étaient également significativement enrichis dans les fonctions de la cascade ERK1/2. En outre, les résultats de l'analyse de la voie KEGG ont indiqué que ces ARNm étaient étroitement liés à la voie de signalisation MAPK et à la voie de signalisation Ras. Il est largement documenté que la voie MAPK exerce un rôle clé dans l'IRA en régulant l'inflammation rénale, les lésions tubulaires et la mort cellulaire [30–32]. Il est universellement admis que la voie MAPK/ERK est une molécule signal en aval de la voie de signalisation Ras [33]. Les résultats ci-dessus ont révélé que l'expression anormale de certains gènes entraîne l'IRA en régulant la biosynthèse des FA, la voie de signalisation MAPK et la voie de signalisation Ras pour affecter le développement rénal aprèsun reintransplantation.
De plus en plus de preuves expérimentales ont confirmé que certains miARN jouent un rôle essentiel dans la détection, la progression et l'intervention de l'IRA [34]. Amrouche et al. ont démontré que miR-146a joue un rôle important dans la réponse tubulaire rénale, dont la régulation à la hausse pourrait limiter le développement de l'IRA [35]. Une étude précédente a prouvé que le miR-21 urinaire pouvait être utilisé comme biomarqueur pour prédire le développement de l'IRA après une chirurgie cardiaque [36]. En tant que seul module miARN significativement associé à l'AKI post-Tx dans cette étude, le module miARN bleu contenant 151 miARN était corrélé négativement avec l'AKI post-Tx. Il a été largement reconnu que les miARN peuvent réguler l'expression de leurs gènes cibles en aval pour exercer des fonctions biologiques. En conséquence, nous avons prédit les cibles de ces miARN en utilisant "miRNAtap" et "multiMiR" pour effectuer une annotation fonctionnelle. Il convient de noter que les cibles des miARN du module clé étaient également principalement enrichies dans la voie de signalisation MAPK, ce qui a encore confirmé le rôle crucial de la voie MAPK dans le processus d'AKI post-Tx.
De plus, il est nécessaire d'identifier un réseau régulateur miARN-ARNm potentiellement impliqué dans la pathogenèse de l'IRA post-Tx, car ni les gènes ni les miARN ne peuvent réguler indépendamment le développement de l'IRA post-Tx. La majorité des études précédentes se sont uniquement concentrées sur les miARN ou les gènes pour clarifier le mécanisme de l'IRA. En utilisant des outils bioinformatiques, nous avons finalement établi un réseau régulateur miARN-ARNm d'AKI post-Tx, composé de 48 ARNm et 34 NA miR. Parmi ces 82 nœuds, miR-203a-3p, miR-205-5p et ERBB4 ont montré des degrés élevés et pourraient être des nœuds centraux du réseau. Les effets de miR-205-5p dans les maladies rénales ont déjà été étudiés. Schena et al. ont rapporté que le niveau d'expression de miR-205-5p était significativement et positivement corrélé à la sévérité du cancer du rein et de la néphrosclérose hypertensive [37]. Une étude expérimentale menée par Sessa et ses collègues a proposé que miR-205-5p pourrait être un biomarqueur moléculaire des lésions rénales [38]. Peu d'études ont étudié les rôles de miR-203a-3p et ERBB4 dans le développement de l'IRA. Il est documenté que ERBB4 pourrait atténuer les insultes oxydatives des cellules souches mésenchymateuses âgées en réduisant les niveaux d'espèces réactives de l'oxygène (ROS) [39]. Il est bien connu que tous les organes transplantés subiront un certain degré de lésion d'ischémie-reperfusion médiée par un niveau élevé de ROS après la transplantation et se développeront potentiellement en AKI. Nous avons émis l'hypothèse que ERBB4 exerce également la fonction de régulation des niveaux de ROS dans le développement de l'IRA post-Tx. L'analyse d'enrichissement en GO des ARNm de ce réseau a montré que ces ARNm étaient enrichis dans plusieurs fonctions pertinentes pour le développement rénal. De plus, l'analyse d'enrichissement KEGG a indiqué que ce réseau était principalement impliqué dans une gamme de voies bien étudiées, telles que la voie de signalisation PI3K – Akt, la voie de signalisation HIF-1, la voie de signalisation Ras et la voie de signalisation MAPK. Il a été prouvé que la plupart de ces voies jouent un rôle crucial dans l'IRA [30, 40, 41]. Ces résultats prouvent que notre analyse a été correctement menée.
Pris ensemble, notre étude, pour la première fois, a utilisé WGCNA combiné à l'analyse miRDIP v4.1 pour identifier de manière exhaustive les interactions les plus probables et construire un réseau régulateur miARN-ARNm associé à la réponse à la transplantation dans l'IRA, qui a fourni un cadre préliminaire et de nouveaux un aperçu pour élucider le mécanisme moléculaire du développement de l'IRA post-Tx. Néanmoins, certaines limites de cette étude doivent être mentionnées. Premièrement, seuls huit échantillons de biopsie post-Tx AKI ont été inclus dans la présente étude, ce qui n'était pas suffisant pour tirer des conclusions entièrement crédibles. Deuxièmement, le réseau régulateur miARN-ARNm nécessite des études supplémentaires dans des expériences de biologie clinique et moléculaire pour validation. Comme il est difficile de trouver des données qualifiées, d'autres types d'ARN, tels que les ARN longs non codants (lncARN) et les ARN circulaires (circARN), n'ont pas été inclus, ce qui pourrait être un inconvénient dans la clarification complète du mécanisme sous-jacent à l'IRA post-Tx. développement.
bienfaits de la tige de cistanche sur la fonction rénale
conclusion
Nous avons d'abord construit avec succès un réseau miARN-ARNm régulateur associé à l'IRA post-Tx en utilisant l'analyse bioinformatique. Les résultats ont indiqué que deux miARN (miR-203a-3p et miR-205-5p) et ERBB4 pourraient jouer un rôle central dans l'IRA post-Tx, et les fonctions biologiques du miARN régulateur – Le réseau d'ARNm a été enrichi en fonctions rénales/rénales et en voies de signalisation PI3K–Akt/HIF-1/Ras/MAPK. Cette étude fournit une perspective globale des réseaux de régulation pour accroître la compréhension du mécanisme moléculaire dans l'IRA post-Tx. Nous espérons que l'étude actuelle sera bénéfique pour découvrir de nouveaux biomarqueurs ou médicaments thérapeutiques pour améliorer la capacité de prédiction et d'intervention précoces et réduire le taux de mortalité de l'IRA après la transplantation.
Méthodes
Conception de l'étude et collecte de données
La conception globale de cette étude est présentée dans le fichier supplémentaire 1 : Figure S1. Toutes les données de puces à ADN éligibles ont été téléchargées à partir de la base de données Gene Expression Omnibus (GEO) (http://www.ncbi.nlm.nih.gov/geo/). L'ensemble de données GSE53769 est un ensemble de données d'expression d'ARNm qui a été réalisé à l'aide d'Affymetrix GeneChip® Human Gene 2.0 ST Array ; L'ensemble de données GSE53771 est un ensemble de données d'expression de miARN qui a été analysé par Affymetrix GeneChip® miRNA 3.0 Array. Ces deux ensembles de données consistaient à la fois en 18 échantillons de biopsie à zéro heure et 18 en post-transplantation (Tx) de 18 receveurs d'allogreffe rénale (huit avec une nécrose tubulaire aiguë sans rejet définie comme AKI et dix biopsies protocolaires sans pathologie (PBX) définies comme témoins) et ont été soumis par Wilfingseder et ses collaborateurs [20]. Ces échantillons ont été divisés en quatre groupes, à savoir AKI zéro heure, PBX zéro heure, AKI post-Tx et PBX post-Tx. Les deux ensembles de données ont été, respectivement, utilisés pour construire le réseau de co-expression, permettant d'identifier les modules clés d'ARNm/miARN associés à l'IRA post-Tx, permettant la construction d'un réseau de régulation miARN-ARNm entraînant la progression de l'IRA post-Tx. .
Construction des réseaux de co‑expression
WGCNA is a widely used method to construct co-expression networks that allow the discovery of gene modules, where coordinated expression patterns of the intra-module genes could be identified and related to external clinical phenotypes. In this way, the search for core disease regulators could be narrowed down and confined to the clinically significant modules [13]. Given the foregoing, WGCNA has greatly improved the efficacy of data mining; therefore, in this study, the R package "WGCNA" was utilized to construct co-expression networks based on the expression profiles of mRNAs and miRNAs, respectively. An optimal soft threshold power β, the minimum power parameter that satisfied the scale-free topology (as manifested by scale-free topology ft index>0.85), a été déterminé pour la première fois. Ensuite, un réseau de co-expression sans échelle a été construit sur la base de la matrice de contiguïté. La matrice d'adjacence a été obtenue à l'aide de la formule : Adjacencyk,j=cork, j- , où k et j correspondent à deux gènes arbitraires et le est utilisé pour souligner la forte similitude entre k et j, ce qui garantit que les paires de gènes avec une faible similarité seront omis lors de l'attribution du module. Dix, la matrice d'adjacence a été convertie en une matrice de chevauchement topologique (TOM). En utilisant une mesure de dissemblance basée sur TOM, le dendrogramme de l'arbre génétique a été généré par un regroupement hiérarchique de liaison moyenne, et les gènes avec des modèles d'expression similaires ont été regroupés dans différents modules (la taille minimale du module a été fixée à 30).
cistanche herbepeut traiterun reinmaladieaméliorerfonction rénale
Identification des modules de corrélation significatifs
Les gènes propres du module (ME), qui résument les modèles d'expression génique sous la forme d'un seul profil d'expression caractéristique dans un module donné, ont été utilisés pour évaluer la corrélation potentielle des gènes avec différents traits afin de déterminer l'importance de chaque module. La signification des gènes (GS) représentait la corrélation entre les gènes et différents traits cliniques, et la GS moyenne de tous les gènes d'un module a été définie comme la signification du module (MS), exprimée en MS {{0}}n- ni{ {2}}GSi (n=nombre de gènes dans un module). Après avoir calculé la corrélation de Pearson entre les ME et les traits cliniques, les modules avec le R (coefficient de corrélation) positif le plus élevé ou négatif le plus bas avec l'IRA post-Tx avec un seuil de corrélation des valeurs p de 0,05 ont été définis comme modules clés. Nous avons suivi le flux de travail standard recommandé par les auteurs de WGCNA [13], et la correction de la valeur p pour les tests multiples n'a pas été effectuée car le coefficient de Pearson R et la valeur p de corrélation sont suffisants pour une sélection de module significative [13]. L'intensité de la couleur dans la carte thermique indiquait la force de la corrélation. Pour mieux étudier un module clé, la corrélation des gènes du module a été analysée et le réseau d'interaction gène-gène a été visualisé par l'analyseur de réseau Cytoscape v3.7.2 [42]. Dans ce réseau, les gènes de degré élevé, qui contenaient des nœuds hautement interconnectés dans le module, étaient considérés comme des gènes hub. Ces gènes hub ont été détectés en effectuant l'analyse avec le plugin MCODE dans Cytoscape.
Concernantgulatory miRN / A–mRN / A network csurstructisur
En utilisant l'outil en ligne miRDIP v4.1, les interactions entre les gènes du module et les miARN ont été obtenues. Dix, les paires miARN-ARNm avec une haute confiance de prédiction ont été choisies pour la construction d'un réseau de régulation miARN-ARNm en utilisant Cytoscape v3.7.2. Pour valider nos résultats, les interactions miARN-ARNm ont également été extraites de la base de données miRNet.
FONUctisur unl frrichmfrt Analysis
Pour mieux comprendre les fonctions potentielles des gènes identifiés, l'analyse d'enrichissement de l'analyse des voies Gene Ontology (GO) et Kyoto Encyclopedia of Genes and Genomes (KEGG) a été réalisée en utilisant le package R "cluster roller" [44] ; dans certains cas (Fichier supplémentaire 4 : S4A, Fichier supplémentaire 5 : S5A, Fichier supplémentaire 6 : S6A et Fichier supplémentaire 9 : S9C), la fonction TCGAanalyze_ EAcomplete dans la bibliothèque TCGAbiolinks a été exécutée. Dans cette étude, les résultats des termes GO et des voies KEGG avec le Benjamini-Hochberg (BH) ajustéP-valeurs de<0.05 were="" considered="" to="" be="" significantly="">
Cistanche tubulosa prévient les maladies rénales, cliquez ici pour obtenir l'échantillon
Arbitrences
1. Abu Jawdeh BG, Govil A. Insuffisance rénale aiguë dans le cadre d'une transplantation : diagnostic différentiel et impact sur la santé et les soins de santé. Maladie rénale chronique adv. 2017;24(4):228–32.
2. Cooke WR, Hemmilä UK, Craik AL, Mandula CJ, Mvula P, Msusa A, et al. Incidence, étiologie et résultats des lésions rénales aiguës liées à l'obstétrique au Malawi : une étude observationnelle prospective. BMC Néphrol. 2018;19(1):25.
3. Solé C, Pose E, Solà E, Ginès P. Syndrome hépatorénal à l'ère de l'insuffisance rénale aiguë. Liver Int Of J Int Assoc Study Foie. 2018;38(11):1891–901.
4. Ostermann M, Liu K. Physiopathologie de l'IRA. Best Pract Res Clin Anaes‑ le sol. 2017;31(3):305–14.
5. Saliminejad K, Khorram Khorshid HR, Soleymani Fard S, Ghafari SH. Un aperçu des microARN : biologie, fonctions, thérapeutique et méthodes d'analyse. J Cell Physiol. 2019;234(5):5451–65.
6. Friedman RC, Farh KK, Burge CB, Bartel DP. La plupart des ARNm de mammifères sont des cibles conservées des microARN. Génome Res. 2009;19(1):92–105.
7. Pan X, Wenzel A, Jensen LJ, Gorodkin J. Identification à l'échelle du génome de grappes de sites de liaison de microARN prédits en tant que candidats éponge de microARN. PLoS ONE. 2018;13(8):e0202369.
8. Chen B, Hua Z, Qin X, Li Z. Puce à ADN intégrée pour identifier les miARN hub et construire un réseau miARN-ARNm dans le neuroblastome via une analyse bioinformatique. Neurochem Res. 2020.
9. Liu HM, Huang Y, Li L, Zhang Y, Cong X, Wu LL, et al. Profils d'expression de microARN‑ARNm et réseau fonctionnel de la glande sous-maxillaire chez des souris db/db diabétiques de type 2. Arch Oral Biol. 2020;120:104947.
10. Iwuchukwu I, Nguyen D, Beavers M, Tran V, Sulaiman W, Fannin E, et al. Réseau de régulation de microARN comme biomarqueurs de crise tardive chez les patients présentant une hémorragie intracérébrale spontanée. Mol Neurobiol. 2020;57(5):2346–57.
11. van Zonneveld AJ, Rabelink TJ, Bijkerk R. réseaux coordonnés miARN comme cibles thérapeutiques prometteuses pour les lésions rénales aiguës. Suis J Pathol. 2017;187(1):20–4.
12. Wu J, Li DD, Li JY, Yin YC, Li PC, Qiu L, et al. Identification des réseaux microARN‑ARNm impliqués dans la lésion des cellules épithéliales tubulaires rénales induite par le cisplatine. Eur J Pharmacol. 2019 ;851 : 1–12.
13. Langfelder P, Horvath S. WGCNA : un package R pour l'analyse de réseau de corrélation pondérée. BMC Bioinform. 2008;9:559.
14. Zhang X, Bai J, Yuan C, Long L, Zheng Z, Wang Q, et al. Analyse bioinformatique et identification de gènes potentiels liés à la pathogenèse de la néoplasie intraépithéliale cervicale. J Cancer. 2020;11(8):2150–7.
15. Li J, Lu L, Zhang YH, Xu Y, Liu M, Feng K, et al. Identification des signatures d'expression des cellules souches leucémiques grâce à la stratégie de sélection des caractéristiques de Monte Carlo et à la machine à vecteurs de support. Cancer Gène Ther. 2020;27(1–2):56–69.
16. Pan X, Zeng T, Yuan F, Zhang YH, Chen L, Zhu L, et al. Criblage de la signature de méthylation et des fonctions géniques associées aux sous-types de gliomes à mutation isocitrate déshydrogénase. Avant Bioeng Biotechnol. 2019;7:339.
17. Shen M, Song Z, Wang JH. Les profils de microARN et d'ARNm dans l'amygdale sont associés à la dépression et à la résilience induites par le stress chez les souris juvéniles. Psychopharmacologie. 2019;236(7):2119–42.
18. Un T, Song Z, Wang JH. Mécanisme moléculaire du traitement de récompense améliorant le comportement de type dépressif induit par le stress chronique évalué par séquençage des miARN et des ARNm dans le cortex préfrontal médial. Biochem Biophys Res Commun. 2020;528(3):520–7.
19. Zuk A, Bonventre JV. Lésion rénale aiguë. Annu Rev Med. 2016;67:293–307.
20. Wilfingseder J, Sunzenauer J, Toronyi E, Heinzel A, Kainz A, Mayer B, et al. Pathogenèse moléculaire de l'insuffisance rénale aiguë post‑transplantation : évaluation des profils d'ARNm et de miARN du génome entier. PLoS ONE. 2014;9(8):e104164‑e.