Analysis of differential gene enrichment and weighted gene co-expression network in coronary artery disease
-
摘要:目的 采用基因集富集分析和加权基因共表达网络分析探讨冠状动脉疾病的差异表达基因，挖掘与冠状动脉疾病发病相关的关键基因。方法 从美国国家生物技术信息中心(NCBI)基因表达综合数据库下载GSE71226数据集，筛选冠状动脉疾病差异基因并进行富集分析; 对差异基因进行基因集富集分析，筛选冠状动脉疾病差异表达基因相关的微小RNA(miRNAs)并构建调控网络; 根据基因的相关性，构建基因共表达模块，并计算模块基因与临床信息的相关性; 选取与临床表型显著相关的模块，构建蛋白质互作网络并筛选核心基因。结果 经筛选，共获取冠状动脉疾病差异表达基因130个，富集于Hippo、流体剪切力与动脉粥样硬化、一磷酸腺苷依赖的蛋白激酶(AMPK)、Wnt、核苷酸结合寡聚化结构域(NOD)样受体和白细胞介素17等信号通路上。富集分析显示, miR-503-3p、miR-3674、miR-5088-5p、miR-4486等miRNAs与冠状动脉疾病关系密切。根据基因表达的相关性，获取10个共表达模块，其中洋红色模块与冠状动脉疾病发病显著相关。经拓扑分析, BMP4和C3在网络中处于核心地位。结论 冠状动脉疾病发病过程中基因表达存在显著差异，其病理过程涉及多靶点、多通路，可能受到多个miRNAs调控。BMP4和C3可能是冠状动脉疾病发病的关键基因。Abstract:Objective To explore the differential expression genes of coronary artery disease by gene set enrichment analysis and weighted gene co-expression network analysis and excavate key genes associated with the development of coronary artery disease.Methods The GSE71226 dataset was downloaded from the Gene Expression Omnibus database of the National Center for Biotechnology Information (NCBI), and the differential genes of coronary artery disease were screened and the enrichment analysis was performed. The gene set enrichment analysis was performed on the differential genes to screen for microRNAs (miRNAs) associated with differential expression genes in coronary artery disease, and the regulation network was constructed. The gene co-expression modules were constructed based on the correlation of genes, and the correlation between gene modules and clinical information was calculated. The genes of modules significantly correlating with clinical phenotypes were selected to construct protein-protein interaction network for screening of the core genes.Results After screening, a total of 130 differential expression genes in coronary artery disease were obtained, enriched in signaling pathways such as Hippo, fluid shear stress and atherosclerosis, adenosine monophosphate-dependent protein kinase (AMPK), Wnt, nucleotide-binding oligomerization domain (NOD) like receptors and interleukin 17. Enrichment analysis showed that the miRNAs such as miR-503-3p, miR-3674, miR -5088-5p and miR-4486 were closely related to coronary artery disease. Based on the correlation of gene expression, 10 co-expression modules were obtained, and the magenta module was significantly associated with the development of coronary artery disease. Topological analysis showed that BMP4 and C3 were the core genes of the protein-protein interaction network.Conclusion There are significant differences in gene expressions during the pathogenesis of coronary artery disease, the pathological process involves multiple targets and pathways, and pathogenesis involving in multiple targets and pathways may be regulated by multiple miRNAs. BMP4 and C3 may be the core genes in the pathogenesis of coronary artery disease.
-
社会压力是指社会环境或外部事件对个体精神层面造成的影响，是内在心理反应与外部环境相互作用的结果[1]。过高的社会压力难以缓解，可引起内分泌、免疫系统及心理健康等方面失衡，进而会对神经系统造成损害，导致失眠、焦虑、抑郁、耳鸣等神经系统疾病高发，因此社会压力与神经系统疾病间确切因果关系的研究日益受到重视[2-3]。耳鸣为神经系统常见疾病之一，是指在无外界声源刺激时感知到耳内有声音，具有高发病率和高复发率的特点，严重影响患者的生活质量[4]。耳鸣患者常伴有抑郁、敏感、紧张等情绪障碍，这些负面情绪可能会进一步加重耳鸣症状，但两者间的因果关系难以明确。既往研究[5]表明，社会压力是耳鸣发病的危险因素之一，且与耳鸣的严重程度呈正相关。然而，由于传统的观察性研究通常样本量有限，且易受到吸烟、熬夜等混杂因素的干扰，社会压力与耳鸣之间的确切关联性及因果关系目前仍存在争议。孟德尔随机化作为一种基于孟德尔独立分配定律的流行病学研究设计和数据分析方法，已被广泛用于评估暴露因素与疾病结局之间的因果效应[6-7]。孟德尔随机化利用与社会压力强相关的遗传变异，即单核苷酸多态性(SNP)作为工具变量，可以减少环境因素、疾病进程及其他混杂因素对遗传变异的影响，进而增强对因果关系的推断能力[8-9]。本研究采用孟德尔随机化方法评估社会压力与耳鸣发病之间的关联性和因果关系，并通过敏感性分析检验结果的稳健性，现报告如下。
1. 资料与方法
1.1 研究设计
本研究是一项基于全基因组关联研究(GWAS)数据库的公开数据进行的两样本孟德尔随机化研究，其中暴露因素为社会压力，结局变量为耳鸣。本研究中，孟德尔随机化分析要求工具变量需满足以下3个核心假设: ①相关性假设，即工具变量(SNP)与暴露因素(社会压力)具有强相关性。在全基因组水平上，选择与社会压力显著相关的SNP(相关性的阈值为P＜5×10-8), 并设置参数r2＜0.001, 遗传距离>10 000 kb以排除连锁不平衡的干扰。若符合条件的工具变量过少，则将相关性的阈值放宽至P＜5×10-6。工具变量的相关性强度通过计算统计量F进行衡量[10], 统计量F>10表示工具变量与暴露因素具有强相关性。计算公式为
$$ \begin{aligned} & F=\frac{R^2 \times(N-k-1)}{k \times\left(1-R^2\right)}, \\ & R^2=\frac{2 \times \mathrm{EAF} \times(1-\mathrm{EAF}) \times \beta^2}{2 \times \mathrm{EAF} \times(1-\mathrm{EAF}) \times \beta^2+2 \times \mathrm{EAF} \times(1-\mathrm{EAF}) \times N \times \mathrm{SE}^2}, \end{aligned} $$ 其中N为暴露因素的样本量, k为纳入的工具变量数目, R2为工具变量解释的暴露因素变异比例, EAF为效应等位基因频率, β为效应值, SE为β值的标准误差。②排他性假设，即工具变量(SNP)与已知的混杂因素不相关，仅通过暴露因素(社会压力)影响结局(耳鸣)。若工具变量通过其他途径对结局变量产生影响，则表示相关遗传变异存在多效性，违反排他性假设。本研究通过多种敏感性分析方法检测多效性，以确保结果的稳健性, P＞0.05表示结果不存在多效性。③独立性假设，即工具变量(SNP)与任何潜在影响暴露及结局的混杂因素无关，仅通过社会压力影响耳鸣，不与耳鸣直接相关。本研究通过Phenoscanner数据库查询并剔除与混杂因素相关的SNP[11]。剔除的混杂因素包括内分泌系统疾病(甲状腺功能亢进、甲状腺功能减退等)、消化系统疾病(胃溃疡、慢性胃炎等)、生活习惯(吸烟、饮酒等)以及与暴露相关的其他神经系统疾病(焦虑、抑郁、失眠、头痛等)。具体流程见图 1。
1.2 研究数据
从GWAS数据库(https://gwas.mrcieu.ac.uk)中分别获取社会压力、耳鸣相关的遗传数据，所有遗传数据均为合法公开的研究资料。暴露因素(社会压力)的数据(ukb-b-9667)来源于英国生物银行(UKB)数据库，该数据集共纳入459 742名欧洲人的信息，包含9 851 867个SNP; 结局变量(耳鸣)的数据(ukb-d-4803_14)亦来源于UKB数据库，该数据集共纳入117 882名欧洲人的信息，包含13 567 874个SNP。为了减少潜在的种族偏倚，本研究仅纳入欧洲人群的数据，且性别不限，数据的基本信息见表 1。
表 1 暴露因素与结局数据的基本信息暴露因素/结局 数据来源 样本量/例 单核苷酸多态性数量/个 样本种族来源 性别 数据公布年份 社会压力 ukb-b-9667 459 742 9 851 867 欧洲 男/女 2018 耳鸣 ukb-d-4803_14 117 882 13 567 874 欧洲 男/女 2018 1.3 工具变量筛选
以社会压力为暴露因素，应用R studio软件对社会压力的GWAS数据进行提取并筛选，共筛选出10个与社会压力相关的工具变量(SNP), 见表 2。筛选过程中，确保所选SNP均与表型密切相关(P＜5×10-8), 且排除连锁不平衡(r2＜0.001, 遗传距离>10 000 kb)。经计算，各SNP的统计量F均大于10, 有效避免了弱工具变量偏倚的发生。将获得的与社会压力显著相关的SNP作为本研究的工具变量，见表 3。
表 2 3种孟德尔随机化分析方法的结果方法 单核苷酸多态性数量/个 β SE P OR MR-Egger回归法 10 0.363 0.435 0.428 1.438 加权中位数法 10 0.242 0.137 0.078 1.274 逆方差加权法 10 0.224 0.107 0.036 1.251 表 3 与社会压力相关工具变量的特征单核苷酸多态性 基因位置 染色体 等位基因 SE β P EAF F EA OA rs72668117 3722721 1 A G 0.002 32 0.013 51 6.00E-09 0.021 06 33.832 87 rs359234 60471409 2 G C 0.000 69 0.004 43 1.40E-10 0.620 15 41.145 87 rs10935037 132650822 3 C A 0.000 67 -0.003 81 1.30E-08 0.510 09 32.383 25 rs73128428 39308367 7 T C 0.000 93 -0.005 29 1.30E-08 0.152 33 32.334 06 rs34883191 47261533 14 T G 0.000 67 -0.003 66 4.70E-08 0.521 63 29.827 52 rs4906365 104229230 14 C G 0.000 68 0.003 95 6.00E-09 0.419 09 33.821 93 rs6496749 91552003 15 T C 0.000 86 0.004 77 2.80E-08 0.186 64 30.813 01 rs2884737 31105554 16 C A 0.000 76 -0.004 25 2.70E-08 0.255 00 30.939 21 rs12923462 10328558 16 G A 0.000 70 0.003 97 1.60E-08 0.641 75 31.975 96 rs784220 53349931 18 C G 0.000 95 0.005 51 7.10E-09 0.855 89 33.499 32 1.4 统计学分析
本研究使用R 4.3.1软件及TwoSampleMR软件包(0.5.7)进行孟德尔随机化分析，采用逆方差加权法(IVW)、MR-Egger回归法、加权中位数法(WM)等方法检验社会压力与耳鸣之间是否存在因果关系，并以IVW的结果为主(P＜0.05表示具有统计学意义)。该分析拟合时使用的权重为结局方差的倒数，回归时不考虑截距项。基因的多效性通过MR-Egger回归法的截距项进行评估, P＜0.05表示存在水平多效性。通过Cochran′s Q统计量评估异质性, P＜0.05表示存在异质性。采用留一法(即依次去除每个SNP, 计算剩余SNP的合并效应)进行敏感性分析，评价单个SNP是否对暴露因素与结局的关系产生影响[12-14]。
2. 结果
2.1 工具变量的筛选及弱工具变量偏倚的判断
本研究从GWAS数据中最终筛选出10个与社会压力显著相关的SNP作为工具变量，所选SNP均具有显著相关性且相互独立(P＜5×10-8, r2＜0.001)。此外，计算结果显示所选工具变量与社会压力存在强相关关系(F>10), 表明弱工具变量不会导致结果发生偏倚，结果具有可靠性。
2.2 两样本孟德尔随机化分析结果
两样本孟德尔随机化分析结果显示，随机效应IVW得到的结果为β=0.224, P＜0.05, 见图 2, 表明社会压力是耳鸣的危险因素(OR=1.251), 社会压力的增加可升高耳鸣的发病风险。3种孟德尔随机化分析方法得到的结果相似，见表 2。各种孟德尔随机化分析方法得到的因果效应方向一致，见图 3。
2.3 敏感性分析
2.3.1 水平多效性检验
采用MR-Egger回归法的截距项对水平多效性进行评估，结果显示P=0.750(P＞0.05), 表明所选SNP间不存在水平多效性，即所选工具变量具有可靠性，见表 4。
表 4 社会压力与耳鸣的敏感性分析结果方法 异质性检验 水平多效性检验 Cochran′s Q P 截距 P 逆方差加权法 6.666 0.672 — — MR-Egger回归法 6.557 0.585 -0.001 0.750 2.3.2 异质性检验
Cochran′s Q检验结果显示, P=0.585(P＞0.05), 未发现异质性较高的SNP, 见表 4。漏斗图分析结果显示，所选工具变量的因果效应分布基本对称，未发现偏倚存在，见图 4。
2.3.3 留一法敏感性分析
采用留一法敏感性分析方法，逐一剔除所选SNP, 并分析其是否影响总体因果效应，结果显示，并未出现显著影响总体因果效应的SNP, 见图 5。
![]()
图 5 留一法敏感性分析结果黑点表示剔除此SNP后估计的社会压力对耳鸣的因果效应，黑实线表示相应的95%CI; 红点表示使用筛选过的SNP估计社会压力对耳鸣发病风险的整体因果效应，红线表示合并估计相应的95%CI。3. 讨论
耳鸣是神经系统常见疾病之一，其发病已被证实与社会压力有密切联系。潘芳芳等[5]的横断面研究中纳入183例耳鸣患者，压力评估结果显示耳鸣的严重性与压力呈正相关。BETZ L T等[15]对41例患者的研究结果表明，在压力增大的时期，耳鸣的严重程度随之增加。瑞典统计局开展的一项纳入12 166人的大规模流行病学研究[16]发现，社会心理压力大的个体发生耳鸣的概率与暴露于职业噪声环境中的个体相似，且社会心理压力可导致耳鸣症状恶化。以上研究提示，耳鸣与社会压力之间可能存在因果关联。然而，传统的观察性研究易受混杂因素的影响，因此社会压力与耳鸣之间的因果关系证据强度较弱。本研究采用两样本孟德尔随机化方法，从遗传学角度评估社会压力与耳鸣之间的因果关系，结果显示，在欧洲人群中，社会压力与耳鸣的发生发展风险呈正相关，且社会压力是耳鸣的危险因素之一，与既往研究结果相符。
目前，社会压力与耳鸣之间的机制研究主要集中在中枢神经可塑性方面。社会压力是指个体在社会环境中受到外界应激源刺激后，经大脑感知并进行认知评价后出现的生理及心理紧张应对状态[17-18]。现代社会中，人们普遍面临着较大的社会压力，若过多的压力无法缓解，可对神经系统造成损害，从而增加神经系统疾病发生风险。ZHANG G W等[19]予雄鼠社会压力源后发现，其内侧视前区谷氨酸能神经元钙活性显著增加。LIANG Y R等[20]在小鼠童年期给予GluN2B抑制剂注射，并在成年期给予社会压力刺激，通过蛋白质印迹法检测发现，前额叶皮层GluN2B蛋白表达量不减反增。由此可见，社会压力与谷氨酸信号代谢通路密切相关。谷氨酸作为中枢神经系统最常见的兴奋性神经递质，当社会压力增大时，会刺激神经元突触前膜释放谷氨酸，进而持续激活N-甲基-D-天冬氨酸受体(NMDAR), 导致大量钙离子内流，引发细胞内钙离子超载，破坏钙离子稳态，激活一系列酶和途径，引起神经突触强度变化，诱导突触可塑性[21-22]。随着研究的深入，越来越多的学者[20]开始关注耳鸣的中枢机制，并认为耳鸣不仅是耳鼻喉科疾病，也是神经系统的常见疾病。耳鸣的发生被认为与谷氨酸在听觉通路各层面的变化密切相关，既往研究[23-24]利用高剂量水杨酸盐诱导耳鸣时，通常伴随着NMDAR水平的升高。因此，社会压力与耳鸣在神经中枢分子水平上存在关联，且谷氨酸及NMDAR可能是两者关联的关键因素。然而，社会压力与耳鸣还可能受其他系统的影响，需要进一步深入研究[25]。
孟德尔随机化具有因果相关性显著、潜在混杂因素影响小、不受反向因果关系影响以及研究设计类似随机分配的特点，使得本研究的结果能够避免混杂因素或其他偏倚的影响，表明社会压力与耳鸣之间存在关联性。此外，本研究采用孟德尔随机化分析的3种统计方法，预测结果显示社会压力与耳鸣发生风险可能呈正相关，因此研究结果较为可靠。然而，本研究也存在一些局限性: 首先，两样本均来自UKB数据库，可能存在样本重叠的问题，导致结果出现偏倚; 其次，“暴露-结局”数据仅涉及欧洲人群，可能受地域和文化差异的影响，限制研究结果向其他人群推广; 最后，本研究未进一步分析反向因果关系。
综上所述，孟德尔随机化分析结果显示，社会压力与耳鸣的发生存在因果关系，且两者之间的遗传预测呈正相关。明确社会压力与耳鸣之间的关系，或可为未来耳鸣的临床防治提供新思路，即临床医师可通过调节社会压力水平对耳鸣患者进行干预。
-
![]()
图 1 经处理后的差异基因表达图
A: 数据标准化后箱线图; B: 未进行批次去除前的PCA结果图, 2个数据集各自分开，无任何交集; C: 去除批次后的PCA结果图, 2个数据集交集在一起，可作为一批数据进行后续分析; D: 使用Fold change和校正后P值绘制火山图，图中红点表示显著差异上调的基因，蓝点表示显著差异下调的基因; E: 差异基因表达热图，不同颜色代表在不同样本中的表达趋势，红色代表上调，蓝色代表下调。
![]()
图 8 洋红色模块相关基因PPI网络及核心靶点图
A: 洋红色模块基因PPI网络图; B: 经cytoHubba拓扑分析，以网络节点度值为参考，筛选出前10位的靶点，颜色越深代表处于网络中的核心地位，其中BMP4和C3为网络中的核心靶点; C: 验证数据集中C3和BMP4的表达情况，与健康对照者(CON)相比, *P <0.05, **P <0.01。
表 1 CAD的DEGs
表达水平 基因 上调 CCNE1、LEFTY1、WNT10A、NCR2、SELENBP1、CFC1、IL1R2、SEMA4A、HBG1、INSRR、PNPLA2、TNMD、RNF182、DCAF12、METTL7B、LGI4、GNG13、S100A11、GYPC、PDZK1IP1、CACNG2、ACTG1、RAX2、SLC9A3、SCG5、R3HDM4、KATNB1、SIRPB1、FCGR3B、MUC2、DMTN、CLDN7、UBC、ACADS、RPL39、ZNF428、DRP2、CIB3、EPN1、CKB、RS1、TAF6、ADIPOR1、STRADB、GFRA3、ACTB、TYROBP、IFITM2、EPB42、KRT23、COG7、RPS12、UBA52、MKRN1、VNN2、SLC4A1、RILP、OR1E1、LATS2、S100A13、C5AR1、IGF1R 下调 ANAPC2、ENTPD4、PLCB3、TCTN3、HTR3A、CCDC183、ZNF646、NUDC、PCGF6、LIN28A、PARP10、RPL37A、INF2、EEF1D、NDUFB7、RPL41、RPLP2、NHSL1、MTHFS、PWWP2B、CAMK2A、ADM2、GLUD2、YIF1B、ATXN7L2、PLB1、CCDC43、THPO、GET4、EFNA4、DROSHA、LCN1、PLEC、SEC14L5、XAB2、FAM78A、PFDN2、TXN2、ETS2、DYRK2、STAB 1、GSPT2、PAM、CES2、BAZ1B、VANGL1、IRF7、RASGRP1、DCXR、S100A8、EML3、AVP、HIST1H2AC、TTC22、DYRK1B、TMSB4Y、TFPT、RBM4B、SLC1A5、RNF19A、QDPR、ISYNA1、BTBD3、MAPK9、LIM2、ARPC1B、DLGAP1、RPLP1 
下载: 导出CSV
-
[1] KHERA A V, KATHIRESAN S. Genetics of coronary artery disease: discovery, biology and clinical translation[J]. Nat Rev Genet, 2017, 18(6): 331-344. doi: 10.1038/nrg.2016.160
[2] 邱敏, 徐少华, 姜海, 等. 冠状动脉慢血流患者脂蛋白相关磷脂酶A2及超敏C反应蛋白的变化[J]. 实用临床医药杂志, 2019, 23(10): 29-32. doi: 10.7619/jcmp.201910009 [3] 徐宝, 袁帅, 何胜虎. 残粒脂蛋白胆固醇与冠状动脉粥样硬化的相关性研究进展[J]. 实用临床医药杂志, 2019, 23(9): 129-132. doi: 10.7619/jcmp.201909036 [4] BRAUN M M, STEVENS W A, BARSTOW C H. Stable coronary artery disease: treatment[J]. Am Fam Physician, 2018, 97(6): 376-384.
[5] TUNG Y C, SEE L C, CHANG S H, et al. Impact of bleeding during dual antiplatelet therapy in patients with coronary artery disease[J]. Sci Rep, 2020, 10(1): 21345. doi: 10.1038/s41598-020-78400-4
[6] 刘亚文, 张红燕, 阳灵燕. 共词分析国内外生物信息学领域研究态势[J]. 生物信息学, 2020, 18(3): 186-194. https://www.cnki.com.cn/Article/CJFDTOTAL-XXSW202003008.htm [7] CLOUGH E, BARRETT T. The gene expression omnibus database[J]. Methods Mol Biol Clifton N J, 2016, 1418: 93-110. http://165.112.7.20/geo/info/GEOHandoutFinal.pdf
[8] SUBRAMANIAN A, TAMAYO P, MOOTHA V K, et al. Gene set enrichment analysis: a knowledge-based approach for interpreting genome-wide expression profiles[J]. PNAS, 2005, 102(43): 15545-15550. doi: 10.1073/pnas.0506580102
[9] GE S X, SON E W, YAO R N. iDEP: an integrated web application for differential expression and pathway analysis of RNA-Seq data[J]. BMC Bioinformatics, 2018, 19(1): 534. doi: 10.1186/s12859-018-2486-6
[10] CHIN C H, CHEN S H, WU H H, et al. cytoHubba: identifying hub objects and sub-networks from complex interactome[J]. BMC Syst Biol, 2014, 8(Suppl 4): S11. http://www.researchgate.net/profile/Shu_Hwa_Chen/publication/279993174_cytoHubba_Identifying_hub_objects_and_sub-networks_from_complex_interactome/links/56c79b5408ae5488f0d2ddef/cytoHubba-Identifying-hub-objects-and-sub-networks-from-complex-interactome.pdf
[11] GUPTA R M. Hippo pathway looms large for the function of the JCAD (junctional protein associated with coronary artery disease) on endothelial cells[J]. Arterioscler Thromb Vasc Biol, 2018, 38(11): 2546-2547. doi: 10.1161/ATVBAHA.118.311342
[12] JONES P D, KAISER M A, GHADERI NAJAFABADI M, et al. JCAD, a gene at the 10p11 coronary artery disease locus, regulates hippo signaling in endothelial cells[J]. Arterioscler Thromb Vasc Biol, 2018, 38(8): 1711-1722. doi: 10.1161/ATVBAHA.118.310976
[13] BAEYENS N, BANDYOPADHYAY C, COON B G, et al. Endothelial fluid shear stress sensing in vascular health and disease[J]. J Clin Invest, 2016, 126(3): 821-828. doi: 10.1172/JCI83083
[14] ZHOU H, MENG L, ZHOU W, et al. Computational and experimental assessment of influences of hemodynamic shear stress on carotid plaque[J]. Biomed Eng Online, 2017, 16(1): 92. doi: 10.1186/s12938-017-0386-z
[15] WU H F, SONG A W, HU W J, et al. The anti-atherosclerotic effect of paeonol against vascular smooth muscle cell proliferation by up-regulation of autophagy via the AMPK/mTOR signaling pathway[J]. Front Pharmacol, 2017, 8: 948. http://pubmedcentralcanada.ca/pmcc/articles/PMC5758604/
[16] KIMURA Y, YANAGIDA T, ONDA A, et al. Soluble uric acid promotes atherosclerosis via AMPK (AMP-activated protein kinase)-mediated inflammation[J]. Arterioscler Thromb Vasc Biol, 2020, 40(3): 570-582. doi: 10.1161/ATVBAHA.119.313224
[17] YE Z J, GO G W, SINGH R, et al. LRP6 protein regulates low density lipoprotein (LDL) receptor-mediated LDL uptake[J]. J Biol Chem, 2012, 287(2): 1335-1344. doi: 10.1074/jbc.M111.295287
[18] ACKERS I, SZYMANSKI C, DUCKETT K J, et al. Blocking Wnt5a signaling decreases CD36 expression and foam cell formation in atherosclerosis[J]. Cardiovasc Pathol, 2018, 34: 1-8. doi: 10.1016/j.carpath.2018.01.008
[19] TANG G, DUAN F Q, LI W X, et al. Metformin inhibited Nod-like receptor protein 3 inflammasomes activation and suppressed diabetes-accelerated atherosclerosis in apoE-/- mice[J]. Biomedecine Pharmacother, 2019, 119: 109410. doi: 10.1016/j.biopha.2019.109410
[20] VLACIL A K, SCHUETT J, RUPPERT V, et al. Deficiency of Nucleotide-binding oligomerization domain-containing proteins (NOD) 1 and 2 reduces atherosclerosis[J]. Basic Res Cardiol, 2020, 115(4): 47. doi: 10.1007/s00395-020-0806-2
[21] DANZAKI K, MATSUI Y, IKESUE M, et al. Interleukin-17A deficiency accelerates unstable atherosclerotic plaque formation in apolipoprotein E-deficient mice[J]. Arterioscler Thromb Vasc Biol, 2012, 32(2): 273-280. doi: 10.1161/ATVBAHA.111.229997
[22] GISTER A, ROBERTSON A K, ANDERSSON J, et al. Transforming growth factor-β signaling in T cells promotes stabilization of atherosclerotic plaques through an interleukin-17-dependent pathway[J]. Sci Transl Med, 2013, 5(196): 196ra100. http://www.ingentaconnect.com/content/el/00219150/2014/00000235/00000002/art00718
[23] ZHONG W, LI B, XU Y, et al. Hypermethylation of the micro-RNA 145 promoter is the key regulator for NLRP3 inflammasome-induced activation and plaque formation[J]. JACC Basic Transl Sci, 2018, 3(5): 604-624. doi: 10.1016/j.jacbts.2018.06.004
[24] SALA F, ARANDA J F, ROTLLAN N, et al. MiR-143/145 deficiency attenuates the progression of atherosclerosis in Ldlr-/-mice[J]. Thromb Haemost, 2014, 112(4): 796-802. http://cardiovascres.oxfordjournals.org/lookup/external-ref?access_num=10.1160/TH13-11-0905&link_type=DOI
[25] ZHANG Y, LIU X, BAI X, et al. Melatonin prevents endothelial cell pyroptosis via regulation of long noncoding RNA MEG3/miR-223/NLRP3 axis[J]. J Pineal Res, 2018, 64(2): 12449. doi: 10.1111/jpi.12449
[26] WU W B, SHAN Z, WANG R, et al. Overexpression of miR-223 inhibits foam cell formation by inducing autophagy in vascular smooth muscle cells[J]. Am J TranslRes, 2019, 11(7): 4326-4336. http://www.researchgate.net/publication/335099958_Overexpression_of_miR-223_inhibits_foam_cell_formation_by_inducing_autophagy_in_vascular_smooth_muscle_cells
[27] TAO J, XIA L Z, CAI Z M, et al. Interaction between microRNA and DNA methylation in atherosclerosis[J]. DNA Cell Biol, 2021, 40(1): 101-115. doi: 10.1089/dna.2020.6138
[28] DAVID L, FEIGE J J, BAILLY S. Emerging role of bone morphogenetic proteins in angiogenesis[J]. Cytokine Growth Factor Rev, 2009, 20(3): 203-212. doi: 10.1016/j.cytogfr.2009.05.001
[29] KIM C W, SONG H, KUMAR S, et al. Anti-inflammatory and antiatherogenic role of BMP receptor II in endothelial cells[J]. Arterioscler Thromb Vasc Biol, 2013, 33(6): 1350-1359. doi: 10.1161/ATVBAHA.112.300287
[30] SON J W, JANG E H, KIM M K, et al. Serum BMP-4 levels in relation to arterial stiffness and carotid atherosclerosis in patients with Type 2 diabetes[J]. Biomark Med, 2011, 5(6): 827-835. doi: 10.2217/bmm.11.81
[31] FRANK D, JOHNSON J, DE CAESTECKER M. Bone morphogenetic protein 4 promotes vascular remodeling in hypoxic pulmonary hypertension[J]. Chest, 2005, 128(6 Suppl): 590S-591S. http://circres.ahajournals.org/content/97/5/496.full.pdf
[32] HERTLE E, VAN GREEVENBROEK M M, ARTS I C, et al. Distinct associations of complement C3a and its precursor C3 with atherosclerosis and cardiovascular disease. The CODAM study[J]. Thromb Haemost, 2014, 111(6): 1102-1111. doi: 10.1160/TH13-10-0831
[33] SHIELDS K J, STOLZ D, WATKINS S C, et al. Complement proteins C3 and C4 bind to collagen and elastin in the vascular wall: a potential role in vascular stiffnessand atherosclerosis[J]. Clin Transl Sci, 2011, 4(3): 146-152. doi: 10.1111/j.1752-8062.2011.00304.x
计量
- 文章访问数: 635
- HTML全文浏览量: 267
- PDF下载量: 40
苏公网安备 32100302010246号