数据获取与预处理
获取AMI患者和健康对照的转录组数据并进行标准化处理。
从GEO数据库下载GSE66360数据集，包含49例AMI患者和50例健康对照的循环内皮细胞转录组数据。使用limma包进行数据预处理，包括探针合并和分位数归一化。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
缺氧环境下内皮细胞的铜死亡：从分子分型到PMAIP1靶向干预
Cuproptosis of endothelial cells in a hypoxic environment: from molecular classification to PMAIP1-targeted intervention.
实验完整度
中包含生物信息学分析（差异表达、LASSO、WGCNA、机器学习）和体外细胞实验（缺氧模型、siRNA敲低、RT-qPCR、铜水平检测），但缺乏动物体内验证。
主要模型
GSE66360数据集（49例AMI患者和50例健康对照的外周血内皮细胞） 人脐静脉内皮细胞（HUVECs）缺氧模型
重点核对
GSE66360数据集包含49例AMI患者和50例健康对照 HUVECs在37°C、1% O₂、5% CO₂、94% N₂条件下培养48小时建立缺氧模型 PMAIP1-siRNA转染分组：Control、Hypoxia、si-NC+Hypoxia、si-PMAIP1+Hypoxia 细胞铜水平使用Cell Copper Colorimetric Assay Kit（Elabscience）检测
摘要
背景：急性心肌梗死（AMI）是一种严重且致命的心血管疾病。铜死亡作为一种新兴机制在AMI发病中的作用仍有待充分阐明。方法：患者数据来源于基因表达综合（GEO）数据库。对铜死亡相关基因（CRGs）进行差异表达分析。采用LASSO回归识别关键CRGs并建立AMI诊断分类模型。进行加权基因共表达网络分析，以研究与疾病及其分子分型相关的关键模块。随后，使用机器学习技术识别这些模块中的关键基因。使用受试者工作特征（ROC）分析评估这些基因对AMI的诊断效能。最终在细胞水平上验证所识别关键基因的功能。结果：通过LASSO回归筛选出6个特征性CRGs。基于这些CRGs的AMI诊断分类模型表现出优越的性能。患者被分为两个与铜死亡相关的亚型，揭示这些亚型之间富集通路存在显著差异。SYTL3、SCML1和PMAIP1被确定为AMI的关键基因，其曲线下面积（AUC）分别为0.813、0.795和0.873。敲低PMAIP1表达可降低缺氧诱导的人脐静脉内皮细胞（HUVECs）内铜水平。结论：本研究阐明了铜死亡在AMI中的作用，并强调了PMAIP1的潜在参与，为深入研究AMI中铜死亡提供了理论基础。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 铜死亡在AMI发病中的作用及其关键调控基因是什么？
- 核心机制
- PMAIP1可能通过影响线粒体代谢通量，调节TCA循环中脂酰化蛋白（如DLAT）的稳定性或活性，在铜积累时加剧脂酰化蛋白聚集和铁硫簇丢失，从而促进缺氧内皮细胞的铜死亡。
- 主要证据
- 基于GEO数据集（GSE66360）的生物信息学分析（包括LASSO、WGCNA、机器学习）筛选出关键基因PMAIP1；体外缺氧HUVECs实验中，PMAIP1 mRNA显著上调，siRNA敲低PMAIP1后细胞内Cu²⁺水平降低。
- 研究意义
- PMAIP1可能作为AMI的诊断和治疗的潜在靶点，为心血管疾病精准医疗提供理论依据。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
CRGs差异表达与相关分析
鉴定AMI与对照组之间差异表达的铜死亡相关基因并分析其相关性。
提取19个CRGs的表达数据，进行差异表达分析（Wilcoxon秩和检验，BKY方法控制FDR），并对差异表达的CRGs进行Spearman相关分析。
构建AMI诊断分类模型
基于特征CRGs构建AMI诊断分类模型并评估其性能。
使用LASSO回归（10折交叉验证）筛选特征CRGs，基于这些基因构建 nomogram 诊断模型，通过ROC曲线、校准曲线和决策曲线评估模型性能。
分子亚型鉴定及功能富集分析
鉴定AMI患者中与铜死亡相关的分子亚型并分析亚型间的功能差异。
基于差异表达的CRGs进行共识聚类（k=2-6），确定最优亚型数；对亚型间差异表达基因进行GO、KEGG富集分析，并进行GSEA和GSVA。
WGCNA和PPI分析
识别与疾病和分型相关的共表达模块，并通过PPI网络整合关键基因。
分别对疾病状态和分子分型进行WGCNA，确定与疾病和分型相关的模块，取交集基因，使用STRING和igraph构建PPI网络。
机器学习筛选关键基因
通过多种机器学习方法筛选与疾病相关的关键基因。
使用随机森林（RF）、支持向量机（SVM）和广义线性模型（GLM）对交集基因进行筛选，通过残差箱线图、反向累积分布图和ROC曲线比较模型性能，最终选择SVM，基于基因重要性评分确定关键基因。
关键基因诊断效能验证
验证关键基因在AMI中的差异表达和诊断能力。
比较关键基因在AMI组和对照组中的表达水平，并绘制ROC曲线评估诊断效能。
细胞实验验证PMAIP1功能
验证PMAIP1在缺氧诱导的内皮细胞铜死亡中的功能作用。
利用siRNA敲低HUVECs中PMAIP1表达，在缺氧条件下检测细胞内Cu²⁺水平变化。同时验证缺氧模型（HIF-1α表达）和PMAIP1表达变化。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
验证样本或模型特征
验证分子表达变化
验证机制链路
其他研究目的
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 细胞培养 | 杜氏改良Eagle培养基 | -- | -- |
| 青霉素-链霉素 | -- | -- | |
| 胎牛血清 | -- | -- | |
| 三气培养箱（Thermo Heracell VIOS 160i） | Thermo | Heracell VIOS 160i | |
| siRNA转染 | Lipofectamine 3000转染试剂 | Thermo Fisher | -- |
| PMAIP1 siRNA | Genepharma | -- | |
| 细胞铜水平检测 | 细胞铜比色测定试剂盒 | Elabscience | -- |
| RT-qPCR | TRIzol试剂 | Invitrogen | -- |
| ABScript II cDNA第一链合成试剂盒 | ABclonal | RK20400 | |
| 通用SYBR Green快速qPCR预混液 | ABclonal | RK21203 |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 数据获取与预处理 | GSE66360数据集样本量（49例AMI，50例对照）及预处理方法 阅读提示：Methods: Data download and data preprocessing |
| 诊断模型构建 | LASSO回归参数（10折交叉验证，alpha=1）及特征基因选择 阅读提示：Methods: Construction of the CRGs AMI diagnostic classification model |
| 分子亚型鉴定 | 共识聚类参数（k=2-6，1000次迭代，80%子采样）及亚型数确定方法 阅读提示：Methods: Functional enrichment analysis of CRG molecular subtypes and intersubtypes in AMI patients |
| WGCNA分析 | 软阈值选择及模块识别参数 阅读提示：Methods: WGCNA and protein-protein interaction (PPI) analysis |
| 机器学习筛选关键基因 | 训练/测试集比例（70/30）、交叉验证次数（5折）及关键基因选择标准（重要性评分前三） 阅读提示：Methods: Use of machine learning methods to screen key genes of disease |
| 细胞缺氧模型 | HUVECs培养条件（DMEM, 1%青链霉素, 10%FBS）、缺氧条件（37°C, 1% O₂, 5% CO₂, 94% N₂, 48小时） 阅读提示：Methods: Cell culture and hypoxia |
| siRNA转染分组 | 细胞接种密度（2×10^6/孔）、饥饿时间（24h）、转染试剂（Lipofectamine 3000）、分组（Control, Hypoxia, si-NC+Hypoxia, si-PMAIP1+Hypoxia） 阅读提示：Methods: siRNA transfection and grouping |
| 铜水平检测 | 细胞数量（2×10^6）、检测试剂盒（Cell Copper Colorimetric Assay Kit, Elabscience）及操作步骤 阅读提示：Methods: Measurement of cell copper (Cu) levels |
| RT-qPCR | RNA提取试剂（TRIzol）、逆转录试剂盒（ABScript II cDNA First-Strand Synthesis Kit, ABclonal RK20400）、qPCR预混液（Universal SYBR Green Fast qPCR Mix, ABclonal RK21203）、内参基因（β-actin）、数据分析方法（2−ΔΔCT） 阅读提示：Methods: RT-qPCR |