Blog

May 26, 2023

GPX4 ist ein wichtiger Ferroptose-Biomarker und korreliert mit Immunzellpopulationen und Immun-Checkpoints bei Sepsis im Kindesalter

Scientific Reports Band 13, Artikelnummer: 11358 (2023) Diesen Artikel zitieren 476 Zugriffe auf Metrikdetails Sepsis ist die unkontrollierte Reaktion des Körpers auf eine durch Infektionen verursachte Entzündung, die

Scientific Reports Band 13, Artikelnummer: 11358 (2023) Diesen Artikel zitieren

476 Zugriffe

Details zu den Metriken

Sepsis ist die unkontrollierte Reaktion des Körpers auf eine infektionsbedingte Entzündung, die zu einer lebensbedrohlichen Multiorgandysfunktion (MODS) führt. Obwohl die Forschung zur Sepsis in den letzten Jahren erhebliche Fortschritte gemacht hat, ist ihre Pathophysiologie noch völlig unbekannt. Ferroptose ist eine neuartige Art des programmierten Zelltods, der sich auf die Entwicklung einer Sepsis auswirken kann. Der genaue Mechanismus muss jedoch noch erforscht werden. In diesem Artikel wurden vier pädiatrische Sepsis-Datensätze [Trainingsdatensätze (GSE26378 und GSE26440) und Validierungsdatensätze (GSE11755 und GSE11281)] über die GEO-Datenbank (Gene Expression Omnibus) sowie 63 differenzielle Expressionen von Ferroptose-Relations-Genen (DE-) ausgewählt. BRDs) wurden schließlich mithilfe bioinformatischer Untersuchungen entdeckt. Die funktionelle Annotation wurde mithilfe einer GO- und KEGG-Signalweganreicherungsanalyse durchgeführt. Anschließend wurden vier Core-FRGs (FTH1, GPX4, ACSL1 und ACSL6) nach dem Aufbau des Protein-Protein-Interaktionsnetzwerks (PPI) und der Erforschung des MCODE-Moduls extrahiert. Folglich wurde Hub-FRG (GPX4) mithilfe der Validierungsdatensätze und Korrelationsexplosion von Immunitätspopulationen (Neutrophile, r = − 0,52; CD8-T-Zellen, r = 0,43) und Immunitätskontrollpunkten (CD274, r = − 0,42) gefunden umgesetzt. Der Nutzen von GPX4 als Marker bei Sepsis wurde in einem Mausmodell für Sepsis bewertet. Die Ergebnisse zeigen, dass GPX4 ein entscheidender Biomarker und ein neues latentes Immuntherapieziel für die Vorhersage und Therapie der pädiatrischen Sepsis ist.

Unter Sepsis versteht man die unkontrollierte Entzündungsreaktion des Körpers auf eine Infektion, die zu verschiedenen Organversagen führt und lebensgefährlich ist1. Sepsis hat eine hohe Inzidenz- und Todesrate2. Täglich sterben weltweit fast 14.000 Menschen an einer Sepsis. Noch wichtiger ist, dass die Sepsis-Inzidenz bei Kindern am höchsten ist: 40 % der Fälle betrafen Kinder unter fünf Jahren im Vergleich zu anderen Bevölkerungsgruppen. Die Mehrheit der Kinder, die an Sepsis starben, lebten in verarmten Gemeinden3,4. Darüber hinaus erfordert die Behandlung einer Sepsis eine große Menge medizinischer Ressourcen, stellt eine erhebliche Gefahr für die menschliche Gesundheit dar und hat einen schädlichen Einfluss auf die Lebenszufriedenheit4. Die Pathogenese der Sepsis ist äußerst kompliziert. Frühere Studien konzentrierten sich auf die damit verbundene entzündliche Immunantwort und erzielten einige Fortschritte, die Forschung in klinischen Studien brachte jedoch keinen ausreichenden Durchbruch. Daher bleibt die Forschung zur Sepsis anspruchsvoll und kritisch.

Ferroptose ist ein neuartiges Konzept in der Biologie, das in jüngster Zeit in den Fokus wissenschaftlicher Untersuchungen gerückt ist. Es handelt sich um eine besondere Art des eisenabhängigen Zelltods, der durch Apoptose, Nekrose und Autophagie programmiert wird5. Ferroptose wird hauptsächlich durch die Inaktivierung oder Reduzierung der Produktion von Glutathionperoxidase 4 (GPX4) in Zellen verursacht, was zu einem Anstieg der lipidreaktiven Sauerstoffspezies (ROS) und letztendlich zum Zelltod führt6,7,8. In Bezug auf die Zellform führt Ferroptose zu kleineren Mitochondrien, erhöhter Membrandichte und -bruch sowie verringerter Crista9. Neuere Forschungen haben ergeben, dass eine schwere Stressreaktion bei septischen Patienten zu einem abnormalen Stoffwechsel von Ionen, Fetten und Energie im Körper führen kann10 und ein Ungleichgewicht im Eisenstoffwechsel steht in direktem Zusammenhang mit der Pathophysiologie der Sepsis11. Eine Hepcidin-Erhöhung war mit einem geringeren Risiko für den Tod durch Sepsis verbunden12,13. Prauchner CA stellte fest, dass die Akkumulation von ROS für den Beginn und das Fortschreiten verschiedener Organfunktionsstörungen bei Sepsis entscheidend war14. Früher wurde es häufig in der Forschung im Zusammenhang mit Tumoren und Ferroptose beobachtet, wohingegen über Ferroptose und Sepsis bei Kindern nur selten berichtet wurde. Daher sind weitere Untersuchungen zur molekularen Regulation und zum Mechanismus der Ferroptose beim Fortschreiten der Sepsis im Kindesalter dringend erforderlich. Diese Studie betrachtet den Zusammenhang zwischen Ferroptose und Sepsis im Kindesalter als bahnbrechenden Punkt, erhält die Datensätze vom GEO, führt bioinformatische Analysen durch, filtert Hub-FRGs heraus und führt die Korrelationsanalyse ihrer Immunzellpopulationen und Immun-Checkpoints sowie die biologische Verifizierung durch , um einen neuen Biomarker für den Vorhersagewert, ein potenzielles immuntherapeutisches Ziel und eine theoretische Grundlage für die Erforschung der Sepsis im Kindesalter bereitzustellen (Abb. 1).

Das Flussdiagramm dieser Studie. GEO, Gene Expression Omnibus-Datenbank; DEGs, differentiell exprimierte Gene; DE-FRGs, differentiell exprimierte Ferroptose-bezogene Gene; GO, Genontologie; KEGG, Kyoto Encyclopedia of Genes and Genomes; PPI, Protein-Protein-Interaktion.

Zum Erhalten der Daten wurde die GEO-Datenbank (http://www.ncbi.nlm.nih.gov/geo/) verwendet, in der die Seriencodes für den Datensatz für Sepsis-Patienten GSE26378, GSE26440, GSE11755 und GSE11281 lauten. Als Bioinformatik-Trainingskohorten umfassten GSE26378 (n = 82 Sepsis; n = 21 Kontrollen) und GSE26440 (n = 98 Sepsis; n = 32 Kontrollen) Vollblut-Genexpressionsdaten von 180 pädiatrischen Sepsis-Patienten und 53 normalen Kinderproben. Die Validierungskohorten waren GSE11755 (n = 31 pädiatrische Sepsis und n = 10 Kontrollen) und GSE11281 (n = 6 pädiatrische Sepsis und n = 3 Kontrollen). Die MolecularSignatures Databank (MSigDB) (https://www.gsea-msigdb.org/gsea/msigdb/)15 wurde verwendet, um einen Ferroptose-Gendatensatz zu erhalten. Nach dem Löschen von Duplikaten wurden 65 experimentell verifizierte Ferroptose-bezogene Gene (FRGs) für weitere Untersuchungen gefunden.

Das Annotate-Paket wurde verwendet, um die Sonden-ID mit dem Gennamen zu annotieren. Verwenden Sie die ComBat-Strategie (R-Paket: sva; ComBat), um den potenziellen Batch-Einfluss in GSE26378 und GSE26440 zu beseitigen. Zur Hintergrundkorrektur wurde das normale exponentielle Faltungsmodell mit der neqc-Funktion (R-Paket: lima (Version 3.40.6); Funktion: neqc) verwendet, um die Stärke jeder Probe zu normalisieren und umzuwandeln16. Um die Datensätze zusammenzuführen, verwenden Sie das R-Tool inSilicoMerging17 und vergleichen Sie UMAP und Boxplot der Datensätze vor und nach der Normalisierung und De-Batch-Korrektur. Die Software „Annotation Probe“ wurde verwendet, um die Sequenzmatrix erneut zu kommentieren. Die Microarray-Daten wurden mit dem „limma“-Tool der R-Software kalibriert und DEGs zwischen septischen Patienten und gesunden Kontrollpersonen ermittelt, log2FC ≥ 1, angepasster P-Wert < 0,05. Zur Darstellung der DEGs im Vulkanplot wurde die Software „ggplot2“ (V. 3.3.4) verwendet. Anschließend wurden die differenziell ausgedrückten FRGs (DE-FRGs) durch Kreuzung von DEGs und FRGs generiert und im Venn-Diagramm angezeigt, das mit dem Tool „Venn-Diagramm“ erstellt wurde. Die Ausprägung der DE-BRDs wurde mit der Software „ggplot2“ in Heatmaps und Multi-Set-Boxplots dargestellt.

Die Teilmenge c5.go.mf.v7.gmt wurde in MSigDb abgeleitet (https://doi.org/10.1093/bioinformatics/btr260, http://www.gsea-msigdb.org/gsea/downloads.jsp). Um mehr über die wahrscheinliche Rolle von DE-FRGs zu erfahren, haben wir die Software ClusterProfiler (V. 3.14.1) verwendet, um die Signalweganreicherung von Gene Ontology (GO)18 und Kyoto Encyclopedia of Genes and Genomes (KEGG)19 zu analysieren. GO ist eine computerbasierte Bioinformatik-Software, die hauptsächlich zur Annotation von Genen und zur Erforschung ihrer biologischen Prozesse verwendet wird. KEGG ist eine computerstatistische Ressourcendatenbank, die hochwertige biologische Prozesse und Funktionssysteme aus einer Vielzahl molekularer Datensätze bewertet und Wege entdeckt, in denen DEGs eine wichtige Rolle spielen könnten. Das Blasendiagramm zeigt die Ergebnisse der Anreicherung. Wenn das minimale Genarray 5 und das maximale Genarray 5000 betrug, wurden FDR < 0,1 und angepasstes P < 0,05 statistisch als signifikant akzeptiert.

Um die Interaktion zwischen DE-FRGs zu untersuchen, nutzen Sie die STRING-Datenbank (Search Tool for the Retrieval of Interacting Genes, http://string-db.org/)20 und verwenden Sie dann die Cytoscape-Software 3.9.1 (http://cytoscape .org/)21 zum Aufbau und zur Anzeige von PPI-Netzwerken. Verwenden Sie das MCODE-Plug-in, um die Module zu erkunden, die eng mit Genen verknüpft sind, und sie für weitere Untersuchungen zu nutzen.

1136 Mitochondrial-Function-Relation-Gene (MFRGs) wurden aus der Online-Datenbank MitoCarta 3.0 (https://www.broadinstitute.org/mitocarta)22 bezogen. Die überlappenden Gene von DEGs und MFRGs wurden als differentiell exprimierte MFRGs (DE-MFRGs) definiert. Die überlappenden Gene von DE-MFRGs und MCODE-FRGs wurden als „Core Differentially Expressioned FRGs“ (Core-FRGs) bezeichnet, um später überprüft zu werden.

Die Core-FRGs wurden mithilfe von zwei Sepsis-Datensätzen validiert (GSE11755: n = 31 Meningokokken-Sepsis, n = 10 Kontrolle; GSE11281: n = 6 Staphylococcus-Sepsis, n = 3 Kontrolle). Die Ausprägung der Kern-FRGs wurde im Vulkanplot mit der Software „ggplot2“ dargestellt.

Die ROC-Technik (Receiver Operating Characteristic Curve) im Python-Paket wurde ausgeführt, um die Wirksamkeit der Hub-BRD-Diagnose anhand des Trainingssatzes und des Validierungssatzes zu analysieren.

Die Clusteranalyse wurde mit ConsensusClusterPlus23 durchgeführt, um eine Clusterbildung auf der Grundlage des „Pam“-Ansatzes zu generieren und die biologischen Eigenschaften, die durch FRGs im peripheren Blut des Patienten moduliert werden, besser zu verstehen. Die Proben wurden zehnmal wiederholt, mit einer Resampling-Rate von 80 %. Um die idealen Clustering-Ergebnisse zu ermitteln, wurde das Diagramm der empirischen kumulativen Verteilungsfunktion übernommen. Anschließend wurde das UMAP-Paket (Version 0.2.7.0) verwendet, um die Matrix mit reduzierter Dimension24 zu erhalten und die Expressionsmuster von DE-FRGs in bestimmten Subpopulationen des peripheren Blutes zu bewerten.

Das GSEA-Tool (Version 4.0) wurde von GSEA (https://doi.org/10.1073/pnas.0506580102, http://software.broa 138-dinstitute.org/gsea/index.jsp) erworben, um das angereicherte KEGG zu untersuchen Signalweg zwischen C1 (dem Sepsis-Subtyp) und C2 (der Kontrolle). Der Basis-Gensatz betrug 5 und der äußerste Gensatz betrug 5.000 gemäß der Expressionsprofil- und Phänotypgruppe, wobei 1.000 Neuproben, FDR < 0,1 und angepasster P < 0,05 statistisch signifikant waren.

Basierend auf unseren Expressionsprofilen wurde die CIBERSORT-Technik25 übernommen, um den Differenzwert der Immunzellpopulationen zwischen C1 und C2 mithilfe des R-Softwarepakets IOBR zu untersuchen. Das CIBERSORT umfasst 22 Immunzell-Subtypen, und der lineare Regressionsansatz wurde verwendet, um eine Entfaltungsanalyse für das Expressionsarray der Homo-Immunitätszell-Subklassen durchzuführen. Anschließend wurde auf der Grundlage der Expressionsprofildaten eine differenzielle Analyse der Immun-Checkpoint-Genexpression auf C1 und C2 durchgeführt.

Basierend auf unseren Expressionsmustern wurde die Pearson-Korrelationskoeffizientenanalyse für Hub-FRG- und Immunzellen sowie Hub-FRG- und Immun-Checkpoint-Gene unter Verwendung unserer Expressionsprofile und des Corrplot-Tools in R durchgeführt. Die Ergebnisse werden als Heatmap angezeigt.

Um die unterschiedliche Expression von Hub-FRGs bei verschiedenen Sepsis zu bestimmen, haben wir jeweils zwei Arten septischer Tiermodelle für G+-Infektionen und G- erstellt, den Stamm Staphylococcus aureus (S.aureus, ATCC29213, USA) und den Stamm Escherichia coli (E.coli). , ATCC25922, USA). Kurz gesagt, gesunde männliche C57BL/6-Mäuse (CharrlesRiver, 4 bis 5 Wochen alt, 14 ± 1 g) induzierten eine Sepsis durch Schwanzveneninjektion von 100 µl (1,25 KBE/ml) S.aureus und 100 µL (1,25 KBE/ml) E.coli /ml). Vor dieser Studie betrug die Raumtemperatur 20–23 Grad Celsius, die relative Luftfeuchtigkeit lag zwischen 40 und 70 %, es gab einen 12-Stunden-Tag-Nacht-Zyklus und der Zugang zu Getränken und Nahrungsmitteln war uneingeschränkt möglich. Nach einem Tag des Modells wurden die Mäuse durch die Verwendung von Chloralpentobarbital mit ip eingeschläfert und peripheres Blut, Herz-, Leber-, Lungen- und Nierengewebe entnommen.

Die Bakterienzahl der Herzen, der Lunge, der Leber und der Nieren – lebenswichtige Organe – septischer Mäuse wurde beobachtet. Einfach ausgedrückt wurden Gewebeproben mit einem Zerkleinerer (FastPep-24M5G) fragmentiert, dem Homogenat 500 µl steriles PBS zugesetzt und 100 µl des Homogenats gleichmäßig in festes Kulturmedium zur Bakterienverstärkung (Thermerfei Colombian Subtyp, Bestandsnummer PB0123A) gegeben , Spezifikation 10 × 90 mm), 37 °C und Bakterienkoloniestatistiken wurden nach 12-stündiger Inkubation durchgeführt.

Ein automatisierter biochemischer Analysator für Kleintiere wurde verwendet, um 24 Stunden nach dem Sepsis-Modell einen biochemischen Nachweis der wesentlichen Organfunktionen im peripheren Blut (Herz, Leber und Niere) durchzuführen. Das Blut der Halsvene der Maus wurde nach einer wirksamen Anästhesie (2 % Pentobarbiton, 45 mg/kg; Peritonealinjektion, pi) und anschließender Zentrifugation (1200 g, 4 °C, 10 min) zur Extraktion des hellgelben Serums gewonnen Wird für die biochemische Analyse durch Kleintier-Bioreagenzchips LDH (#011,719, IDEXX), BUN (#012,133, IDEXX), CK (#010,838, IDEXX) und ALT (#011,052, IDEXX) verwendet.

Nach 24-stündiger Fixierung von Mausgewebeproben in 4 %iger Paraformaldehydlösung wurden sie dehydriert, transparent, in Paraffin eingewickelt, in 4 μm-Schnitte geschnitten und mit Hämatoxylin-Eosin (HE) gefärbt. Mit einem Mikroskop wurden die Gewebeläsionen von Herz, Lunge, Leber und Nieren beobachtet.

Ein Luciferase-Kit (ATP Assay Kit, Beyotime Biotech, China) wurde verwendet, um die ATP-Spiegel in den verschiedenen Organen der Sepsis-Modellmäuse zu testen. Kurz gesagt, das Herz, die Lunge, die Leber und die Niere der Maus wurden lysiert und unter Verwendung von Lysepuffer (12.000 g, 4 °C, 5 Minuten) zentrifugiert. Anschließend wurde die obere Flüssigkeit sofort mit einem äquivalenten Volumen Arbeitslösung gemischt, bevor sie in eine standardmäßige undurchsichtige 96-Well-Platte gegeben und durch Chemilumineszenz in einem Fotoaufzeichnungsplattenlesegerät (Thermo, Varioskan LUX, USA) nachgewiesen wurde.

Die Herzen, Lungen, Leber und Nieren von Sepsis-Modellmäusen wurden lysiert und unter Verwendung von Lysepuffer (12.000 g, 4 °C, 10 Min.) zentrifugiert. Zur Messung der Konzentration des überstehenden Proteins wurde ein BCA-Proteinnachweiskit (Beyotime Biotechnology Co., China) eingesetzt. SDS-PAGE wurde verwendet, um das gesamte Protein abzutrennen und es anschließend auf einen PVDF-Film (Polyvinylidenfluorid) zu transportieren. Nach 1 Stunde Versiegelung mit 5 % Magermilchpulver den ersten Antikörper auftragen: gegen GPX4 (1:800, Cohesion, UK), 4 °C über Nacht. Dann inkubieren Sie die Membran bei Raumtemperatur etwa 1 Stunde lang mit dem Nachweisantikörper. Abschließend wurden die Proteinbanden mit einem Nahinfrarot-Zweifarben-Laserbildgebungssystem (Odyssey CLX) identifiziert und mit einem Dichtemessgerät (ImageJ 1.8.0) untersucht.

In einem Ofen bei 60 °C wurden Paraffinschnitte entparaffiniert und das Antigen 3 Minuten lang hitzeextrahiert. Es wurde 1 Stunde lang bei 37 °C mit 10 % Eselserumprotein blockiert, bevor es über Nacht bei 4 °C mit dem Primärantikörper Anti-GPX4 (1:100, Cohesion, UK) behandelt wurde. Sekundärantikörper mit fluoreszierenden Farben wurden 1 Stunde lang bei Raumtemperatur im Dunkeln mit Schnitten behandelt. Anschließend wurde der Zellkern mit DAPI 10 Minuten lang gefärbt (1:200, Bilyun, China). Die Ergebnisse wurden mit einem CKX53-Mikroskop (Olympus Optics Limited) gewonnen und mit einem Fluoreszenzintensitätsmessgerät (ImageJ 1.8.0) untersucht.

Die Tierversuche dieses Artikels wurden gemäß dem Leitfaden für die Pflege und Verwendung von Labortieren durchgeführt und vom Institutional Animal Care and Use Committee der Army Medical University (Nr. TMMU2012009) genehmigt. Alle Tierversuche wurden gemäß den Empfehlungen der ARRIVE-Richtlinien durchgeführt. Alle Methoden wurden in Übereinstimmung mit den relevanten Richtlinien und Vorschriften durchgeführt.

Für statistische Analysen wurde das R-Paket (Version 4.0.2) sowie die Software IBM SPSS 26.0 (USA) und GraphPad Prism 8.0 (USA) verwendet. Zur Darstellung aller Daten wurde die mittlere Standardabweichung (SD) verwendet. Der Student-t-Test und der Wilcoxon-Signed-Rank-Test wurden angewendet, um die Unterschiede zwischen den beiden Gruppen zu vergleichen. Zur Bewertung mehrerer Gruppen wurde eine einfaktorielle ANOVA verwendet. Zur Untersuchung der Zusammenhänge zwischen den Stichprobengruppen wurde der Korrelationskoeffizient nach Pearson angewendet. Darüber hinaus wurde die ROC-Technologie eingesetzt, um die diagnostische Wirksamkeit des Kerngens zu bewerten, das durch die Area Under Curve (AUC) dargestellt wurde. Die Sensitivität und Spezifität des Gens wurden berechnet. Als der Youden-Index auf seinen Maximalwert eingestellt wurde, wurde der optimale Gen-Cut-Off-Wert erreicht. P < 0,05 steht für statistische Signifikanz.

Nach der Debatch-Normalisierungsbehandlung von GSE26378 und GSE26440 (Abb. 2A, ergänzende Abbildung 1) wurde die differentielle Expressionsanalyse durchgeführt, die 20.021 signifikant differentiell exprimierte Gene umfasste, darunter 12.758 hochregulierte Gene und 7.263 herunterregulierte Gene. log2FC ≥ 1, angepasstes P < 0,05 (Abb. 2B). Um unterschiedlich exprimierte FRG bei Sepsis zu untersuchen, extrahierten wir 65 FRG aus MSigDB, einer auf menschlichen Genen basierenden Datenbank, und konstruierten sie anhand von Standort, Funktion, Stoffwechselwegen und Zielbindung. Nach dem Schnittpunkt von DEGs und FRGs wurden 63 unterschiedlich exprimierte FRGs als DE-FRGs identifiziert (Abb. 2C). Der Ausdruck der 63 DE-BRDs wurde mithilfe von Heatmap- und Violindiagrammen dargestellt (Abb. 2D, E).

Identifizierung von Entnahmechargen und DE-BRDs. (A) GSE26378 und GSE26440 wurden aus der Charge extrahiert und normalisiert, was insgesamt 20.021 Gene ergab. (B) Die Visualisierungsanalyse der Vulkankarte ergab, dass 20.021 Gene unterschiedlich exprimiert wurden, davon 12.758 hochregulierte Gene und 7263 herunterregulierte Gene. log2FC ≥ 1, angepasstes P < 0,05. (C) Ein Venn-Diagramm wurde verwendet, um 63 unterschiedlich ausgedrückte FRGs als DE-FRGs zu identifizieren. (D, E) Die Ausprägung von 63 DE-BRDs wurde mithilfe einer Wärmekarte und einer Geigenkarte dargestellt.

Basierend auf GO und KEGG wurden die latenten biologischen Wirkungen und Signalwege von DE-FRGs in beiden Gruppen untersucht. Den Ergebnissen zufolge war KEGG hauptsächlich in Bezug auf Ferroptose, Stoffwechselwege, Nekroptose, Mineralabsorption und Fettsäureproduktion angereichert (Abb. 3A). CC (Zellkomponente) war im Mitochondrium, in der Hülle, in der Vakuole, in der Mitochondrienhülle und im Autophagosom signifikant angereichert (Abb. 3B). MF (molekulare Funktion) war stark angereichert in Bezug auf Oxygenataktivität, Ionentransport-Transporteraktivität, Transporteraktivität, Eisenionenbindung und Eisenionentransport-Transporteraktivität (Abb. 3C). BP (biologischer Prozess) war stark angereichert mit Stoffwechselprozessen kleiner Moleküle, Ionenhomöostase, Reaktion auf oxidativen Stress, Eisenionenhomöostase und Übergangsmetallionenhomöostase (Abb. 3D). Offensichtlich waren diese DE-FRGs an Ferroptose, Mitochondrien, Autophagosomen und Oxidoreduktaseaktivität angereichert.

Blasendiagramm von GO- und KEGG-Anreicherungsstudien von DE-FRGs in Sepsisproben. Der P-Wert wird durch den sich zunehmend ändernden Farbton angezeigt und die Anzahl der Gene wird durch die Größe der schwarzen Punkte angezeigt. (A) KEGG war hauptsächlich mit Ferroptose angereichert. (B) CC war hauptsächlich im Mitochondrium angereichert. (C) MF war hauptsächlich an Oxidoreduktaseaktivität angereichert. (D) BP war hauptsächlich in Stoffwechselprozessen kleiner Moleküle angereichert.

Die PPI-Daten von 63 DE-BRDs wurden der String-Datenbank entnommen und das visuelle PPI-Netzwerk wurde mit dem Cytoscape-Tool 3.9.1 erstellt. Es gibt 61 Knoten und 232 Kanten in diesem Netzwerk, und 45 Gene wurden stark exprimiert, während 18 in 63 DE-BRDs unterexprimiert waren (Abb. 4A). Drei MCODE-Module wurden mit dem MCODE-Plug-in erhalten (Abb. 4B). Insgesamt wurden 29 MCODE-Gene erhalten, darunter STEAP3, FTL, SLC40A1, SLC39A14, HMOX1, IREB2, SLC11A2, FTH1, CP, TFRC, TP53, NOX4, CTH, GCLM, SLC7A11, GCLC, GSS, GPX4, NOX1, CBSL, CYBB, AKR1C1, ACSL3, ACSL4, ACSL1, ACSL5 und ACSL6.

Aufbau des PPI-Netzwerks und des MCODE-Moduls sowie die Erfassung und Verifizierung von Core-FRGs. (A) Das PPI-Netzwerk DE-BRD wurde mit dem Cytoscape-Tool generiert und umfasst 61 Knoten und 232 Kanten. (B) 3 MCODE-FRGs-Modelle wurden extrahiert. (C) MCODE-FRGs kreuzen sich mit DE-MFRGs, um 4 Core-FRGs (GPX4, ACSL1, ACSL6, FTH1) zu erhalten. (D, E) Vulkandiagramme bestätigten die Expression von GPX4, ACSL1, ACSL6 und FTH1 in GSE11755 bzw. GSE11281 (angepasstes P < 0,05, log2FC ≥ 1,2).

Unter den 1136 MFRGs wurden 1083 differentiell exprimierte mitochondriale Funktionsgene (DE-MFRGs) gefunden, von denen 474 hochreguliert und 609 herunterreguliert waren. Als nächstes wurden vier Differenzgene erhalten, nachdem die DE-MFRGs mit den MCODE-FRGs (FTH1, GPX4, ACSL1 und ACSL6) gekreuzt wurden (Abb. 4C). Wir definieren es als Kern-BRD (Tabelle 1).

Die Expression von Core-FRG wurde mithilfe von zwei Microarray-Datensätzen (GSE11755 und GSE11281) validiert. Das Vulkandiagramm zeigt, dass 2.116 DEGs in GSE 11.755 (oben = 895; unten = 1.217) und 2.096 DEGs in GSE 11.281 (oben = 1.070; unten = 1.026) gefunden wurden. log2FC ≥ 1,2, angepasstes P < 0,05). Unter den vier Core-FRGs war nur GPX4 in verschiedenen Sepsis-Datensätzen signifikant und gleichmäßig herunterreguliert (Abb. 4D, E), was darauf hinweist, dass niedrige GPX4-Expressionsniveaus verschiedene Sepsis-Typen vorhersagen können. Daher definieren wir es als Hub-BRD und führen eine anschließende Verifizierung durch.

Abbildung 5 zeigt den diagnostischen Wert von GPX4 bei Sepsis. GPX4 war bei Sepsis im Trainingssatz (GES 26.378 und GSE 26.440) im Vergleich zur Kontrollgruppe deutlich herunterreguliert (P < 0,05, Abb. 5A). Die Fläche unter der Kurve (AUC) des ROC von GPX4 bei der Diagnose einer Sepsis betrug 0,64, mit einer Sensitivität und Spezifität von 0,79 bzw. 0,5 (Abb. 5B, C). Interessanterweise hatte die Hub-BRG im Validierungssatz (GSE11755 und GSE11281) eine bessere Leistung. Die GPX4-Expression war bei Sepsis signifikant reduziert (P < 0,05, Abb. 5D, G). Die AUC-Werte betrugen 0,73 bzw. 0,94 (Abb. 5E, H), der Sensitivitätswert betrug 0,6 bzw. 1 und der Spezifitätswert betrug 0,84 bzw. 0,83. (Abb. 5 F,I). Offensichtlich deuten diese Ergebnisse darauf hin, dass GPX4 einen guten Wert für die Sepsisdiagnose hatte.

Leistung der Hub-BRD-Diagnose-Sepsis in den Trainings- und Verifizierungssets. Basierend auf den Expressionsprofilen des Trainingssatzes (GSE26378 und GSE26440): (A) Der Unterschied in der GPX4-Expression zwischen der Sepsis- und der Kontrollgruppe. (B) Die ROC-Kurve von Patienten mit Sepsis basierend auf dem GPX4-Gen. (C) Der diagnostische Wert des Hub-BRG bei der Unterscheidung der Sepsis-Gruppe von der Kontrollgruppe. Gemäß dem Expressionsprofil des Validierungssatzes (GSE11755 und GSE11281): (D, G) Der Unterschied in der GPX4-Expression zwischen der Sepsis- und der Kontrollgruppe. (E, H) Die ROC-Kurve von Menschen mit Sepsis basierend auf dem GPX4-Gen. (F, I) Der diagnostische Wert des Hub-FRG bei der Unterscheidung der Sepsis-Gruppe von der Kontrollgruppe. AUC steht für Area Under the Curve; TPR steht für True Positive Rate; und FPR steht für False Positive Rate.

Entsprechend den Expressionsniveaus der DE-FRGs im Expressionsprofil wurden die 233 Proben in vier Untergruppen eingeteilt: C1 (N = 91 Sepsis-Patienten), C2 (N = 66, 53 Kontroll- und 13 Sepsis-Patienten), C4 (N = 32 Sepsis-Patienten) und C3 (N = 44 Sepsis-Patienten) (Abb. 6A). Von k = 2 bis k = 10 ist der k = 2-Cluster der konstanteste (ergänzende Abbildung 2). Die UMAP- und Heatmap-Studien zeigten signifikante Unterschiede zwischen C1 und den anderen Subtypen, insbesondere C2 (Abb. 6B, C). Die Expressionsmuster von DE-FRGs ändern sich stark zwischen C1 und C2 (Abb. 6C, D). Im Vergleich zu C2 waren 31 Gene in C1 signifikant hochreguliert (ACSL1, ACSL3, ACSL4, AKR1C1, ATG7, BACH1, CBS, CHMP5, CHMP6, COQ2, CYBB, FTH1, FTL, GCH1, GCLM, HMGCR, HMOX1, IREB2, LPCAT3, MAP1LC3A, MAP1LC3B, PHKG2, POR, SAT1, SAT2, SLC39A8, SLC3A2, SLC40A1, SLC7A11, STEAP3 und TXNRD1), 12 Gene wurden signifikant herunterreguliert (ACSL6, ALOX15, DPP4, GCLC, GPX4, GSS, NCOA4, SLC1A5). , SLC38A1, SLC39A14, TP53 und VDAC2) (Abb. 6D).

Clusteranalyse und Subtypidentifizierung basierend auf den Expressionsprofilen der DE-FRGs (A) Die Konsensmatrix-Heatmap zeigt, dass DE-BRDs in vier Kategorien eingeteilt werden können: C1 (N = 91), C2 (N = 66), C4 (N = 32). ) und C3 (N = 44). (B) Die UMAP-Visualisierung bestätigte die Clusterbildung zwischen verschiedenen Subtypen. (C) Die Heatmap zeigt die verschiedenen Ausdrucksmuster von BRDs in vier Subtypen. (D) Das Kastendiagramm zeigt, dass es 43 BRDs mit signifikanten Unterschieden zwischen C1 und C2 gibt, *P < 0,05, **P < 0,01, ****P < 0,0001.

Verschiedene Wege zwischen C1 und C2 wurden von GSEA verglichen. Die Ergebnisse legen nahe, dass C1 stark angereichert war in Bezug auf Apoptose, Adipozytokin-Signalweg, Lysosom, Regulierung der Autophagie, Jak-Stat-Signalweg, NOD-ähnlicher Empfänger-Signalweg, RIG-I-ähnlicher Empfänger-Signalweg, Regulierung des Aktin-Zytoskeletts, Toll- wie Empfängersignalweg, PPAR-Signalweg, Fc-Epsilon-RI-Signalweg, Fc-Gamma-Empfänger-vermittelte Phagozytose und MAPK-Signalweg (ergänzende Abbildung 3).

Das CIBERSORT-Tool wurde verwendet, um Unterschiede in den Expressionsniveaus der 22 Immunzellen im peripheren Blut zwischen C1 und C2 zu berechnen und zu bewerten (Abb. 7A). Es gab signifikant unterschiedliche Expressionsmuster in 17 Immunzellen (Abb. 7B). Im Vergleich zu C2 war die Expression von sieben Arten von Immunzellen in C1 wesentlich höher: mononukleäre Zellen, Makrophagen-M0, Makrophagen-M1, Makrophagen-M2, aktivierte Mastzellen, Neutrophile und Tregs. Darüber hinaus sind die Expressionsniveaus von 10 Arten von Immunzellen enthalten, darunter B-Zellen, NK-Zellen aktiviert, T-Zellen D4 naiv, T-Zellen CD8, T-Zellen CD4-Gedächtnis zurücksetzen, T-Zellen CD4-Gedächtnis aktiviert, T-Zellen Gamma-Delta, dendritische Zellen zurücksetzen, Das Zurücksetzen der Mastzellen und der follikulären Helfer-T-Zellen nahm deutlich ab.

Merkmale von Immunzellpopulationen des Sepsis-Subtyps und immunologische Checkpoint-Genexpression im peripheren Blut. (A) Die Wärmekarte zeigt die Unterschiede in den Expressionsmustern der Immunzellen zwischen den Clustern 1 und 2. Blau steht für eine geringe Expression, während Rot für eine starke Expression steht. (B, C) Die Kastendiagramme zeigen den Unterschied in den Immunzellpopulationen und der Immun-Checkpoint-Expression zwischen Cluster 1 und Cluster 2. *P < 0,05, **P < 0,01, ***P < 0,001, ****P < 0,0001.

Anschließend untersuchten wir die Unterschiede in der Expressionsmenge der acht Immunitäts-Checkpoint-Gene zwischen C1 und C2 (Abb. 7C). Im Gegensatz zum C2 waren im C1 insgesamt zwei Expressionsniveaus des Immun-Checkpoint-Gens signifikant hochreguliert: CD274 (Programmed Cell Death 1 Ligand 1, PDL1) und HAVCR2 (Hepatitis-A-Virus-Zellrezeptor 2; TIM3) sowie ein Expressionsniveau wurde deutlich herunterreguliert: TIGIT (T-Zell-Immunrezeptor mit Ig- und ITIM-Domänen, WUCAM, Vstm3, VSIG9).

Die Pearson-Korrelationskoeffizientenanalyse von GPX4 und Immunzellpopulationen ergab, dass GPX4 signifikant mit neun Immunzellen assoziiert war, mit der höchsten negativen Neutrophilen-Korrelation, r = − 0,52, P < 0,0001, gefolgt von T-Zellen CD8, mit einer positiven Korrelation, r = 0,43, P < 0,0001. Andere intrinsische Immunzellen waren nachweislich negativ korreliert (Makrophagen M1, r = − 0,20, P < 0,05; Mastzellen aktiviert, r = − 0,27, P < 0,001), und andere adaptive Immunzellen waren positiv korreliert (T-Zellen D4 naiv). , r = 0,31, P < 0,0001; B-Zellen naiv, r = 0,28, P < 0,001; follikuläre Helfer-T-Zellen, r = 0,27, P < 0,001; Plasmazellen, r = 0,19, P < 0,05), außer Tregs (r = − 0,22, P < 0,01) (Abb. 8A).

Korrelationsanalyse zwischen Hub FRG (GPX4) und Immunzellen und Immun-Checkpoint-Genen; Nachweis der Mitochondrienfunktion bei septischen Mäusen. (A) Die Heatmap zeigt die Korrelation zwischen GPX4 und immunologischen Zellen, wobei Neutrophile die stärkste Korrelation bei r = − 0,52 und − log10 P = 11,75 aufweisen, was auf einen negativen Zusammenhang hinweist. Auf die T-Zellen CD8 folgt r = 0,43, − log10 P = 7,71, was auf eine positive Verbindung hinweist. (B) Die Korrelation zwischen GPX4 und dem immunologischen Checkpoint-Gen CD274 weist die stärkste Korrelation auf, r = − 0,42, − log10 P = 7,51, was auf einen negativen Zusammenhang hinweist. PDCD1LG2 steht an zweiter Stelle mit r = − 0,32, − log10 P = 4,27, was auf eine negative Assoziation hinweist. (C) Die Messung des ATP-Spiegels in Geweben und Organen zeigte, dass die ATP-Menge in Leber und Niere der Modellgruppe deutlich niedriger war als die der Kontrolle, *P < 0,05. Es deutete darauf hin, dass die Mitochondrien im Leber- und Nierengewebe ernsthaft geschädigt waren.

Anschließend ergab eine Korrelationsanalyse von GPX4 und immunologischen Checkpoints, dass GPX4 deutlich negativ mit CD274 (r = − 0,42, P < 0,0001), PDCD1LG2 (r = − 0,32, P < 0,0001) und HAVCR2 (r = − 0,18) korrelierte , P < 0,05). Es gab eine positive Korrelation mit TIGI (r = 0,19, P < 0,05) (Abb. 8B).

In verschiedenen Sepsis-Modellen ergaben Experimente zur Bakterienbelastung von Herz, Lunge, Leber und Nieren, dass Leber- und Nierenkolonien stark besiedelt waren und S. aureus signifikant höher war als E. coli (P < 0,0001). In Lungen- und Herzkolonien kam es zu einer geringeren Invasion (Ergänzende Abbildung 4A, B).

Um die Beeinträchtigung wesentlicher Organfunktionen nach einer Sepsis zu verstehen, wurde ein biochemischer Nachweis der Herz-, Leber- und Nierenfunktion bei septischen Mäusen durchgeführt. Die Ergebnisse zeigten, dass im Vergleich zur Kontrollgruppe die Enzymfreisetzung der Modellgruppe aus Leber (Blut-ALT) und Niere (Blut-BUN) erheblich höher war (P < 0,05), mit einem statistischen Unterschied (ergänzende Abbildung 4C). CK und LDH hingegen stiegen nicht wesentlich an (P < 0,05).

Unter dem Mikroskop wurden histopathologische Veränderungen wesentlicher Organe beobachtet. Mithilfe der HE-Färbung wurde die Schädigung von Herz, Lunge, Leber und Niere beurteilt. Im Vergleich zur Kontrolle war das Leber- und Nierengewebe der Sepsis-Gruppe erheblich geschädigt, mit ödematösen und nekrotischen Leberzellen, verminderten Leberplatten und einer großen Anzahl lokal infiltrierender Entzündungszellen. Die Erweiterung der Nierentubuli, die Degeneration der Epithelvakuolen, die Ablösung von Endothelzellen am Bürstensaum, Nekrose und die Infiltration lokaler entzündlicher Zellen sind Symptome einer Erweiterung der Nierentubuli. Die Gruppe mit S.aureus-Sepsis war noch schlimmer (ergänzende Abbildung 4D). Das Obige zeigt, dass das Sepsis-Modell erfolgreich erstellt wurde.

Die ATP-Spiegel in Herz, Lunge, Leber und Nieren von Modellmäusen wurden gemessen. Die Ergebnisse deuten darauf hin, dass im Vergleich zur Kontrolle die in Leber und Nieren der Modellgruppe nachgewiesene ATP-Menge erheblich geringer war (P < 0,05) (Abb. 8C). Diese zeigten, dass Sepsis zu einer erheblichen mitochondrialen Dysfunktion in Leber- und Nierenzellen von Mäusen führte.

Die GPX4-Expression wurde in wichtigen Organen und Geweben verschiedener Sepsis-Mäuse mittels Western Blot (Wb) bzw. Immunfluoreszenz nachgewiesen. Das Expressionsniveau von GPX4 in den Leber- und Nierengeweben der S.aureus-Sepsis- und E.coli-Sepsis-Gruppen nahm im Vergleich zur Kontrolle in Wb erheblich ab (P < 0,01) (Abb. 9A, B, C, West-Blot-Ergebnisse stammten von unterschiedlichen Teile desselben Gels). Darüber hinaus ergab die Immunfluoreszenz im Einklang mit dem Western Blot, dass die GPX4-Expression in Leber und Niere septischer Mäuse erheblich geringer war als bei der Kontrolle (P < 0,0001) (Abb. 9D, E, F, G). Die Ergebnisse deuten darauf hin, dass durch Sepsis verursachte Verletzungen mehrerer Organfunktionen mit Ferroptose korrelieren, da GPX4 häufig als Sternmarker für Ferroptose angesehen wird.

Expressionsniveau von GPX4 in Leber und Niere von Sepsis-Mäusen (A) Nachdem Sepsis-Mäuse 24 Stunden lang durch S. aureus und E. coli induziert worden waren, wurde das Proteinniveau von GPX4 in Leber- und Nierenhomogenaten durch Western Blot nachgewiesen. (B, C) Densitometrische Analyse von Korrelationsbanden Die Expression des GPX4-Proteins in der Leber und Niere von Sepsis-Mäusen war deutlich geringer als bei der Kontrolle, **P < 0,01. (D, F) Immunfluoreszenz zeigte, dass GPX4 in normalem Leber- und Nierengewebe von Mäusen weitgehend exprimiert wurde, bei Sepsis-Mäusen jedoch deutlich reduziert war (DAPI: blau; GPX4: rot; Maßstabsbalken = 100 μm). (E, G) Fluoreszenzstatistische Ergebnisse (Mittelwert ± SD, n = 5), ****P < 0,0001 im Vergleich zur Kontrolle.

Eine durch eine schwere Infektion ausgelöste Sepsis verursacht verschiedene Organfehlfunktionen und bedroht das Leben1,26. Sowohl Kinder als auch Erwachsene können an Sepsis leiden27,28, und die Inzidenz- und Todesrate von Sepsis bei Kindern ist höher, insbesondere in unterentwickelten Regionen4. In jüngster Zeit wurde in zahlreichen Forschungsarbeiten wiederholt die entscheidende Bedeutung der Ferroptose bei Sepsis hervorgehoben29. In dieser Studie wurden vier Sepsis-Datensätze für Kinder, darunter zwei Trainingsdatensätze (GSE26378 und GSE26440) und zwei Validierungsdatensätze (GSE11755 und GSE11281), aus der GEO-Datenbank ausgewählt, um eine bioinformatische Analyse durchzuführen. Die Ergebnisse zeigten, dass ein Hub-FRG (GPX4) ein wertvoller Biomarker für die Diagnose war (Abb. 5) und eine entscheidende Rolle beim Ausbruch und Fortschreiten der Sepsis spielte.

GPX4 (Glutathionperoxidase 4) ist ein proteinkodierendes Gen. Es ist ein Mitglied der Selenoproteinfamilie, spielt eine entscheidende Rolle bei der Ferroptose und kann als Hinweis auf Zellferroptose verwendet werden30. Seine Hauptwirkung besteht darin, Peroxide (wie R-OOH) in äquivalenten Alkohol (R-OH) umzuwandeln10. Das Xc-System transportiert Cystin zur Synthese von Glutathion (GSH), um das Redoxgleichgewicht aufrechtzuerhalten und Eisenvergiftungen zu unterdrücken, während GSH auch mit GPX4 zusammenarbeiten kann, um die Peroxidreduktion zu verbessern31. Dadurch leistet GPX4 einen wichtigen Beitrag zur Entfernung von Lipidperoxiden. Die Inaktivierung von GPX4 kann das oxidative Gleichgewicht stören, seine Funktion bei der Eliminierung von Lipidperoxiden einschränken, Mitochondrien schädigen und Ferroptose auslösen30. Interessanterweise haben Zhang J et al. fanden heraus, dass Irisin durch Hochregulierung von GPX432 AKI reduzieren kann, die durch akute Ischämie-Nierenschäden verursacht werden. Wei S et al. berichteten, dass exogenes Irisin die Expression von GPX4 fördern und die Leberferroptose bei septischen Mäusen unterdrücken könnte33. Laut Shimizu J et al.34 treibt extrazelluläres CIRP die GPX4-induzierte Ferroptose voran. Um die Zuverlässigkeit der Hub-FRG-Vorhersage bei der durch Sepsis verursachten Multiorgan-Funktionsbeeinträchtigung zu überprüfen, haben wir in diesem Artikel erfolgreich zwei verschiedene Sepsis-Modelle erstellt (ergänzende Abbildung 4), um die Änderungen des GPX4-Expressionsniveaus in verschiedenen Organen weiter zu analysieren und zu validieren und Gewebe von Sepsismäusen. Die Ergebnisse des Western Blots und der Gewebeimmunfluoreszenz zeigten, dass die GPX4-Expression der Modellgruppe in Leber und Niere deutlich geringer war als die der Kontrollgruppe (Abb. 9). Diese obigen Ergebnisse zeigen, dass das Ferroptose-bedingte Gen GPX4 eng mit der durch Sepsis verursachten Schädigung mehrerer Organfunktionen korreliert, was unserer Vorhersage entspricht.

Darüber hinaus stellt eine mitochondriale Schädigung eine Veränderung der Ferroptoseeigenschaften dar35 und ist eine der Hauptursachen für die schlechte Prognose einer Sepsis36. Da Mitochondrien die zentrale Quelle der ATP-Produktion sind, kann die Analyse der ATP-Spiegel direkt die Mitochondrienfunktion der Zelle darstellen. In dieser Studie wurde die Aktivität der Mitochondrien in Herz, Leber, Niere und Lunge mithilfe eines ATP-Tests gemessen. Die Ergebnisse zeigten, dass die ATP-Werte in der Modellgruppe in unterschiedlichem Maße niedriger waren als in der Kontrollgruppe. Am deutlichsten war es jedoch in Leber und Niere, mit P < 0,05 (Abb. 8C). Diese Ergebnisse stützten die Theorie, dass Ferroptose mit einer mitochondrialen Funktionsschädigung einhergeht.

Zugegebenermaßen steht Sepsis in engem Zusammenhang mit einer Störung der Immunregulation26. Eine Immunschwäche kann einer der Hauptfaktoren sein, die bei Sepsis-Patienten zu Organstörungen oder -versagen oder sogar zum Tod führen37. Diese Studie zeigte, dass bei Kindern mit Sepsis die Expression der angeborenen Immunzellen Monozyten, Makrophagen M0, Makrophagen M1, Makrophagen M2, aktivierten Mastzellen und Neutrophilen offensichtlich hochreguliert war, während ruhende dendritische Zellen deutlich herunterreguliert waren (Abb. 7A,B). Interessanterweise haben viele Untersuchungen ergeben, dass angeborene Immunzellen bei Sepsis abnormal exprimieren. Asmaa et al. berichteten, dass (Neugeborenen-Sepsis, n = 30 und Kontrolle, n = 30) die CD86+-Monozyten in der Sepsis (78,4 %) offensichtlich höher waren als in der Kontrolle (24 %) (P < 0,001)38. Eash KJ et al. fanden heraus, dass CXCL1 bei Mäusesepsis hochreguliert war, was dazu führen konnte, dass Neutrophile ins Blut freigesetzt werden39. Bouras M et al. entdeckten, dass die Anzahl interstitieller DCs in den peripheren Organen von Sepsis-Patienten viel geringer war als bei Nicht-Sepsis-Patienten40.

Darüber hinaus ergab diese Forschung, dass mit Ausnahme der hochregulierten T-Zell-Regulation (Tregs) alle anderen in der erworbenen Immunität herunterreguliert waren (B-Zellen, CD8-T-Zellen, lebende D4-T-Zellen, ruhende CD4-Gedächtnis-T-Zellen, CD4-Gedächtnis-aktivierte T-Zellen, follikuläre Helfer-T-Zellen, Gamma-Delta-T-Zellen, aktivierte NK-Zellen) bei septischen Patienten (Abb. 7B). Venet F et al. zeigten, dass nach einer Sepsis die Anzahl der B-Zellen, T-Zellen, NK-Zellen und anderer Lymphozyten dramatisch abnahm41, ein wesentliches Merkmal der adaptiven Immunantwort41,42. Bei Patienten mit Sepsis erhöht die Reduzierung der persistierenden Lymphschicht das Risiko für Mortalität und Krankenhausinfektionen43,44. Darüber hinaus haben Jensen et al. haben gezeigt, dass Sepsis die phänotypische Wirkung von CD8-T-Zellen induzieren und verändern kann, was die Kontrolle einer Infektion mit Listeria monocytogenes schwächen und die Wahrscheinlichkeit einer erneuten Infektion erhöhen kann45. Li Z et al. beobachteten, dass B-Zellen, CD4 + T-Zellen, follikuläre Helfer-T-Zellen, CD8 + T-Zellen und NK-Zellen bei Sepsis im Kindesalter erheblich zurückgingen46, was mit den Ergebnissen unserer Untersuchung übereinstimmt.

Die Immun-Checkpoint-Analyse ergab, dass die Expression von CD274 (PD-L1) und HAVCR2 (TIM) bei Sepsis im Vergleich zur Kontrolle offensichtlich erhöht war (Abb. 7C). PD-L1 steht im Fokus der aktuellen Immun-Checkpoint-Forschung. Der abnormale Anstieg der PD-L1-Expression bei Sepsis-Patienten könnte die Hauptursache für die Immunsuppression sein47, die heute als eine der Hauptursachen für den Tod durch Sepsis gilt48. Die PD-L1-Expression steigt während der Sepsis auf einer Reihe von Zellen an, beispielsweise auf Neutrophilen49, Stromazellen, dendritischen Zellen, Makrophagen, Kapillarendothelzellen50 und Monozyten51. Darüber hinaus ist das Ausmaß der PD-L1-Expression in Monozyten und Neutrophilen mit der Prognose und dem Überleben von Sepsis-Patienten verbunden49,52. Chang KC53 und Zhang Y54 entdeckten, dass die Verwendung von PD-1- oder PD-L1-Antikörpern zur Behandlung von Tiermodellen bakterieller und pilzinduzierter Sepsis das Gesamtüberleben verbessern kann. Diese bieten eine theoretische Grundlage für zukünftige klinische Studien.

Insbesondere können auch Immunzellen (B-Zellen, T-Zellen, Makrophagen usw.) selbst Ferroptose erleiden, die dann von Immunzellen erkannt wird, was zu einer Kaskade immunologischer Reaktionen führt55. Diese Studie zeigt, dass GPX4 signifikant mit den Expressionsniveaus verschiedener Immunzellen (Neutrophile, CD8T-Zellen, CD4-Nave-T-Zellen, Tregs, Makrophagen M1 und aktivierte Masterzellen) und Immun-Checkpoint-Genen (CD274, TIGIT, HAVCR2 und PDCD1LG2) zusammenhängt ) (Abb. 8A,B). Diese Daten deuten darauf hin, dass GPX4 mit der Immunmodulation in Zusammenhang steht und ein neues latentes immuntherapeutisches Ziel der pädiatrischen Sepsis sein kann. Zusammenfassend lässt sich sagen, dass GPX4 ein wertvoller Biomarker für die Diagnose von Sepsis war und eine nicht zu vernachlässigende Rolle bei der Funktionsbeeinträchtigung mehrerer Organe spielte, die durch Sepsis-induzierte Ferroptose bei Kindern verursacht wurde.

Dennoch enthält die Forschung auch einige Einschränkungen. Berücksichtigen Sie zunächst die Einschränkung der Patientenstichprobengröße. Folglich sollte die GPX4-Forschung in die breitere Sepsis-Warteschlange einbezogen werden. Zweitens konzentrierte sich diese Studie nur auf das Expressionsniveau von GPX4 bei Sepsis und nicht auf seine Funktion in vivo oder in vitro. Daher sollte in Zukunft eine weitere Erforschung der Ferroptose bei Kindern mit Sepsis erforderlich sein.

Zusammenfassend zeigte diese Arbeit, dass das Ferroptose-bezogene Gen GPX4 eine entscheidende Rolle beim Fortschreiten der Schädigung mehrerer Organe bei Sepsis im Kindesalter spielt, in engem Zusammenhang mit Immunzellpopulationen und der Immunitäts-Checkpoint-Regulierung steht und ein Biomarker von entscheidender diagnostischer Bedeutung ist latentes Ziel der Immuntherapie für diese Krankheit.

Die in dieser Studie analysierten Datensätze sind in der GEO-Datenbank verfügbar (http://www.ncbi.nlm.nih.gov/geo/). Open-Tier-Datensätze, für die keine Zugriffsgenehmigung erforderlich ist, können über GEO heruntergeladen werden (Zugangsnummer GSE26378: https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE26378; Zugangsnummer GSE26440: https ://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE26440; Zugangsnummer GSE11755: https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi ?acc=GSE11755; Zugangsnummer GSE11281: https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE11281). Der FRGs-Datensatz kann über die MSigDb-Datenbank (https://www.gsea-msigdb.org/gsea/msigdb/) durchsucht werden, und der MFRGs-Datensatz ist in der Mitocarta 3.0-Onlinedatenbank (https://www.broadinstitute) verfügbar. org/mitocarta).

Singer, M. et al. Die dritten internationalen Konsensdefinitionen für Sepsis und septischen Schock (Sepsis-3). JAMA 315, 801–810 (2016).

Artikel CAS PubMed PubMed Central Google Scholar

Stevenson, EK, Rubenstein, AR, Radin, GT, Wiener, RS & Walkey, AJ Zwei Jahrzehnte Mortalitätstrends bei Patienten mit schwerer Sepsis: Eine vergleichende Metaanalyse*. Krit. Pflege Med. 42, 625–631 (2014).

Artikel PubMed PubMed Central Google Scholar

Iregbu, K. et al. Datenwissenschaftlicher Ansatz globaler Gesundheitssysteme zur Präzisionsdiagnose von Sepsis im frühen Leben. Lanzetteninfektion. Dis. 22, e143–e152 (2022).

Artikel PubMed Google Scholar

Rudd, KE et al. Globale, regionale und nationale Inzidenz und Mortalität von Sepsis, 1990–2017: Analyse für die globale Studie zur Krankheitslast. Lancet 395, 200–211 (2020).

Artikel PubMed PubMed Central Google Scholar

Tang, D., Kang, R., Berghe, TV, Vandenabeele, P. & Kroemer, G. Die molekulare Maschinerie des regulierten Zelltods. Zellauflösung 29, 347–364 (2019).

Artikel CAS PubMed PubMed Central Google Scholar

Hassannia, B., Vandenabeele, P. & Vanden Berghe, T. Ferroptose gezielt bekämpfen, um Krebs auszumerzen. Krebszelle 35, 830–849 (2019).

Artikel CAS PubMed Google Scholar

Stockwell, BR et al. Ferroptose: Ein regulierter Zelltod-Nexus, der Stoffwechsel, Redoxbiologie und Krankheit verbindet. Zelle 171, 273–285 (2017).

Artikel CAS PubMed PubMed Central Google Scholar

Tang, D., Chen, X., Kang, R. & Kroemer, G. Ferroptose: Molekulare Mechanismen und gesundheitliche Auswirkungen. Zellauflösung 31, 107–125 (2021).

Artikel CAS PubMed Google Scholar

Mou, Y. et al. Ferroptose, eine neue Form des Zelltods: Chancen und Herausforderungen bei Krebs. J. Hämatol. Onkol. 12, 34 (2019).

Artikel PubMed PubMed Central Google Scholar

Lei, XL, Zhao, GY, Guo, R. & Cui, N. Ferroptose bei Sepsis: Der Mechanismus, die Rolle und das therapeutische Potenzial. Vorderseite. Immunol. 13, 956361 (2022).

Artikel CAS Google Scholar

Weis, S. et al. Durch die metabolische Anpassung wird eine Krankheitstoleranz gegenüber Sepsis geschaffen. Zelle 169, 1263-1275.e14 (2017).

Artikel CAS PubMed PubMed Central Google Scholar

Michels, K., Nemeth, E., Ganz, T. & Mehrad, B. Hepcidin und Wirtsabwehr gegen Infektionskrankheiten. PLoS Pathog. 11, e1004998 (2015).

Artikel PubMed PubMed Central Google Scholar

Yang, L. et al. Auranofin mildert die systemische Eisenüberladung und induziert Ferroptose über bestimmte Mechanismen. Signalübertragung. Ziel Ther. 5, 138 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Prauchner, CA Oxidativer Stress bei Sepsis: Pathophysiologische Implikationen, die eine antioxidative Co-Therapie rechtfertigen. Burns 43, 471–485 (2017).

Artikel PubMed Google Scholar

Liberzon, A. et al. Die Sammlung charakteristischer Gensätze der Molecular Signatures Database (MSigDB). Zellsystem 1, 417–425 (2015).

Artikel CAS PubMed PubMed Central Google Scholar

Ritchie, ME, Dunning, MJ, Smith, ML, Shi, W. & Lynch, AG BeadArray-Expressionsanalyse mit Bioleiter. PLoS Comput. Biol. 7, e1002276 (2011).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Johnson, WE, Li, C. & Rabinovic, A. Anpassen von Batch-Effekten in Microarray-Expressionsdaten mithilfe empirischer Bayes-Methoden. Biostatistik 8, 118–127 (2007).

Artikel PubMed MATH Google Scholar

Ashburner, M. et al. Genontologie: Werkzeug zur Vereinheitlichung der Biologie. Gene Ontol. Gemahlin. Nat. Genet. 25, 25–29 (2000).

Artikel CAS Google Scholar

Kanehisa, M. & Goto, S. KEGG: Kyoto-Enzyklopädie der Gene und Genome. Nukleinsäuren Res. 28, 27–30 (2000).

Artikel CAS PubMed PubMed Central Google Scholar

Szklarczyk, D. et al. Die STRING-Datenbank im Jahr 2021: Anpassbare Protein-Protein-Netzwerke und funktionelle Charakterisierung von vom Benutzer hochgeladenen Gen-/Messsätzen. Nukleinsäuren Res. 49, D605–D612 (2021).

Artikel CAS PubMed Google Scholar

Shannon, P. et al. Cytoscape: Eine Softwareumgebung für integrierte Modelle biomolekularer Interaktionsnetzwerke. Genomres. 13, 2498–2504 (2003).

Artikel CAS PubMed PubMed Central Google Scholar

Rath, S. et al. MitoCarta3.0: Ein aktualisiertes mitochondriales Proteom, jetzt mit Suborganellen-Lokalisierung und Signalweganmerkungen. Nukleinsäuren Res. 49, D1541–D1547 (2021).

Artikel CAS PubMed Google Scholar

Wilkerson, MD & Hayes, DN ConsensusClusterPlus: Ein Klassenerkennungstool mit Vertrauensbewertungen und Artikelverfolgung. Bioinformatik 26, 1572–1573 (2010).

Artikel CAS PubMed PubMed Central Google Scholar

Trozzi, F., Wang, X. & Tao, P. UMAP als Dimensionsreduktionswerkzeug für molekulardynamische Simulationen von Biomakromolekülen: Eine Vergleichsstudie. J. Phys. Chem. B 125, 5022–5034 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Newman, AM et al. Bestimmung der Zelltyphäufigkeit und -expression aus Massengeweben mit digitaler Zytometrie. Nat. Biotechnologie. 37, 773–782 (2019).

Artikel CAS PubMed PubMed Central Google Scholar

van der Poll, T., Shankar-Hari, M. & Wiersinga, WJ Die Immunologie der Sepsis. Immunität 54, 2450–2464 (2021).

Artikel PubMed Google Scholar

Evans, L. et al. Surviving-Sepsis-Kampagne: Internationale Leitlinien für die Behandlung von Sepsis und septischem Schock 2021. Krit. Pflege Med. 49, e1063–e1143 (2021).

Artikel PubMed Google Scholar

Weiss, SL et al. Internationale Leitlinien der Surviving Sepsis-Kampagne für die Behandlung von septischem Schock und Sepsis-assoziierter Organfunktionsstörung bei Kindern. Pädiatr. Krit. Pflege Med. 21, e52–e106 (2020).

Artikel PubMed Google Scholar

Li, J. et al. Schwefelwasserstoff schwächt die Ferroptose und stimuliert die Autophagie, indem es die mTOR-Signalübertragung bei Sepsis-induzierten akuten Lungenschäden blockiert. Mol. Immunol. 141, 318–327 (2022).

Artikel CAS PubMed Google Scholar

Yang, WS et al. Regulierung des ferroptotischen Krebszelltods durch GPX4. Zelle 156, 317–331 (2014).

Artikel CAS PubMed PubMed Central Google Scholar

Feng, Z. et al. NMN rekrutiert GSH, um die GPX4-vermittelte Ferroptose-Abwehr bei durch UV-Strahlung verursachten Hautverletzungen zu verbessern. Biochim. Biophys. Acta Mol. Basisdis. 1868, 166287 (2022).

Artikel CAS PubMed Google Scholar

Zhang, J. et al. Beteiligung von GPX4 am Schutz von Irisin vor einer durch Ischämie und Reperfusion verursachten akuten Nierenschädigung. J. Cell Physiol. 236, 931–945 (2021).

Artikel CAS PubMed Google Scholar

Wei, S. et al. Bei Patienten mit Sepsis sind die Serum-Irisin-Spiegel verringert, und exogenes Irisin unterdrückt die Ferroptose in der Leber septischer Mäuse. Klin. Übers. Med. 10, e173 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Shimizu, J., Murao, A., Nofi, C., Wang, P. & Aziz, M. Extrazelluläres CIRP fördert GPX4-vermittelte Ferroptose bei Sepsis. Vorderseite. Immunol. 13, 903859 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Sie, H. et al. Schutzwirkung von Dexmedetomidin auf durch Sepsis verursachte Gefäßleckagen durch Linderung der Ferroptose durch Regulierung der metabolischen Neuprogrammierung. J. Inflamm. Res. 14, 6765–6782 (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Zhang, H., Feng, YW & Yao, YM Mögliche Therapiestrategie: Bekämpfung der mitochondrialen Dysfunktion bei Sepsis. Mil. Med. Res. 5, 41 (2018).

PubMed PubMed Central Google Scholar

Bone, RC Sir Isaac Newton, Sepsis, SIRS und CARS. Krit. Pflege Med. 24, 1125–1128 (1996).

Artikel CAS PubMed Google Scholar

El Sehmawy, AA et al. Untersuchung von Monozyten-Untergruppen und ihrer Oberflächenexpression von CD86 und Serum-IL-17 im Vergleich zu Serum-Procalcitonin als Marker einer frühen Neugeborenen-Sepsis. Infizieren. Drogenresistent. 14, 5375–5382 (2021).

Artikel PubMed PubMed Central Google Scholar

Eash, KJ, Greenbaum, AM, Gopalan, PK & Link, DC CXCR2 und CXCR4 regulieren antagonistisch den Neutrophilentransport aus murinem Knochenmark. J. Clin. Investieren. 120, 2423–2431 (2010).

Artikel CAS PubMed PubMed Central Google Scholar

Bouras, M., Asehnoune, K. & Roquily, A. Beitrag dendritischer Zellreaktionen zur Sepsis-induzierten Immunsuppression und zur Anfälligkeit für sekundäre Lungenentzündung. Vorderseite. Immunol. 9, 2590 (2018).

Artikel PubMed PubMed Central Google Scholar

Venet, F. et al. Frühzeitige Beurteilung von Leukozytenveränderungen bei der Diagnose eines septischen Schocks. Shock 34, 358–363 (2010).

Artikel CAS PubMed Google Scholar

Venet, F. & Monneret, G. Fortschritte beim Verständnis und der Behandlung sepsisinduzierter Immunsuppression. Nat. Rev. Nephrol. 14, 121–137 (2018).

Artikel CAS PubMed Google Scholar

Adrie, C. et al. Anhaltende Lymphopenie ist ein Risikofaktor für auf der Intensivstation erworbene Infektionen und für den Tod bei Intensivpatienten mit anhaltender Hypotonie bei der Aufnahme. Ann. Intensiv. Pflege 7, 30 (2017).

Artikel Google Scholar

Drewry, AM et al. Eine anhaltende Lymphopenie nach der Diagnose einer Sepsis ist ein Hinweis auf die Sterblichkeit. Shock 42, 383–391 (2014).

Artikel PubMed PubMed Central Google Scholar

Jensen, IJ et al. Sepsis führt zu dauerhaften Veränderungen im Phänotyp und in der Funktion der CD8-T-Gedächtniszellen. Elife 10, e70989 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Li, Z. et al. Diagnostische und prädiktive Werte von Ferroptose-bezogenen Genen bei Sepsis bei Kindern. Vorderseite. Immunol. 13, 881914 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Nakamori, Y., Park, EJ & Shimaoka, M. Immunderegulierung bei Sepsis und septischem Schock: Umkehrung der Immunlähmung durch gezielte Beeinflussung des PD-1/PD-L1-Signalwegs. Vorderseite. Immunol. 11, 624279 (2020).

Artikel CAS PubMed Google Scholar

Liu, D. et al. Sepsis-induzierte Immunsuppression: Mechanismen, Diagnose und aktuelle Behandlungsmöglichkeiten. Mil. Med. Res. 9, 56 (2022).

MathSciNet CAS PubMed PubMed Central Google Scholar

Wang, JF et al. Hochreguliertes PD-L1 verzögert die Apoptose menschlicher Neutrophilen und fördert Lungenschäden in einem experimentellen Mausmodell der Sepsis. Blut 138, 806–810 (2021).

Artikel CAS PubMed Google Scholar

Boomer, JS et al. Immunsuppression bei Patienten, die an Sepsis und Multiorganversagen sterben. JAMA 306, 2594–2605 (2011).

Artikel CAS PubMed PubMed Central Google Scholar

Zhang, Y. et al. Hochregulierung des programmierten Todesliganden 1 auf T-Zellen und des programmierten Todesliganden 1 auf Monozyten bei Patienten mit septischem Schock. Krit. Pflege 15, R70 (2011).

Artikel PubMed PubMed Central Google Scholar

Shao, R. et al. Die Monozyten-Programmed-Death-Ligand-1-Expression nach 3–4 Tagen Sepsis ist mit Risikostratifizierung und Mortalität bei septischen Patienten verbunden: Eine prospektive Kohortenstudie. Krit. Care 20, 124 (2016).

Artikel PubMed PubMed Central Google Scholar

Chang, KC et al. Die Blockade der negativen co-stimulierenden Moleküle PD-1 und CTLA-4 verbessert das Überleben bei primärer und sekundärer Pilzsepsis. Krit. Pflege 17, R85 (2013).

Artikel PubMed PubMed Central Google Scholar

Zhang, Y. et al. Die PD-L1-Blockade verbessert das Überleben bei experimenteller Sepsis, indem sie die Lymphozyten-Apoptose hemmt und die Monozyten-Dysfunktion umkehrt. Krit. Pflege 14, R220 (2010).

Artikel PubMed PubMed Central Google Scholar

Chen, X., Kang, R., Kroemer, G. & Tang, D. Ferroptose bei Infektion, Entzündung und Immunität. J. Exp. Med. 218, e2021058 (2021).

Artikel Google Scholar

Referenzen herunterladen

Alle Autoren danken den Mitwirkenden der GEO-Datenbank (http://www.ncbi.nlm.nih.gov/geo/) für die Weitergabe ihrer Daten zum Open Access und der Sangerbox-Website (http://sangerbox.com/) für bietet bioinformatische Analysen an. Gleichzeitig würdigen wir auch die bedeutenden Beiträge zur Leitung des Experiments von Anqiang Zhang, Hong Huang und Jianxin Jiang vom State Key Laboratory of Trauma, Burns, and Combined Injury, dem Research Institute of Surgery, dem Daping Hospital und Militärmedizinische Universität.

Diese Studie wurde durch die Projekte des State Key Laboratory of Trauma, Burns and Combined Injury of China (SKLKF201802, SKLYQ201901), der National Natural Science Foundation of China (81971830) und der angewandten Forschung zur Konstruktion und klinischen Förderung der Trauma-Einstufung unterstützt Behandlungssystem in der Provinz Guizhou in China (Qian Science Cooperation SY Wort [2015] Nr. 3041) und das Health Industry Research Project der Provinz Hainan in China (20A200347).

Diese Autoren haben gleichermaßen beigetragen: Guoxin Qu und Nannan Zhao.

Das erste angegliederte Krankenhaus der Hainan Medical University, Hainan Medical University, Haikou, 570100, Volksrepublik China

Guoxin Qu, Hui Liu und Nannan Zhao

Das angegliederte Krankenhaus der Guizhou Medical University, Guizhou Medical University, Guiyang, 550001, Volksrepublik China

Guoxin Qu & Jin Deng

Staatliches Schlüssellabor für Trauma, Verbrennungen und kombinierte Verletzungen, Forschungsinstitut für Chirurgie, Daping-Krankenhaus, Army Medical University, Chongqing, 400042, Volksrepublik China

Guoxin Qu, Jin Li, Siyuan Huang und Ling Zeng

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

GQ und NZ haben das Manuskript verfasst. GQ, NZ und HL führten die bioinformatische Analyse durch. GQ, JL und SH nahmen am Tierversuch teil. LZ und JD bieten produktive, einfallsreiche und strategische Führung. Alle Autoren haben zu diesem Papier beigetragen und die endgültige Version unterstützt.

Korrespondenz mit Nannan Zhao, Ling Zeng oder Jin Deng.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Qu, G., Liu, H., Li, J. et al. GPX4 ist ein wichtiger Ferroptose-Biomarker und korreliert mit Immunzellpopulationen und Immun-Checkpoints bei Sepsis im Kindesalter. Sci Rep 13, 11358 (2023). https://doi.org/10.1038/s41598-023-32992-9

Zitat herunterladen

Eingegangen: 08. Dezember 2022

Angenommen: 05. April 2023

Veröffentlicht: 13. Juli 2023

DOI: https://doi.org/10.1038/s41598-023-32992-9

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.