楊 曼 ，趙興安 ，葛蕓娜 ，秦 娟 ，王璽雅 ，陶四明

（1）大理大學(xué)臨床醫(yī)學(xué)院/大理市第一人民醫(yī)院心內(nèi)科，云南 大理 671000;2）云南大學(xué)附屬醫(yī)院/云南省第二人民醫(yī)院/云南省眼科醫(yī)院心內(nèi)科，云南 昆明 650021）

心房顫動（atrial fibrillation，AF）增加心力衰竭和缺血性卒中的風(fēng)險，并且對疾病相關(guān)的發(fā)病率和死亡率有顯著貢獻(xiàn)。AF 的發(fā)病機制非常復(fù)雜，一系列神經(jīng)、體液、炎癥反應(yīng)、氧化應(yīng)激等因素激活多種細(xì)胞因子和信號通路，最終導(dǎo)致心肌纖維化和心臟功能受損。然而，確切的病因和病理生理機制迄今尚未完全闡明。隨著分子免疫學(xué)的發(fā)展與新興技術(shù)的應(yīng)用，許多基因表達(dá)譜已被應(yīng)用于研究免疫細(xì)胞的分布和遺傳生物標(biāo)志物[1]，為AF 的靶向預(yù)防和個體化治療提供參考。

研究表明，活化的免疫細(xì)胞如中性粒細(xì)胞、單核細(xì)胞/巨噬細(xì)胞、肥大細(xì)胞、T 細(xì)胞、樹突狀細(xì)胞可能是組織修復(fù)、重塑和纖維化的關(guān)鍵參與者[2-3]。近年來的研究從免疫浸潤的角度，提出了基于炎癥反應(yīng)的房顫發(fā)病機制的新見解[4]。然而，免疫炎癥反應(yīng)在房顫中的潛在機制仍然知之甚少。巨噬細(xì)胞是心臟免疫細(xì)胞中最重要的成員[2]，對心臟穩(wěn)態(tài)起著關(guān)鍵的調(diào)節(jié)作用。巨噬細(xì)胞與炎癥密切相關(guān)[4]，減少促炎巨噬細(xì)胞的數(shù)量或功能的治療策略在一些臨床研究中逐漸顯現(xiàn)[5]。進(jìn)一步探索炎癥相關(guān)基因和免疫細(xì)胞，特別是巨噬細(xì)胞在AF 中的作用和機制將有助于臨床工作者更好地理解該疾病。

在本研究中，一方面，筆者從綜合數(shù)據(jù)集中篩選出AF 和竇性心律（sinus rhythm，SR）患者左心耳組織樣本的差異表達(dá)基因（differentially expressed genes，DEGs）；另一方面，筆者使用CIBERSORT 算法和加權(quán)基因共表達(dá)網(wǎng)絡(luò)分析（weighted gene correlation network analysis，WGCNA）的組合方法來識別浸潤免疫細(xì)胞的相關(guān)基因（immunerelatedgenes，IRGs）。隨后，對2 種方法共享的基因（differentially expressed immune-related genes，DEIRGs）進(jìn)行生物功能富集分析，并通過蛋白-蛋白相互作用（protein-protein interactions，PPI）網(wǎng)絡(luò)分析、Cytoscape 軟件篩選出候選基因。接著，筆者使用3 種機器學(xué)習(xí)算法構(gòu)建預(yù)測模型，識別關(guān)鍵基因；并通過ROC 曲線驗證關(guān)鍵基因的診斷效能，最后，使用Spearman 分析了關(guān)鍵基因與免疫細(xì)胞亞型之間的相關(guān)性。本研究旨在探討免疫細(xì)胞在AF 中的浸潤特征，尋找潛在的診斷和治療靶點，為后續(xù)的臨床研究提供指導(dǎo)。

1 資料與方法

1.1 微陣列數(shù)據(jù)的采集

下載的AF 和SR 基因表達(dá)譜數(shù)據(jù)及相應(yīng)臨床信息來自基因表達(dá)綜合數(shù)據(jù)庫（GEO，https://www.ncbi.nlm.nih.gov/geo/）。5 個包含人左心耳組織RNA含量的微陣列數(shù)據(jù)集（GSE14975、GSE31821、GSE79768、GSE41177 和GSE115574）被納入進(jìn)一步評估。以上5 個數(shù)據(jù)集均基于GPL570 平臺，總共包含了來自 31 名SR 和44 名 AF 瓣膜病患者的左心耳組織樣本。本研究中的所有數(shù)據(jù)均來自公共數(shù)據(jù)庫，因此不需要獲得該機構(gòu)的倫理批準(zhǔn)。生物信息學(xué)分析流程，見圖1。

圖1 生物信息學(xué)分析的流程圖Fig.1 Flow diagram of the bioinformatics analysis

1.2 數(shù)據(jù)處理與DEGs 篩選

利用R（4.3.1）軟件合并下載的5 個微陣列數(shù)據(jù)集，矩陣文件通過“sva”包標(biāo)準(zhǔn)化和去批次效應(yīng)處理，并用主成分分析（principal component analysis，PCA）圖可視化。探針I(yè)D 通過perl 語言（5.28.1）轉(zhuǎn)換為基因符號，創(chuàng)建基因表達(dá)矩陣。AF 和SR 患者之間的DEGs 篩選采用R 軟件的“l(fā)imma”軟件包進(jìn)行。選擇P<0.05 和| log2（fold change，F(xiàn)C）|>1 作為閾值。最后，根據(jù)上述數(shù)據(jù)使用“pheatmap”R 包繪制熱圖和火山圖。

1.3 免疫細(xì)胞浸潤分析

在R 中使用CIBERSORT 算法[6]對整合的基因表達(dá)矩陣文件進(jìn)行免疫浸潤分析，采用P<0.05對樣本進(jìn)行過濾，得到22 種免疫細(xì)胞亞型的浸潤比例和相關(guān)性?！癵gplot2”R 包和“ggpubr”R 包用于繪制細(xì)胞比例堆積圖，AF 和SR 2 組間22 種免疫細(xì)胞亞型的浸潤分?jǐn)?shù)用R 中的“vioplot”包生成小提琴圖。對22 種浸潤性免疫細(xì)胞進(jìn)行Spearman 相關(guān)分析，并采用“Corrplot”包生成相關(guān)熱圖。

1.4 WGCNA 識別免疫相關(guān)模塊

加權(quán)基因共表達(dá)網(wǎng)絡(luò)[7]使用R 軟件構(gòu)建，將表達(dá)模式相似的基因進(jìn)行聚類，探討基因表達(dá)與免疫細(xì)胞浸潤之間的關(guān)系。綜合數(shù)據(jù)集使用絕對中位差對基因進(jìn)行降序排列，選擇前10 000 個基因，選擇軟閾值來驗證無尺度網(wǎng)絡(luò)?；谕?fù)渲丿B矩陣（topological overlap matrix，TOM）的差異度對平均連鎖層次進(jìn)行聚類，然后將表達(dá)模式相似的基因聚類為模塊，采用平均連鎖層次聚類方法，用不同的顏色進(jìn)行標(biāo)記。每個模塊的最小基因數(shù)為30 個，模塊合并的閾值為0.25。根據(jù)免疫浸潤的特征，選擇P值最小、相關(guān)性最高的模塊作為關(guān)鍵模塊。關(guān)鍵模塊中的基因（IRGs）被篩選出用做下一步分析。

1.5 基因本體論（gene ontology，GO）和京都基因和基因組百科全書（kyoto encyclopedia of genes and genomes，KEGG）富集分析

取DEGs 和IRGs 交集的基因（DEIRGs）在維恩圖[Draw Venn Diagram（ugent.be）]中呈現(xiàn)。利用注釋、可視化和富集分析數(shù)據(jù)庫（DAVID，2021-Update，https://david.ncifcrf.gov/home.jsp）對DEIRGs進(jìn)行GO 和KEGG 富集分析。研究模塊基因的生物學(xué)功能包括生物過程（biological processes，BP）、細(xì)胞成分（cellular components，CC）、分子功能（molecular functions，MF）和信號通路，P值<0.05和計數(shù)≥3 被認(rèn)為顯著富集。

1.6 蛋白質(zhì)-蛋白質(zhì)相互作用（protein-protein interaction，PPI）網(wǎng)絡(luò)的構(gòu)建

在STRING（https://cn.string-db.org）網(wǎng)站中將DEIRGs 導(dǎo)入檢索工具，生成PPI 網(wǎng)絡(luò)，評估蛋白質(zhì)之間相互作用關(guān)系。評分>0.4 識別基因間相互作用的閾值。節(jié)點代表蛋白質(zhì)，邊代表PPI 網(wǎng)絡(luò)中的蛋白質(zhì)-蛋白質(zhì)關(guān)聯(lián)。然后使用Cytoscape軟件（v3.8.1）對從STRING 數(shù)據(jù)庫中下載的結(jié)果進(jìn)行可視化。Cytoscape 軟件的MCODE 插件來識別樞紐基因，基于MCC（maximum clique centrality）算法從得分排名篩選出候選基因。

1.7 機器學(xué)習(xí)算法識別AF 的生物標(biāo)志物

利用最小絕對值收斂和選擇算子算法（least absolute shrinkage and selection operator，LASSO）、隨機森林（random forest，RF）、支持向量機遞歸特征消除（support vector machine recursive feature eilmination，SVM-RFE）3 種機器學(xué)習(xí)算法在R 中使用“mlr3verse”、“randomForest”和“e1071”包構(gòu)建AF 的預(yù)測模型。對每個預(yù)測模型的特征重要性進(jìn)行分析和排序，篩選出關(guān)鍵基因。具體而言，首先，基于“mlr3”R 包，候選基因的表達(dá)數(shù)據(jù)根據(jù)7∶3 的比例隨機分配到訓(xùn)練集和測試集。接著，使用交叉驗證篩選出最佳的變量組合。最后，使用“pROC”R 包繪制ROC 曲線。獲得ROC 曲線下的面積（area under curve，AUC）值和95%的置信區(qū)間（confidence interval，CI）值，以評估關(guān)鍵基因的敏感度和特異度。

1.8 關(guān)鍵基因的診斷及預(yù)測價值分析

為了驗證關(guān)鍵基因的診斷有效性和預(yù)測價值，一方面，關(guān)鍵基因在綜合數(shù)據(jù)集中的差異表達(dá)用“ggpubr”R 包繪制箱線圖，并用“glm”函數(shù)進(jìn)行Logistic 回歸分析，構(gòu)建AF 診斷模型，評價關(guān)鍵基因的預(yù)測價值。另一方面，從GEO 數(shù)據(jù)庫中下載了包含10 個左心耳組織樣本的獨立數(shù)據(jù)集GSE128188（AF=5，SR=5，GPL18573 平臺），采用“pROC”R 包建立ROC 曲線，計算AUC 值和95%CI值驗證關(guān)鍵基因的診斷效能。

1.9 生物標(biāo)志物與浸潤免疫細(xì)胞的相關(guān)性分析

在R 中導(dǎo)入關(guān)鍵基因在綜合數(shù)據(jù)集中的表達(dá)矩陣和免疫浸潤分析結(jié)果文件，使用“corrplot”包中的“Spearman”方法對關(guān)鍵基因和浸潤免疫細(xì)胞進(jìn)行相關(guān)性分析，結(jié)果通過“ggpubr”包可視化。

2 結(jié)果

2.1 AF 中DEGs 的鑒定

將5 個數(shù)據(jù)集合并后的基因表達(dá)矩陣進(jìn)行標(biāo)準(zhǔn)化，批次效應(yīng)去除后的結(jié)果用二維PCA 聚類圖呈現(xiàn)（圖2A），PCA 圖表明，2 組樣本的聚類明顯，說明樣本來源是可靠的。在44 個AF 和31 個SR樣本中，使用 “l(fā)imma”包共鑒定出593 個DEGs，其中387 個表達(dá)上調(diào)，216 個表達(dá)下調(diào)，見圖2B和圖2C。

圖2 AF 和SR 樣本組間的DEGs 鑒定Fig.2 Identification of DEGs between AF and SR samples

2.2 免疫浸潤分析

使用CIBERSORT 算法分析了綜合數(shù)據(jù)集中免疫細(xì)胞的浸潤水平。圖3A 說明了來自44 個AF 樣本和31 個SR 樣本的免疫細(xì)胞比例。圖3B表示7 種免疫細(xì)胞亞型的浸潤豐度在2 組樣本間有差異（P<0.05），與SR 相比，來自AF 患者的左心房組織樣本含有更高的活化的CD4 記憶T 細(xì)胞、M1 巨噬細(xì)胞、M2 巨噬細(xì)胞、活化的肥大細(xì)胞，而原始的B 細(xì)胞、靜息的樹突狀細(xì)胞、靜息的肥大細(xì)胞含量更低。22 種免疫細(xì)胞相關(guān)性分析表明，M2 巨噬細(xì)胞與單核細(xì)胞的正相關(guān)關(guān)系最強（r=0.51），而M2 巨噬細(xì)胞與M0 巨噬細(xì)胞呈明顯負(fù)相關(guān)（r=-0.82），見圖3C。

圖3 免疫細(xì)胞浸潤的分布和相關(guān)性Fig.3 Distribution and correlation of immune cell infiltration

2.3 WGCNA 鑒定浸潤免疫細(xì)胞的關(guān)鍵模塊

為了進(jìn)一步闡明AF 相關(guān)免疫細(xì)胞的潛在機制和功能，在R 中使用“WGCNA”包，構(gòu)建無尺度分布網(wǎng)絡(luò)（圖4A），選擇軟閾值β=10 來驗證，結(jié)果顯示R2=0.81，slope=-0.5，符合無尺度網(wǎng)絡(luò)的標(biāo)準(zhǔn)。采用分層聚類的方法將網(wǎng)絡(luò)劃分為多個模塊，模塊合并后共獲得4 個模塊（圖4B）。免疫浸潤的特征和模塊的相關(guān)性熱圖表明，黑色模塊與M2 巨噬細(xì)胞、靜息的樹突狀細(xì)胞、活化的肥大細(xì)胞呈正相關(guān)，而與靜息的肥大細(xì)胞呈負(fù)相關(guān)，見圖4C。選擇黑色模塊作為關(guān)鍵模塊，其中包含3 441 個IRGs，見圖4D。

圖4 WGCNA 分析Fig.4 WGCNA analysis

2.4 DEIRGs 的功能富集分析

對DEGs 和IRGs 共享 的190 個DEIRGs 進(jìn) 行GO 和 KEGG 分析以了解這些基因的生物學(xué)功能和富集信號通路。BP、CC、MF 顯示了10 個最顯著的結(jié)果（圖5A），最與免疫反應(yīng)（如體液免疫反應(yīng)、補體激活）、免疫細(xì)胞（髓系白細(xì)胞分化的負(fù)調(diào)控作用）和免疫活動（MHCII 類蛋白復(fù)合物）有關(guān)。KEGG 通路富集分析表明，這些DEIRGs 主要在擴張性心肌病、肥厚性心肌病、病毒性心肌炎、風(fēng)濕、系統(tǒng)性紅斑狼瘡（systemic lupus erythematosus，SLE）等疾病中富集，并參與吞噬、同種異體移植物的排斥、抗原處理和呈遞、細(xì)胞粘附等免疫功能，同時在TGF-β 信號通路富集，見圖5B。

圖5 DEIRGs 的GO 和KEGG 功能富集分析Fig.5 GO and KEGG functional enrichment analysis of the DEIRGs

2.5 PPI 網(wǎng)絡(luò)篩選候選基因

在3 441 個IRGs 中，共有190 個基因與DEGs重疊，見圖6A。筆者使用 STRING 數(shù)據(jù)庫構(gòu)建了一個由190 個DEIRGs 相交的PPI 網(wǎng)絡(luò)，去除孤立節(jié)點后，使用CytoScape 構(gòu)建了包含131 個節(jié)點和284 條邊的PPI 網(wǎng)絡(luò)，見圖6B。節(jié)點之間的高互聯(lián)性在 PPI 網(wǎng)絡(luò)表明了蛋白質(zhì)之間的功能內(nèi)聚性。此外，MCC 算法確定了前10 個候選基因。這些候選基因的排名，見圖6C。

圖6 PPI 網(wǎng)絡(luò)篩選候選基因Fig.6 PPI network screening for candidate genes

2.6 機器學(xué)習(xí)算法預(yù)測AF 生物標(biāo)志物

為了獲得較高的準(zhǔn)確性，應(yīng)用3 種機器學(xué)習(xí)算法從10 個候選基因（COL1A2、IGF1、TIMP1、PTGS2、FMOD、FOS、C3、THBS2、FBLN1 和PPARG）中篩選出核心基因。使用 LASSO 回歸算法降低了候選基因數(shù)量，確定了3 個關(guān)鍵基因作為預(yù)測模型（IGF1、PTGS2 和PPARG），見圖7A；在RF 算法中筆者選擇MeanDecreaseGini 值大于2 的基因作為預(yù)測模型（C3、IGF1、PPARG、TIMP1、THBS2、PTGS2 和COL1A2），見圖7B；SVM-RFE 算法確定了5 個基因作為預(yù)測模型（PPARG、TIMP1、PTGS2、IGF1 和C3），見圖7C。ROC 曲線驗證了3 種算法的預(yù)測效果（AUC，95%CI），見圖7D。最終，筆者選擇了預(yù)測效果最好的LASSO 回歸算法中的的3 個關(guān)鍵基因（IGF1、PTGS2、PPARG）作為AF 的潛在生物標(biāo)志物，筆者發(fā)現(xiàn)這3 個基因同時也在3 種算法的預(yù)測模型中共享。

圖7 機器學(xué)習(xí)算法識別 AF 生物標(biāo)志物Fig.7 Machine learning algorithm identifies AF biomarkers

2.7 預(yù)測模型有效性評價與驗證

為了評估3 個標(biāo)志物的預(yù)測價值，使用箱線圖展示了3 個關(guān)鍵基因在綜合數(shù)據(jù)集中的表達(dá)情況，結(jié)果顯示在AF 組中IGF1、PTGS2 和PPARG的表達(dá)量高于SR 組，見圖8A。接著，基于3 個關(guān)鍵基因的表達(dá)情況筆者構(gòu)建了列線圖作為診斷模型，如圖8B 所示，總的評分越高，AF 的風(fēng)險就越高。此外，在另一個獨立的數(shù)據(jù)集（GSE128188）中，3 個關(guān)鍵基因的診斷有效性使用ROC 曲線得到進(jìn)一步驗證，PPARG 的AUC 為0.880（95%CI=0.626～1），IGF1 的AUC 為0.760（95%CI=0.372～1），以及PTGS2 的AUC 為0.72（95%CI=0.365～1），見圖8C～8E。

圖8 生物標(biāo)志物的診斷及預(yù)測效能Fig.8 Diagnostic and predictive efficacy of the biomarkers

2.8 生物標(biāo)志物與浸潤免疫細(xì)胞的相關(guān)性分析

為了進(jìn)一步說明3 個關(guān)鍵基因與浸潤免疫細(xì)胞的相關(guān)性，分析結(jié)果用棒棒糖圖可視化，圖9A～9C 分別代表IGF1、PTGS2 和PPARG 和22 種免疫細(xì)胞亞型的相關(guān)性和P值。

圖9 3 個關(guān)鍵基因與22 種免疫細(xì)胞亞型的相關(guān)性分析Fig.9 Correlation analysis of three key genes with 22 immune cell subtypes

3 討論

免疫炎癥反應(yīng)在許多心臟病理生理過程中起著重要的作用，包括AF 導(dǎo)致的心肌損傷和纖維化修復(fù)過程[8]。然而，由于免疫炎癥反應(yīng)在房顫發(fā)生和發(fā)展過程中的復(fù)雜性和多樣性，它們在AF 發(fā)病機制中的作用仍需進(jìn)一步研究。據(jù)報道，一些炎癥相關(guān)基因與AF 密切相關(guān)，如趨化因子受體CXCR2，可能在心房重構(gòu)和AF 誘導(dǎo)過程中發(fā)揮重要的作用[9]；基因SPP1 通過與局部免疫細(xì)胞和基質(zhì)細(xì)胞的串?dāng)_促進(jìn)心房顫動[10]?；诿庖呒?xì)胞浸潤特征，分析炎癥生物標(biāo)志物及其信號分子可能有助于預(yù)測患者AF 的風(fēng)險[11]。

筆者的分析結(jié)果表明，AF 的進(jìn)展與免疫細(xì)胞的浸潤密切相關(guān)。在本研究中，采用 CIBERSORT 算法探索AF 中免疫細(xì)胞的浸潤特征，發(fā)現(xiàn)炎癥相關(guān)免疫細(xì)胞在AF 組中比例增多，并且M2巨噬細(xì)胞與單核細(xì)胞和M0 巨噬細(xì)胞相關(guān)性最強。巨噬細(xì)胞是心臟中最豐富的白細(xì)胞，是細(xì)胞因子的主要來源，參與許多重要的免疫、炎癥反應(yīng)、內(nèi)環(huán)境穩(wěn)態(tài)和代謝過程[11]。研究發(fā)現(xiàn)，AF 患者左心耳組織中單核細(xì)胞和巨噬細(xì)胞是最具有免疫活性的[12]。M2 巨噬細(xì)胞極化后可表現(xiàn)出一些與M1 的重疊特征[13]，具有促炎的作用。這些結(jié)果說明巨噬細(xì)胞是心臟的重要免疫細(xì)胞，在炎癥刺激后巨噬細(xì)胞的極化狀態(tài)在維持心臟的穩(wěn)態(tài)和心房重塑過程中發(fā)揮著重要作用。筆者的研究進(jìn)一步證明并強調(diào)了這些標(biāo)記的重要性。

DEIRGs 是AF 免疫炎癥過程中的特征基因?；赪GCNA 的結(jié)果，筆者提取了與M2 相關(guān)性最強的黑色模塊基因，并篩選出與DEGs 共享的190 個DEIRGs，這些DEIRGs 的GO 分析結(jié)果主要涉及免疫細(xì)胞、免疫活動和免疫反應(yīng)過程。研究表明，體液免疫反應(yīng)、補體激活、髓系白細(xì)胞分化的負(fù)調(diào)控、受體配體活性和細(xì)胞粘附等生物過程和分子功能與房顫的進(jìn)展密切相關(guān)[14-15]。MHCII 類蛋白復(fù)合物作為巨噬細(xì)胞移動抑制因子（macrophage migration inhibitory factor，MIF）的主要受體，協(xié)同MIF 促進(jìn)心房炎癥和纖維化[16]。KEGG 結(jié)果主要在擴張性心肌病、肥厚性心肌病、病毒性心肌炎、風(fēng)濕、SLE 和TGF-β 信號通路富集。眾所周知，心肌病是AF 的基礎(chǔ)，可能與遺傳、免疫相關(guān)。另外，研究表明，SLE 可能是房顫的獨立危險因素[17]，在AF 中，TGF-β 是促進(jìn)心房纖維化發(fā)生和維持的重要信號通路[18]。筆者的結(jié)果說明了這些DEIRGs 參與了AF 的免疫和炎癥過程。

IGF1、PPARG 和PTGS2 被識別為AF 的炎性生物標(biāo)志物。通過構(gòu)建PPI 網(wǎng)絡(luò)和基因顯著性評分，筆者篩選出了10 個候選基因。據(jù)報道，其中一些基因已被證明與房顫發(fā)病機制有關(guān)[19-21]，這說明了本結(jié)果的可靠性。通過機器學(xué)習(xí)算法和ROC 曲線分析，3 個 關(guān)鍵基因（IGF1、PTGS2 和PPARG）最終被確定為AF 相關(guān)生物標(biāo)志物。研究表明，IGF1 具有促生長活性，調(diào)節(jié)心臟的收縮、新陳代謝、肥大、自噬、衰老和細(xì)胞凋亡，與心血管疾病風(fēng)險升高有關(guān)[22]。在炎癥刺激下，IGF1作為IGF1R（IGF-1 receptor）的配體，激活酪氨酸激酶的活性，從而激活PI3K-AKT、MAPK 等下游信號通路[23]。先前的研究表明，PI3K-AKT[24]、MAPK[25]信號通路介導(dǎo)心房重構(gòu)，在房顫發(fā)生、發(fā)展過程中發(fā)揮作用。PTGS2 是1 種前列腺素生物合成中的關(guān)鍵酶，可以激活巨噬細(xì)胞的吞噬作用[26]，在炎癥反應(yīng)中具有特殊作用[27]。一項心肌細(xì)胞試驗證明CV-3 可能通過調(diào)節(jié)PTGS2 治療房顫[28]。PPARG 是1 種蛋白編碼基因，與PPARG相關(guān)的疾病包括胰島素抵抗、糖尿病和高血壓[29]。研究發(fā)現(xiàn)，PPARG 通過抑制NF-kappa-B 介導(dǎo)的促炎反應(yīng)，作為腸道穩(wěn)態(tài)的關(guān)鍵調(diào)節(jié)器[30]。房顫患者的心肌重塑與環(huán)形時鐘基因BMAL1 的表達(dá)減少有明顯的相關(guān)性[31]，而PPARG 可通過調(diào)節(jié)血管中BMAL1 的轉(zhuǎn)錄來調(diào)節(jié)心血管晝夜節(jié)律[32]。這些研究結(jié)果表明，3 個關(guān)鍵基因參與了房顫的病理生理過程，和炎癥密切相關(guān)。

IGF1、PPARG 和PTGS2 與浸潤免疫細(xì)胞關(guān)系密切。相關(guān)性分析結(jié)果表明，3 個關(guān)鍵基因的表達(dá)與靜息CD4 記憶T 細(xì)胞、M0 巨噬細(xì)胞呈顯著正相關(guān)，而與M2 巨噬細(xì)胞呈顯著負(fù)相關(guān)，基于這些發(fā)現(xiàn)，筆者推測IGF1、PPARG 和PTGS2可能通過調(diào)節(jié)免疫細(xì)胞浸潤在AF 的發(fā)生發(fā)展過程中發(fā)揮作用。然而，這些結(jié)果需要額外的體內(nèi)或體外實驗來證明關(guān)鍵基因和免疫細(xì)胞浸潤之間的復(fù)雜相互作用。

綜上所述，本研究通過綜合生物信息學(xué)分析鑒定了3 個與AF 炎癥相關(guān)的生物標(biāo)志物（IGF1、PTGS2 和PPARG），筆者還對這些基因與特異性免疫細(xì)胞的關(guān)系進(jìn)行了分析與評價。這些結(jié)果可能為AF 的免疫系統(tǒng)浸潤模式提供新的見解。