急性心肌梗死凝血相关诊断模型与免疫浸润的潜在关联研究

学术背景

急性心肌梗死（Acute Myocardial Infarction, AMI）是全球范围内导致死亡的主要原因之一。尽管近年来在诊断、治疗和预后方面取得了显著进展，但AMI的发病率和死亡率仍然居高不下。经皮冠状动脉介入治疗（Percutaneous Coronary Intervention, PCI）结合抗凝治疗是目前AMI诊断和治疗的金标准。然而，尽管PCI和抗凝治疗显著改善了心肌灌注，仍有高达50%的患者出现显著的透壁性梗死，并常伴随微血管损伤（Microvascular Injury, MVI）。此外，部分AMI患者在初始抗凝治疗不足的情况下，心肌再梗死的风险显著增加。因此，AMI的发生和预后与促血栓介质和凝血因子（如前列腺素、组织因子和von Willebrand因子）密切相关。

近年来，研究表明凝血相关基因（Coagulation-Related Genes, CRGs）在AMI的预后中起着重要作用。基因组差异，特别是在凝血和脂质代谢途径中的差异，已被证明在AMI患者中普遍存在。此外，免疫浸润在AMI的高凝状态和炎症浸润阶段中扮演着关键角色。然而，凝血因子在AMI患者中的作用及其调控患者预后的机制尚未完全阐明。因此，本研究旨在揭示CRGs在AMI患者中的潜在特征和临床价值，为疾病风险预测和临床治疗提供新思路，并促进AMI患者的预后管理。

论文来源

本论文由Guoqing Liu、Wang Liao、Xiangwen Lv、Lifeng Huang、Min He和Lang Li共同撰写，作者分别来自广西医科大学第一附属医院和广西医科大学第二附属医院。论文于2024年10月8日在线发表在《Genes & Immunity》期刊上，DOI为https://doi.org/10.1038/s41435-024-00298-z。

研究流程与结果

数据收集与初步处理

研究首先从GEO数据库下载了GSE66360数据集，该数据集包含49名AMI患者和50名正常对照的数据，作为本研究的训练数据集。此外，GSE48060数据集（31名AMI患者和21名正常对照）被用作外部验证数据集。研究还从MSigDB团队下载了139个CRGs，并使用Perl软件对数据集进行注释和基因表达数据的转换。随后，对获得的基因表达数据进行归一化处理，以消除研究间的差异。

差异表达基因（DEGs）的识别与相关性分析

通过R语言中的“limma”包分析AMI和对照样本中的基因表达，筛选出显著差异表达的基因（|logFC| > 1且p < 0.01）。随后，构建了DEGs的相关热图，并通过Venn图展示了DEGs与CRGs的交集，最终筛选出10个差异表达的CRGs。研究还使用“RCircos”包在染色体上标注了这些差异表达CRGs的位置，并通过Pearson相关性分析评估了这些基因之间的相关性。

机器学习算法的构建

研究使用了随机森林（Random Forest, RF）和支持向量机（Support Vector Machine, SVM）两种机器学习算法来识别特征CRGs。通过比较残差箱线图和反向累积分布图，发现RF算法的残差最小，预测效果更好。随后，通过ROC曲线进一步验证了两种算法的准确性，最终确定RF算法在AMI预测中的表现优于SVM算法。

诺模图的建立

基于筛选出的6个特征CRGs，研究构建了诺模图（Nomogram）来预测AMI的发生率，并通过决策曲线分析（DCA）、临床影响曲线分析、校准曲线分析和ROC曲线分析评估了其准确性。

分子分型与主成分分析（PCA）

研究使用“ConsensusClusterPlus”包对候选CRGs进行共识聚类分析，将AMI患者分为两个不同的亚组。通过主成分分析（PCA）计算每个AMI样本的得分，并建立了CRG评分（PCA评分），以区分不同的CRG模式。

免疫细胞浸润分析

通过单样本基因集富集分析（ssGSEA）评估了不同CRG簇中的免疫细胞浸润水平，并生成了相关热图。结果显示，THBD、SERPINA1、THBS1、MMP9、PLAU、DUSP6、PLEK和SERPINB2与主要先天免疫细胞（单核细胞、中性粒细胞、肥大细胞、嗜酸性粒细胞、NK细胞等）呈正相关。

功能富集分析

通过对CRG模式之间的差异表达基因（DEGs）进行GO和KEGG功能富集分析，研究揭示了这些基因在生物过程（BP）、分子功能（MF）和细胞组分（CC）中的潜在生物学功能。结果显示，这些DEGs在细胞因子产生、细胞外刺激反应、分泌颗粒膜、三级颗粒、细胞质囊泡腔、免疫受体活性、碳水化合物结合、细胞因子受体结合和细胞因子活性等方面显著富集。

基于特征基因的靶向药物预测

通过DGIDB数据库搜索了靶向特征基因编码蛋白的药物，并绘制了基因-药物网络图。结果显示，MMP9的靶向药物包括Celecoxib、Bevacizumab、Prinomastat等，THBD的靶向药物包括Simvastatin、Cilostazol和Warfarin，SERPINA1的靶向药物为α-1蛋白酶抑制剂。

结论与意义

本研究基于6个特征CRGs构建的AMI诊断模型具有良好的诊断预测能力，为AMI的诊断和治疗提供了新的靶点和策略。研究揭示了CRGs在AMI中的潜在作用，并表明这些基因可能通过调控免疫细胞浸润和炎症反应影响AMI的进展和预后。此外，研究还预测了针对这些特征基因的靶向药物，为AMI的个性化治疗提供了新的思路。

研究亮点

1. 创新性诊断模型：本研究首次基于CRGs构建了AMI的诊断模型，并通过机器学习算法验证了其准确性。
2. 免疫浸润的深入分析：研究揭示了CRGs与免疫细胞浸润之间的关联，为理解AMI的免疫机制提供了新的视角。
3. 靶向药物预测：通过基因-药物网络分析，研究预测了多个可能用于AMI治疗的靶向药物，为临床治疗提供了新的选择。

研究局限性

1. 样本来源单一：本研究的数据集来自单一数据库，未来需要更大规模和多样化的样本集来提高模型的准确性。
2. 潜在的数据集差异：不同数据集之间的差异可能导致统计和分析结果的偏差，未来需要进一步验证。
3. 临床验证不足：由于公共数据库中患者信息不完整，研究未能进一步评估模型在疾病进展和严重性方面的有效性，未来需要通过临床队列研究进行验证。

总结

本研究通过构建基于CRGs的AMI诊断模型，揭示了这些基因在AMI中的潜在作用，并为AMI的诊断和治疗提供了新的靶点和策略。未来的研究需要进一步探讨CRGs的下游机制及其在AMI中的具体作用，以推动AMI的个性化治疗和预后管理。