Blog

May 26, 2023

GPX4 es un biomarcador clave de ferroptosis y se correlaciona con poblaciones de células inmunitarias y puntos de control inmunitarios en la sepsis infantil

Scientific Reports volumen 13, Número de artículo: 11358 (2023) Citar este artículo 476 Accesos Detalles de métricas La sepsis es la reacción incontrolada del cuerpo a la inflamación inducida por una infección, que

Scientific Reports volumen 13, número de artículo: 11358 (2023) Citar este artículo

476 Accesos

Detalles de métricas

La sepsis es la reacción incontrolada del cuerpo a la inflamación inducida por una infección, que resulta en una disfunción multiorgánica (MODS) potencialmente mortal. Aunque la investigación sobre la sepsis ha avanzado significativamente en los últimos años, su fisiopatología sigue siendo totalmente desconocida. La ferroptosis es un tipo novedoso de muerte celular programada que puede tener un impacto en el desarrollo de la sepsis. Sin embargo, aún es necesario explorar el mecanismo preciso. En este artículo, se eligieron cuatro conjuntos de datos de sepsis pediátrica [conjuntos de datos de entrenamiento (GSE26378 y GSE26440) y conjuntos de datos de validación (GSE11755 y GSE11281)] a través de la base de datos GEO (Gene Expression Omnibus), y se seleccionaron 63 expresiones diferenciales de genes de relación de ferroptosis (DE- Los FRG) finalmente se descubrieron mediante investigación bioinformática. La anotación funcional se realizó mediante análisis de enriquecimiento de vías GO y KEGG. Luego, se extrajeron cuatro Core-FRG (FTH1, GPX4, ACSL1 y ACSL6) después de la construcción de la red de interacción proteína-proteína (PPI) y la investigación del módulo MCODE. En consecuencia, se encontró Hub-FRG (GPX4) utilizando los conjuntos de datos de validación, y se realizó una exploración de correlación de poblaciones de inmunidad (neutrófilos, r = − 0,52; células T CD8, r = 0,43) y puntos de control de inmunidad (CD274, r = − 0,42). implementado. La utilidad de GPX4 como marcador en sepsis se evaluó en un modelo de sepsis en ratón. Los hallazgos demuestran que GPX4 es un biomarcador crucial y un nuevo objetivo de inmunoterapia latente para la predicción y el tratamiento de la sepsis pediátrica.

La sepsis se define como la respuesta inflamatoria incontrolada del organismo a la infección, que provoca diversas fallas orgánicas y pone en peligro la vida1. La sepsis tiene una alta tasa de incidencia y letalidad2. Cada día, casi 14.000 personas en todo el mundo mueren a causa de sepsis. Más importante aún, la incidencia de sepsis en niños es la más alta: el 40% de los casos involucraron a niños menores de cinco años, en comparación con otras poblaciones. La mayoría de los niños que murieron por sepsis vivían en comunidades empobrecidas3,4. Además, el tratamiento de la sepsis requiere una gran cantidad de recursos médicos, constituye una amenaza significativa para la salud humana y influye negativamente en la satisfacción con la vida4. La patogénesis de la sepsis es sumamente complicada. Estudios anteriores se centraron en la respuesta inmune inflamatoria asociada y lograron algunos avances, pero la investigación de ensayos clínicos no ha dado avances suficientes. Como resultado, la investigación sobre la sepsis sigue siendo desafiante y crítica.

La ferroptosis es un concepto novedoso en biología que recientemente se ha convertido en un foco de investigación científica. Es un tipo distinto de muerte celular dependiente de hierro programada a partir de apoptosis, necrosis y autofagia5. La ferroptosis es causada principalmente por la inactivación o reducción de la producción de glutatión peroxidasa 4 (GPX4) en las células, lo que resulta en un aumento de las especies de oxígeno reactivo a los lípidos (ROS) y, en última instancia, la muerte celular6,7,8. En términos de forma celular, la ferroptosis da como resultado mitocondrias más pequeñas, mayor densidad y rotura de la membrana y disminución de la cresta9. Investigaciones recientes han descubierto que una reacción de estrés grave en el paciente séptico puede provocar un metabolismo anormal de iones, grasas y energía en el cuerpo10, y un desequilibrio en el metabolismo del hierro está directamente asociado con la fisiopatología de la sepsis11. La elevación de hepcidina se asoció con un menor riesgo de muerte por sepsis12,13. Prauchner CA descubrió que la acumulación de ROS era crítica en el inicio y la progresión de diversas alteraciones de la función orgánica en la sepsis14. Anteriormente, se observaba comúnmente en investigaciones relacionadas con tumores y ferroptosis, mientras que rara vez se informaba sobre investigaciones sobre ferroptosis y sepsis infantil. Como resultado, se necesitan con urgencia más estudios sobre la regulación molecular y el mecanismo de la ferroptosis en la progresión de la sepsis infantil. Este estudio toma la conexión entre la ferroptosis y la sepsis infantil como un punto de avance, obtiene los conjuntos de datos del GEO, realiza análisis bioinformáticos, descarta Hub-FRG y lleva a cabo el análisis de correlación de sus poblaciones de células inmunes y puntos de control inmunológico y verificación biológica. , con el fin de proporcionar un nuevo biomarcador con valor de predicción, un objetivo inmunoterapéutico potencial y una base teórica para la investigación de la sepsis infantil (Fig. 1).

Diagrama de flujo de este estudio. GEO, base de datos Omnibus de expresión genética; DEG, genes expresados ​​diferencialmente; DE-FRG, genes relacionados con la ferroptosis expresados ​​diferencialmente; GO, ontología genética; KEGG, Enciclopedia de genes y genomas de Kyoto; PPI, interacción proteína-proteína.

Para obtener los datos se utilizó el banco de datos GEO (http://www.ncbi.nlm.nih.gov/geo/), donde los códigos de serie para el conjunto de datos para pacientes con sepsis son GSE26378, GSE26440, GSE11755 y GSE11281. Como cohortes de entrenamiento en bioinformática, GSE26378 (n = 82 sepsis; n = 21 controles) y GSE26440 (n = 98 sepsis; n = 32 controles) comprendieron datos de expresión génica en sangre total de 180 pacientes pediátricos con sepsis y 53 muestras de niños normales. Las cohortes de validación fueron GSE11755 (n = 31 con sepsis pediátrica y n = 10 controles) y GSE11281 (n = 6 con sepsis pediátrica y n = 3 controles). Se utilizó el banco de datos MolecularSignatures (MSigDB) (https://www.gsea-msigdb.org/gsea/msigdb/)15 para obtener un conjunto de datos de genes de ferroptosis. Después de eliminar duplicados, se encontraron 65 genes relacionados con la ferroptosis (FRG) verificados experimentalmente para una mayor investigación.

El paquete anotar se utilizó para anotar la identificación de la sonda con el nombre del gen. Utilice la estrategia ComBat (paquete R: sva; ComBat) para eliminar la posible influencia del lote en GSE26378 y GSE26440. Para la corrección de fondo, se empleó el modelo de convolución exponencial normal con la función neqc (paquete R: lima (versión 3.40.6); Función: neqc) para normalizar y convertir la fuerza de cada muestra16. Para fusionar los conjuntos de datos, utilice la herramienta R en SilicoMerging17 y compare el UMAP y el diagrama de caja de los conjuntos de datos antes y después de la normalización y la corrección por lotes. Se empleó el software "annotation probe" para volver a anotar la matriz de secuencia. Los datos de microarrays se calibraron utilizando la herramienta "limma" del software R y se detectaron DEG entre pacientes sépticos y controles sanos, log2FC ≥ 1, valor de P ajustado <0,05. Se utilizó el software "ggplot2" (V. 3.3.4) para mostrar los DEG en el gráfico del volcán. Luego, los FRG expresados ​​diferencialmente (DE-FRG) se generaron cruzando DEG y FRG y se mostraron en el diagrama de Venn creado con la herramienta 'Diagrama de Venn'. La expresión de los DE-FRG se mostró utilizando el software "ggplot2" en mapas de calor y diagramas de caja de conjuntos múltiples.

El subconjunto c5.go.mf.v7.gmt se derivó en MSigDb (https://doi.org/10.1093/bioinformatics/btr260, http://www.gsea-msigdb.org/gsea/downloads.jsp). Para obtener más información sobre las probables funciones de los DE-FRG, utilizamos el software ClusterProfiler (V. 3.14.1) para analizar el enriquecimiento de la vía Gene Ontology (GO)18 y Kyoto Encyclopedia of Genes and Genomes (KEGG)19. GO es un software de bioinformática basado en computadora que se utiliza principalmente para anotar genes e investigar sus procesos biológicos. KEGG es una base de datos informática de recursos estadísticos que evalúa procesos biológicos y sistemas funcionales de alto nivel a partir de una amplia gama de conjuntos de datos moleculares y descubre vías en las que los DEG pueden desempeñar un papel importante. El diagrama de burbujas muestra los resultados del enriquecimiento. Cuando la matriz genética mínima era 5 y la matriz genética máxima era 5000, FDR <0,1 y P ajustado <0,05 se aceptaron como estadísticamente significativos.

Para examinar la interacción entre DE-FRG, utilice la base de datos STRING (Herramienta de búsqueda para la recuperación de genes interactivos, http://string-db.org/)20 y luego use el software Cytoscape 3.9.1 (http://cytoscape .org/)21 para construir y mostrar redes PPI. Utilice el complemento MCODE para explorar los módulos que están estrechamente asociados con los genes para realizar más investigaciones.

Se obtuvieron 1136 genes de relación de función mitocondrial (MFRG) de la base de datos en línea MitoCarta 3.0 (//www.broadinstitute.org/mitocarta)22. Los genes superpuestos de DEG y MFRG se definieron como MFRG expresados ​​​​diferencialmente (DE-MFRG). Los genes superpuestos de DE-MFRG y MCODE-FRG se denominaron "FRG centrales expresadas diferencialmente" (Core-FRG), que se verificarán más adelante.

Los Core-FRG se validaron utilizando dos conjuntos de datos de sepsis (GSE11755: n = 31 sepsis meningocócica, n = 10 control; GSE11281: n = 6 sepsis por estafilococo, n = 3 control). La expresión de los Core-FRG se representó en el gráfico del volcán mediante el software "ggplot2".

La técnica de la curva característica operativa del receptor (ROC) en el paquete Python se ejecutó para analizar la efectividad del diagnóstico hub-FRG de acuerdo con el conjunto de entrenamiento y el conjunto de validación.

El análisis de conglomerados se realizó utilizando ConsensusClusterPlus23 para generar agrupaciones basadas en el enfoque "pam" con el fin de comprender mejor las características biológicas moduladas por las FRG en la sangre periférica del paciente. Las muestras se repitieron diez veces, con una tasa de remuestreo del 80%. Se adoptó el gráfico empírico de la función de distribución acumulativa para encontrar los resultados de agrupación ideales. Luego, se empleó el paquete UMAP (versión 0.2.7.0) para obtener la matriz de dimensiones reducidas24 y evaluar los patrones de expresión de DE-FRG en distintas subpoblaciones de sangre periférica.

La herramienta GSEA (v. 4.0) se adquirió de GSEA (https://doi.org/10.1073/pnas.0506580102, http://software.broa138-dinstitute.org/gsea/index.jsp) para explorar el KEGG enriquecido. vía entre C1 (el subtipo de sepsis) y C2 (el control). El conjunto de genes de referencia fue de 5 y el conjunto de genes máximo fue de 5000 según el perfil de expresión y el grupo fenotípico, con 1000 remuestras, FDR <0,1 y P ajustado <0,05 siendo estadísticamente significativos.

Según nuestros perfiles de expresión, se adoptó la técnica CIBERSORT25 para examinar la puntuación diferencial de las poblaciones de células de inmunidad entre C1 y C2 utilizando el paquete de software R IOBR. El CIBERSORT incluye 22 subtipos de células inmunitarias y se utilizó el enfoque de regresión lineal para realizar un análisis de deconvolución en la matriz de expresión de la subclase de células de inmunidad homo. Posteriormente, sobre la base de los datos del perfil de expresión, se realizó un análisis diferencial de la expresión del gen del punto de control inmunológico en C1 y C2.

Con base en nuestros patrones de expresión, el análisis del coeficiente de correlación de Pearson se realizó, respectivamente, en Hub-FRG y células inmunes y Hub-FRG y genes de puntos de control inmunológico utilizando nuestros perfiles de expresión y la herramienta Corrplot en R. Los resultados se muestran como un mapa de calor.

Para determinar la expresión diferencial de Hub-FRG en diferentes sepsis, creamos respectivamente dos tipos de modelos animales sépticos de infección G + y G-, cepa de Staphylococcus aureus (S.aureus, ATCC29213, EE. UU.) y cepa de Escherichia coli (E.coli , ATCC25922, EE. UU.). En resumen, ratones C57BL/6 machos sanos (CharrlesRiver, de 4 a 5 semanas de edad, 14 ± 1 g) indujeron sepsis mediante inyección en la vena de la cola de 100 ul (1,25 ufc/ml) de S.aureus y 100 ul (1,25 ufc/ml) de E.coli. /ml). Antes de este estudio, la temperatura ambiente era de 20 a 23 grados Celsius, la humedad relativa oscilaba entre el 40 y el 70 %, había un ciclo día/noche de 12 h y había acceso ilimitado a bebidas y alimentos. Después de 1 día del modelo, los ratones fueron sacrificados utilizando pentobarbital cloral por vía intraperitoneal y se les tomó sangre periférica, corazón, hígado, pulmón y tejido renal.

Se observó el recuento bacteriano de los corazones, pulmones, hígado y riñones (órganos esenciales) de ratones sépticos. En pocas palabras, las muestras de tejido se fragmentaron con una trituradora (FastPep-24M5G), se administraron 500 ul de PBS estéril al homogeneizado y 100 ul del homogeneizado se colocaron uniformemente en medio de cultivo sólido de mejora de bacterias (subtipo colombiano Thermerfei, número de stock PB0123A). , especificación 10 × 90 mm), 37 °C y las estadísticas de colonias bacterianas se realizaron después de 12 h de incubación.

Se utilizó un analizador bioquímico automatizado de animales pequeños para realizar la detección bioquímica en sangre periférica de la función de órganos esenciales (cardíaca, hepática y renal) a las 24 h siguiendo el modelo de sepsis. La sangre de la vena yugular del ratón se obtuvo después de una anestesia eficaz (pentobarbitona al 2 %, 45 mg/kg; inyección peritoneal, pi), seguida de centrifugación (1200 g, 4 °C, 10 min) para extraer el suero amarillo claro, que se utilizado para análisis bioquímicos mediante chips de biorreactivos para animales pequeños LDH (n.° 011,719, IDEXX), BUN (n.° 012,133, IDEXX), CK (n.° 010,838, IDEXX) y ALT (n.° 011,052, IDEXX).

Después de fijar muestras de tejido de ratón en una solución de paraformaldehído al 4% durante 24 h, se deshidrataron, se volvieron transparentes, se envolvieron en parafina, se cortaron en secciones de 4 μm y se tiñeron con hematoxilina-eosina (HE). Se utilizó un microscopio para observar las lesiones del tejido cardíaco, pulmonar, hepático y renal.

Se empleó un kit de luciferasa (ATP Assay Kit, Beyotime Biotech, China) para probar los niveles de ATP en los diversos órganos de los ratones modelo con sepsis. En resumen, el corazón, el pulmón, el hígado y el riñón del ratón se lisaron y centrifugaron utilizando tampón de lisis (12.000 g, 4 °C, 5 min). Luego, el líquido superior se mezcló instantáneamente con un volumen equivalente de solución de trabajo antes de colocarlo en una placa opaca estándar de 96 pocillos y detectarlo mediante quimioluminiscencia en un lector de placas de registro fotográfico (Thermo, Varioskan LUX, EE. UU.).

Los corazones, los pulmones, el hígado y los riñones de ratones modelo con sepsis se lisaron y centrifugaron utilizando tampón de lisis (12.000 g, 4 °C, 10 min). Se empleó un kit de detección de proteínas BCA (Beyotime Biotechnology Co., China) para medir la concentración de proteína sobrenadante. Se utilizó SDS-PAGE para separar la proteína completa y luego transportarla a una película de PVDF (fluoruro de polivinilideno). Después de 1 h de sellado con 5% de leche desnatada en polvo, aplicar el primer anticuerpo: contra GPX4 (1:800, Cohesion, Reino Unido), 4 °C durante la noche. Luego, a temperatura ambiente, se incuba la membrana con el anticuerpo de detección durante aproximadamente 1 h. Finalmente, las bandas de proteínas se identificaron utilizando un sistema de imágenes láser de dos colores en el infrarrojo cercano (Odyssey CLX) y se examinaron utilizando un dispositivo de medición de densidad (ImageJ 1.8.0).

En un horno a 60 °C, se desparafinaron las secciones de parafina y se extrajo térmicamente el antígeno durante 3 minutos. Se bloqueó con proteína de suero de burro al 10 % durante 1 h a 37 °C antes de tratarlo con el anticuerpo primario durante la noche a 4 °C, anti-GPX4 (1:100, Cohesion, Reino Unido). Los anticuerpos secundarios con colores fluorescentes se trataron con secciones a temperatura ambiente en la oscuridad durante 1 h. Luego se usó DAPI para teñir el núcleo (1:200, Bilyun, China) durante 10 minutos. Los hallazgos se obtuvieron utilizando un microscopio CKX53 (Olympus Optics Limited) y se examinaron utilizando un dispositivo de medición de intensidad de fluorescencia (ImageJ 1.8.0).

Los experimentos con animales de este artículo se realizaron según la Guía para el cuidado y uso de animales de laboratorio y fueron autorizados por el Comité Institucional de Cuidado y Uso de Animales de la Universidad Médica del Ejército (No. TMMU2012009). Todos los experimentos con animales se implementaron de acuerdo con las recomendaciones descritas en las pautas de ARRIVE. Todos los métodos se realizaron de acuerdo con las directrices y regulaciones pertinentes.

Para los análisis estadísticos se utilizó el paquete R (v 4.0.2), así como el software IBM SPSS 26.0 (EE.UU.) y GraphPad Prism 8.0 (EE.UU.). Se utilizó la desviación estándar media (DE) para mostrar todos los datos. Se aplicaron la prueba t de Student y la prueba de rangos con signos de Wilcoxon para comparar las diferencias entre los dos grupos. Se utilizó ANOVA unidireccional para evaluar varios grupos. Se aplicó el coeficiente de correlación de Pearson para examinar los vínculos entre los grupos de muestra. Además, se adoptó la tecnología ROC para evaluar la eficacia diagnóstica del gen central, que estaba representado por el área bajo la curva (AUC). Se calcularon la sensibilidad y especificidad del gen. Cuando el índice de Youden se ajustó a su valor máximo, se alcanzó el valor de corte genético óptimo. P <0,05 representa significación estadística.

Después del tratamiento de normalización por lotes de GSE26378 y GSE26440 (Fig. 2A, Figura 1 complementaria), se realizó el análisis de expresión diferencial, que incluyó 20 021 genes expresados ​​de manera significativamente diferencial, incluidos 12 758 genes regulados positivamente y 7263 genes regulados negativamente. log2FC ≥ 1, P ajustado <0,05 (Fig. 2B). Para explorar FRG expresado diferencialmente en la sepsis, extrajimos 65 FRG de MSigDB, una base de datos basada en genes humanos, y los construimos a partir de su ubicación, función, vías metabólicas y unión al objetivo. Tras la intersección de DEG y FRG, se identificaron 63 FRG expresadas diferencialmente como DE-FRG (Fig. 2C). La expresión de los 63 DE-FRG se mostró utilizando mapas de calor y gráficos de violín (Fig. 2D, E).

Identificación de lotes de remoción y DE-FRG. (A) GSE26378 y GSE26440 se extrajeron del lote y se normalizaron, produciendo un total de 20 021 genes. (B) El análisis de visualización del mapa volcánico reveló que 20.021 genes se expresaban diferencialmente, con 12.758 genes regulados positivamente y 7263 genes regulados negativamente. log2FC ≥ 1, P ajustado < 0,05. (C) Se utilizó un diagrama de Venn para identificar 63 FRG expresadas de manera diferente como DE-FRG. (D, E) La expresión de 63 DE-FRG se mostró utilizando un mapa de calor y un mapa de violín.

Con base en GO y KEGG, se investigaron los efectos biológicos latentes y las vías de los DE-FRG en ambos grupos. Según los hallazgos, KEGG se enriqueció principalmente en ferroptosis, vías metabólicas, necroptosis, absorción de minerales y producción de ácidos grasos (Fig. 3A). El CC (componente celular) se enriqueció significativamente en la mitocondria, la envoltura, la vacuola, la envoltura mitocondrial y el autofagosoma (Fig. 3B). La MF (función molecular) estaba altamente enriquecida en actividad oxigenada, actividad transportadora de iones, actividad transportadora, unión de iones hierro y actividad transportadora de transporte de iones hierro (Fig. 3C). BP (proceso biológico) estaba altamente enriquecido en procesos metabólicos de moléculas pequeñas, homeostasis de iones, respuesta al estrés oxidativo, homeostasis de iones de hierro y homeostasis de iones de metales de transición (Fig. 3D). Obviamente, estos DE-FRG estaban enriquecidos en ferroptosis, mitocondrias, autofagosomas y actividad oxidorreductasa.

Gráfico de burbujas de estudios de enriquecimiento GO y KEGG de DE-FRG en muestras de sepsis. El valor P se muestra mediante el tono que cambia progresivamente y la cantidad de genes se indica mediante el tamaño de los puntos negros. (A) KEGG se enriqueció principalmente en ferroptosis. (B) CC se enriqueció principalmente en mitocondrias. (C) MF se enriqueció principalmente en actividad oxidorreductasa. (D) BP se enriqueció principalmente en procesos metabólicos de moléculas pequeñas.

Los datos PPI de 63 DE-FRG se tomaron de la base de datos String y la red PPI visual se construyó con la herramienta Cytoscape 3.9.1. Hay 61 nodos y 232 bordes en esta red, y 45 genes estaban altamente expresados, mientras que 18 estaban subexpresados ​​en 63 DE-FRG (Fig. 4A). Se obtuvieron tres módulos MCODE utilizando el complemento MCODE (Fig. 4B). En total se obtuvieron 29 genes MCODE, incluidos 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 y ACSL6.

Construcción de la red PPI y del módulo MCODE, y adquisición y verificación de Core-FRG. (A) La red PPI DE-FRG se generó utilizando la herramienta Cytoscape e incluye 61 nodos y 232 bordes. (B) Se extrajeron 3 modelos MCODE-FRG. (C) Los MCODE-FRG se cruzan con los DE-MFRG para obtener 4 Core-FRG (GPX4, ACSL1, ACSL6, FTH1). (D, E) Los gráficos volcánicos verificaron la expresión de GPX4, ACSL1, ACSL6 y FTH1 en GSE11755 y GSE11281, respectivamente (P ajustado <0,05, log2FC ≥ 1,2).

Entre los 1136 MFRG, se encontraron 1083 genes de función relacionada con las mitocondrias expresados ​​diferencialmente (DE-MFRG), con 474 regulados positivamente y 609 regulados negativamente. A continuación, se obtuvieron cuatro genes diferenciales después de cruzar los DE-MFRG con los MCODE-FRG (FTH1, GPX4, ACSL1 y ACSL6) (Fig. 4C). Lo definimos como Core-FRG (Tabla 1).

La expresión de Core-FRG se validó utilizando dos conjuntos de datos de microarrays (GSE11755 y GSE11281). El gráfico volcánico muestra que se encontraron 2.116 DEG en GSE 11.755 (arriba = 895; abajo = 1.217), y se encontraron 2.096 DEG en GSE 11.281 (arriba = 1.070; abajo = 1.026). log2FC ≥ 1,2, P ajustado < 0,05). Entre los cuatro Core-FRG, solo GPX4 tuvo una regulación negativa significativa y uniforme en diferentes conjuntos de datos de sepsis (Fig. 4D, E), lo que indica que los niveles bajos de expresión de GPX4 pueden predecir diferentes tipos de sepsis. Por lo tanto, lo definimos como hub-FRG y realizamos una verificación posterior.

La Figura 5 muestra el valor diagnóstico de GPX4 en la sepsis. GPX4 estuvo marcadamente disminuido en la sepsis en el conjunto de entrenamiento (GES 26,378 y GSE 26,440) en relación con el grupo de control (P <0,05, Fig. 5A). El área bajo la curva (AUC) de la República de China de GPX4 en el diagnóstico de sepsis fue de 0,64, con una sensibilidad y especificidad de 0,79 y 0,5, respectivamente (Fig. 5B, C). Curiosamente, el hub-FRG tuvo un mejor rendimiento en el conjunto de validación (GSE11755 y GSE11281). La expresión de GPX4 se redujo significativamente en la sepsis (P <0,05, Fig. 5D,G). Los valores de AUC fueron respectivamente 0,73 y 0,94 (Fig. 5E, H), su valor de sensibilidad fue respectivamente 0,6 y 1, y su valor de especificidad fue respectivamente 0,84 y 0,83. (Figura 5 F,I). Evidentemente, estos resultados sugieren que GPX4 tenía un buen valor para el diagnóstico de sepsis.

Rendimiento de la sepsis diagnóstica hub-FRG en los conjuntos de entrenamiento y verificación. Basado en los perfiles de expresión del conjunto de entrenamiento (GSE26378 y GSE26440): (A) La diferencia en la expresión de GPX4 entre los grupos de sepsis y control. (B) La curva ROC de pacientes con sepsis basada en el gen GPX4. (C) El valor diagnóstico del hub-FRG para distinguir el grupo de sepsis del grupo de control. Según el perfil de expresión del conjunto de validación (GSE11755 y GSE11281): (D, G) La diferencia en la expresión de GPX4 entre los grupos de sepsis y control. (E, H) La curva ROC de personas con sepsis basada en el gen GPX4. (F, I) El valor diagnóstico del hub-FRG para distinguir el grupo de sepsis del grupo de control. AUC significa Área bajo la curva; TPR significa Tasa de Verdaderos Positivos; y FPR significa tasa de falsos positivos.

Según los niveles de expresión de DE-FRG en el perfil de expresión, las 233 muestras se clasificaron en cuatro subgrupos: C1 (N = 91 pacientes con sepsis), C2 (N = 66, 53 controles y 13 pacientes con sepsis), C4 (N = 32 pacientes con sepsis) y C3 (N = 44 pacientes con sepsis) (Fig. 6A). De k = 2 a k = 10, el grupo k = 2 es el más constante (Figura 2 complementaria). Los estudios UMAP y de mapa de calor indicaron diferencias significativas entre C1 y los otros subtipos, particularmente C2 (Fig. 6B, C). Los patrones de expresión de DE-FRG cambian mucho entre C1 y C2 (Fig. 6C, D). En comparación con C2, 31 genes en C1 estaban significativamente regulados positivamente (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 y TXNRD1), 12 genes estaban significativamente regulados a la baja (ACSL6, ALOX15, DPP4, GCLC, GPX4, GSS, NCOA4, SLC1A5 , SLC38A1, SLC39A14, TP53 y VDAC2) (Fig. 6D).

Análisis de conglomerados e identificación de subtipos basado en los perfiles de expresión de DE-FRG (A) El mapa de calor de la matriz de consenso muestra que los DE FRG se pueden agrupar en cuatro categorías: C1 (N = 91), C2 (N = 66), C4 (N = 32 ), y C3 (N = 44). (B) La visualización de UMAP confirmó la agrupación entre diferentes subtipos. (C) El mapa de calor representa los diversos patrones de expresión de FRG en cuatro subtipos. (D) El diagrama de caja muestra que hay 43 FRG con diferencias significativas entre C1 y C2, *P < 0,05, **P < 0,01, ****P < 0,0001.

GSEA comparó diferentes vías entre C1 y C2. Los hallazgos sugirieron que C1 estaba altamente enriquecido en apoptosis, ruta de señalización de adipocitoquinas, lisosoma, regulación de la autofagia, ruta de señalización Jak-stat, ruta de señalización del receptor tipo NOD, ruta de señalización del receptor tipo RIG-I, regulación del citoesqueleto de actina, Toll- como la ruta de señalización del receptor, la ruta de señalización PPAR, la ruta de señalización Fc épsilon RI, la fagocitosis mediada por el receptor Fc gamma y la vía de señalización MAPK (Figura 3 complementaria).

La herramienta CIBERSORT se utilizó para calcular y evaluar las diversidades en los niveles de expresión de las 22 células inmunes en sangre periférica entre C1 y C2 (Fig. 7A). Hubo patrones de expresión significativamente diferentes en 17 células inmunes (Fig. 7B). En comparación con C2, la expresión de siete tipos de células inmunes fue sustancialmente mayor en C1: células mononucleares, macrófagos-M0, macrófagos-M1, macrófagos-M2, mastocitos activados, neutrófilos y Tregs. Además, los niveles de expresión de 10 tipos de células inmunes, que contienen células B, células NK activadas, células T D4 ingenuas, células T CD8, células T CD4 con restablecimiento de la memoria, células T CD4 con memoria activada, células T gamma delta, células dendríticas con restablecimiento, La reposición de mastocitos y las células T auxiliares foliculares disminuyeron significativamente.

Características de las poblaciones de inmunocélulas del subtipo de sepsis y expresión de genes de puntos de control inmunológico en sangre periférica. (A) El mapa de calor muestra las diferencias en los patrones de expresión de células inmunitarias entre los grupos 1 y 2. El azul representa una expresión baja, mientras que el rojo representa una expresión fuerte. (B, C) Los gráficos de cuadro muestran la diferencia en las poblaciones de células de inmunidad y la expresión de puntos de control inmunológico entre el grupo 1 y el grupo 2. *P < 0,05, **P < 0,01, ***P < 0,001, ****P < 0,0001.

Posteriormente, investigamos las diversidades en la cantidad de expresión de los ocho genes del punto de control de inmunidad entre C1 y C2 (Fig. 7C). A diferencia del C2, un total de dos niveles de expresión del gen del punto de control inmunológico estaban significativamente regulados positivamente en el C1: CD274 (ligando 1 de muerte celular programada 1, PDL1) y HAVCR2 (receptor celular 2 del virus de la hepatitis A; TIM3), y un nivel de expresión. estaba significativamente regulado a la baja: TIGIT (inmunorreceptor de células T con dominios Ig e ITIM, WUCAM, Vstm3, VSIG9).

El análisis del coeficiente de correlación de Pearson de GPX4 y poblaciones de células inmunes reveló que GPX4 se asoció significativamente con nueve células inmunes, con la correlación negativa más alta de neutrófilos, r = − 0,52, P <0,0001, seguida de células T CD8, con una correlación positiva, r = 0,43, p < 0,0001. Se demostró que otras células inmunes intrínsecas estaban correlacionadas negativamente (Macrófagos M1, r = − 0,20, P < 0,05; Mastocitos activados, r = − 0,27, P < 0,001), y otras células inmunes adaptativas estaban correlacionadas positivamente (células T D4 vírgenes). , r = 0,31, P < 0,0001; células B vírgenes, r = 0,28, P < 0,001; células T auxiliares foliculares, r = 0,27, P < 0,001; células plasmáticas, r = 0,19, P < 0,05), excepto Tregs (r = − 0,22, P < 0,01) (Fig. 8A).

Análisis de correlación entre Hub FRG (GPX4) y células de inmunidad y genes de puntos de control de inmunidad; Detección de función mitocondrial en ratones sépticos. (A) El mapa de calor muestra la correlación entre GPX4 y las células inmunológicas, con los neutrófilos teniendo la correlación más fuerte en r = − 0,52 y − log10 P = 11,75, lo que indica una conexión negativa. Las células T CD8 van seguidas de r = 0,43, − log10 P = 7,71, lo que indica una conexión positiva. (B) La correlación entre GPX4 y el gen del punto de control inmunológico CD274 tiene la correlación más fuerte, r = − 0,42, − log10 P = 7,51, lo que indica un vínculo negativo. PDCD1LG2 ocupa el segundo lugar con r = − 0,32, − log10 P = 4,27, lo que indica una asociación negativa. (C) La medición del nivel de ATP en tejidos y órganos mostró que la cantidad de ATP en el hígado y el riñón del grupo modelo era significativamente menor que la del control, *P <0,05. Indicó que las mitocondrias en los tejidos del hígado y el riñón estaban gravemente dañadas.

Después de eso, un análisis de correlación de GPX4 y puntos de control inmunológicos reveló que GPX4 tenía una correlación marcadamente negativa con CD274 (r = − 0,42, P < 0,0001), PDCD1LG2 (r = − 0,32, P < 0,0001) y HAVCR2 (r = − 0,18 , P < 0,05). Hubo una correlación positiva con TIGI (r = 0,19, P <0,05) (Fig. 8B).

En diferentes modelos de sepsis, los experimentos de carga bacteriana en el corazón, los pulmones, el hígado y los riñones revelaron que las colonias de hígado y riñón estaban fuertemente colonizadas y que S. aureus era significativamente mayor que E. coli (P <0,0001). En las colonias de pulmón y corazón, hubo menos invasión (Figura complementaria 4A, B).

Para comprender el deterioro de la función de los órganos esenciales después de la sepsis, se logró la detección bioquímica de la función cardíaca, hepática y renal en ratones sépticos. Los resultados revelaron que, en comparación con el grupo de control, la liberación de enzimas del grupo modelo desde el hígado (ALT en sangre) y el riñón (BUN en sangre) fue considerablemente mayor (P <0,05), con una diferencia estadística (Figura 4C complementaria). La CK y la LDH, por otro lado, no aumentaron sustancialmente (P <0,05).

Se observaron al microscopio cambios histopatológicos en órganos esenciales. Se utilizó tinción HE para evaluar el daño al corazón, los pulmones, el hígado y los riñones. En comparación con el control, los tejidos del hígado y el riñón del grupo de sepsis sufrieron lesiones significativas, con células hepáticas edematosas y necróticas, placas hepáticas disminuidas y una gran cantidad de células inflamatorias infiltradas localmente. La expansión del túbulo renal, la degeneración vacuolar epitelial, la separación de las células endoteliales del borde en cepillo, la necrosis y la infiltración de células inflamatorias locales son todos síntomas de la expansión del túbulo renal. El grupo con sepsis por S.aureus fue aún peor (Figura complementaria 4D). Lo anterior indica que el modelo de sepsis se construyó con éxito.

Se midieron los niveles de ATP en el corazón, los pulmones, el hígado y los riñones de ratones modelo. Los hallazgos indican que, en comparación con el control, la cantidad de ATP detectada en el hígado y los riñones del grupo modelo fue considerablemente menor (P <0,05) (Fig. 8C). Estos demostraron que la sepsis provocaba una disfunción mitocondrial significativa en las células del hígado y el riñón de los ratones.

La expresión de GPX4 se detectó en órganos y tejidos principales de varios ratones con sepsis mediante Western blot (Wb) e inmunofluorescencia, respectivamente. El nivel de expresión de GPX4 en el hígado y los tejidos renales de los grupos con sepsis por S.aureus y sepsis por E.coli disminuyó considerablemente en relación con el control en Wb (P <0,01) (Fig. 9A, B, C, los resultados de la transferencia West fueron de diferentes partes del mismo gel). Además, de acuerdo con la transferencia Western, la inmunofluorescencia reveló que la expresión de GPX4 en el hígado y el riñón de ratones sépticos era considerablemente menor que la del control (P <0,0001) (Fig. 9D, E, F, G). Los hallazgos indican que las lesiones de la función de múltiples órganos inducidas por la sepsis se correlacionan con la ferroptosis porque la GPX4 se considera con frecuencia como un marcador estrella de la ferroptosis.

Nivel de expresión de GPX4 en el hígado y el riñón de ratones con sepsis (A) Después de que S. aureus y E. coli indujeron ratones con sepsis durante 24 h, se detectó mediante transferencia Western el nivel de proteína de GPX4 en homogeneizados de hígado y riñón. (B, C) Análisis densitométrico de bandas de correlación La expresión de la proteína GPX4 en el hígado y el riñón de ratones con sepsis fue notablemente menor que el control, **P <0,01, respectivamente. (D, F) La inmunofluorescencia mostró que GPX4 se expresaba ampliamente en tejidos normales de hígado y riñón de ratones, pero se reducía significativamente en ratones con sepsis (DAPI: azul; GPX4: rojo; barra de escala = 100 μm). (E, G) resultados estadísticos de fluorescencia (media ± DE, n = 5), ****P < 0,0001 frente al control.

La sepsis, inducida por una infección grave, provoca diversas disfunciones orgánicas y amenaza la vida1,26. Tanto niños como adultos pueden sufrir sepsis27,28, y la incidencia y tasa de mortalidad de la sepsis en niños es mayor, particularmente en regiones no desarrolladas4. Recientemente, un gran volumen de investigaciones ha subrayado repetidamente la importancia crítica de la ferroptosis en la sepsis29. En este estudio, se seleccionaron de la base de datos GEO cuatro conjuntos de datos de sepsis infantil, incluidos dos conjuntos de datos de entrenamiento (GSE26378 y GSE26440) y dos conjuntos de datos de validación (GSE11755 y GSE11281), para ejecutar análisis bioinformáticos. Los resultados descubrieron que un hub-FRG (GPX4) era un biomarcador valioso de diagnóstico (Fig. 5) y desempeñaba un papel fundamental en la aparición y progresión de la sepsis.

GPX4 (Glutatión Peroxidasa 4) es un gen codificante de proteínas. Es miembro de la familia de las selenoproteínas, desempeña un papel crucial en la ferroptosis y puede utilizarse como indicación de ferroptosis celular30. Su efecto principal es convertir peróxidos (como R-OOH) en alcohol equivalente (R-OH)10. El sistema Xc transporta cistina para sintetizar glutatión (GSH) para mantener el equilibrio redox y suprimir el envenenamiento por hierro, mientras que el GSH también puede cooperar con GPX4 para mejorar la reducción de peróxido31. Como resultado, GPX4 contribuye de manera importante a la eliminación de peróxidos lipídicos. La inactivación de GPX4 puede alterar el equilibrio oxidativo, limitar su función en la eliminación de peróxidos lipídicos, dañar las mitocondrias e inducir ferroptosis30. Curiosamente, Zhang J et al. La irisina encontrada puede reducir la IRA causada por daño renal por isquemia aguda al regular al alza GPX432. Wei S et al. informaron que la irisina exógena podría promover la expresión de GPX4 y suprimir la ferroptosis hepática en ratones sépticos33. La CIRP extracelular impulsa la ferroptosis inducida por GPX4, según Shimizu J et al.34. En este artículo, para verificar la confiabilidad de la predicción hub-FRG en el deterioro de la función multiorgánica causada por la sepsis, construimos con éxito dos modelos de sepsis diferentes (Figura 4 complementaria) para analizar más a fondo y validar los cambios en el nivel de expresión de GPX4 en diferentes órganos. y tejidos de ratones con sepsis. Los resultados de la transferencia Western y la inmunofluorescencia tisular revelaron que la expresión de GPX4 del grupo modelo en el hígado y el riñón era significativamente menor que la del grupo control (Fig. 9). Estos resultados anteriores demuestran que el gen GPX4 relacionado con la ferroptosis está estrechamente correlacionado con el daño de la función de múltiples órganos inducido por la sepsis, lo cual está de acuerdo con nuestra predicción.

Además, el daño mitocondrial es un cambio en las características de la ferroptosis35 y es una de las principales causas del mal pronóstico de la sepsis36. Debido a que las mitocondrias son la fuente central de producción de ATP, el análisis de los niveles de ATP puede representar directamente la función mitocondrial de las células. En este estudio, se midió la actividad de las mitocondrias en el corazón, el hígado, los riñones y los pulmones mediante una prueba de ATP. Los resultados revelaron que los niveles de ATP en el grupo modelo eran más bajos que en el grupo de control en diversos grados. Sin embargo, fue más notorio en el hígado y el riñón, con P <0,05 (Fig. 8C). Estos hallazgos respaldaron la teoría de que la ferroptosis se acompaña de daño funcional mitocondrial.

Se reconoce que la sepsis está estrechamente relacionada con el trastorno de la regulación inmunitaria26. La disfunción inmune puede ser uno de los principales factores que causan disfunción o insuficiencia orgánica, o incluso la muerte, en pacientes con sepsis37. Este estudio demostró que en niños con sepsis, la expresión de las células inmunes innatas, monocitos, macrófagos M0, macrófagos M1, macrófagos M2, mastocitos activados y neutrófilos estaban obviamente reguladas positivamente, mientras que las células dendríticas en reposo estaban significativamente reguladas negativamente (Fig. 7A, B). Curiosamente, muchas investigaciones han encontrado que las células inmunes innatas se expresan de manera anormal en la sepsis. Asmaa et al. informaron que (septicemia neonatal, n = 30, y control, n = 30), los monocitos CD86+ en la sepsis (78,4%) eran evidentemente mayores que en el control (24%) (P < 0,001)38. Eash KJ et al. descubrieron que CXCL1 estaba regulado positivamente en la sepsis del ratón, lo que podría impulsar la liberación de neutrófilos en la sangre39. Bouras M et al. descubrieron que el número de CD intersticiales en los órganos periféricos de los pacientes con sepsis era mucho menor que en los pacientes sin sepsis40.

Además, esta investigación encontró que, a excepción de la regulación positiva de las células T (Treg), todas las demás en la inmunidad adquirida estaban reguladas negativamente (células B, células T CD8, células T vivas D4, células T con memoria CD4 en reposo, células T activadas con memoria CD4, células T auxiliares foliculares, células T gamma delta, células NK activadas) en pacientes sépticos (Fig. 7B). Venet F et al. demostraron que después de la sepsis, el número de células B, células T, células NK y otros linfocitos se redujo drásticamente41, una característica esencial de la respuesta inmune adaptativa41,42. En pacientes con sepsis, la reducción de la capa linfoide persistente aumenta el riesgo de mortalidad e infección hospitalaria43,44. Además, Jensen et al. han demostrado que la sepsis puede inducir y alterar el efecto fenotípico de las células T CD8, lo que puede debilitar el control de la infección por Listeria monocytogenes y aumentar las posibilidades de reinfección45. Li Z et al. observaron que las células B, las células T CD4+, las células T auxiliares foliculares, las células T CD8+ y las células NK disminuyeron considerablemente en la sepsis infantil46, lo que concordaba con los hallazgos de nuestra investigación.

El análisis del punto de control inmunológico reveló que la expresión de CD274 (PD-L1) y HAVCR2 (TIM) aumentó evidentemente en la sepsis en relación con el control (Fig. 7C). PD-L1 es el foco de la investigación actual sobre puntos de control inmunológico. El aumento anormal de la expresión de PD-L1 en pacientes con sepsis puede ser la principal causa de inmunosupresión47, que ahora se considera una de las principales causas de muerte por sepsis48. La expresión de PD-L1 aumenta en una variedad de células durante la sepsis, como los neutrófilos49, las células estromales, las células dendríticas, los macrófagos, las células endoteliales capilares50 y los monocitos51. Además, el nivel de expresión de PD-L1 en monocitos y neutrófilos se asocia con el pronóstico y la supervivencia de los pacientes con sepsis49,52. Chang KC53 y Zhang Y54 descubrieron que el uso de anticuerpos PD-1 o PD-L1 para tratar modelos animales de sepsis inducida por bacterias y hongos puede mejorar la supervivencia general. Estos ofrecen una base teórica para futuros ensayos clínicos.

En particular, las propias células inmunitarias (células B, células T, macrófagos, etc.) también pueden sufrir ferroptosis, que luego es reconocida por las células inmunitarias, lo que da lugar a una cascada de reacciones inmunológicas55. Este estudio demuestra que GPX4 estaba significativamente relacionado con los niveles de expresión de diferentes células de inmunidad (neutrófilos, células CD8T, células T CD4 nave, Tregs, macrófagos M1 y células maestras activadas) y genes de puntos de control inmunológico (CD274, TIGIT, HAVCR2 y PDCD1LG2). ) (Figura 8A,B). Estos datos implicaron que GPX4 estaba relacionado con la modulación inmune y puede ser un nuevo objetivo inmunoterapéutico latente de la sepsis pediátrica. En resumen, GPX4 era un biomarcador valioso para diagnosticar la sepsis y tenía un papel no despreciable en el deterioro funcional multiorgánico causado por la ferroptosis inducida por la sepsis en niños.

Sin embargo, la investigación también contiene varias restricciones. Primero, considere la restricción del tamaño de la muestra de pacientes. En consecuencia, la investigación sobre GPX4 debería incluirse en la cola más amplia de sepsis. En segundo lugar, este estudio sólo se centró en el nivel de expresión de GPX4 en la sepsis y no en su función in vivo o in vitro. Como resultado, en el futuro debería ser necesaria una mayor exploración de la ferroptosis en niños con sepsis.

En resumen, este artículo demostró que el gen GPX4 relacionado con la ferroptosis jugó un papel crucial en la progresión del daño orgánico múltiple en la sepsis infantil, estaba estrechamente relacionado con las poblaciones de células inmunitarias y la regulación de los puntos de control de la inmunidad, y era un biomarcador de valor diagnóstico crucial y un objetivo latente de inmunoterapia para esta enfermedad.

Los conjuntos de datos analizados en este estudio están disponibles en la base de datos GEO (http://www.ncbi.nlm.nih.gov/geo/). Los conjuntos de datos de nivel abierto que no requieren aprobación de acceso están disponibles para descargar a través de GEO (número de acceso GSE26378: https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE26378; número de acceso GSE26440: https ://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE26440; número de acceso GSE11755: https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi ?acc=GSE11755; número de acceso GSE11281: https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE11281). El conjunto de datos FRG está disponible para navegar a través del banco de datos MSigDb (https://www.gsea-msigdb.org/gsea/msigdb/), y el conjunto de datos MFRG está disponible en la base de datos en línea Mitocarta 3.0 (https://www.broadinstitute. org/mitocarta).

Cantante, M. et al. Las definiciones del tercer consenso internacional para sepsis y shock séptico (Sepsis-3). JAMA 315, 801–810 (2016).

Artículo CAS PubMed PubMed Central Google Scholar

Stevenson, EK, Rubenstein, AR, Radin, GT, Wiener, RS y Walkey, AJ Dos décadas de tendencias de mortalidad entre pacientes con sepsis grave: un metanálisis comparativo*. Crítico. Cuidado médico. 42, 625–631 (2014).

Artículo PubMed PubMed Central Google Scholar

Iregbu, K. y col. Enfoque de ciencia de datos de los sistemas de salud globales para el diagnóstico preciso de la sepsis en las primeras etapas de la vida. Infección por lanceta. Dis. 22, e143-e152 (2022).

Artículo PubMed Google Scholar

Rudd, KE y cols. Incidencia y mortalidad por sepsis a nivel mundial, regional y nacional, 1990-2017: análisis para el estudio de la carga global de enfermedad. Lanceta 395, 200–211 (2020).

Artículo PubMed PubMed Central Google Scholar

Tang, D., Kang, R., Berghe, TV, Vandenabeele, P. y Kroemer, G. La maquinaria molecular de la muerte celular regulada. Resolución celular. 29, 347–364 (2019).

Artículo CAS PubMed PubMed Central Google Scholar

Hassannia, B., Vandenabeele, P. y Vanden Berghe, T. Dirigirse a la ferroptosis para solucionar el cáncer. Célula cancerosa 35, 830–849 (2019).

Artículo CAS PubMed Google Scholar

Stockwell, BR y cols. Ferroptosis: un nexo de muerte celular regulado que vincula el metabolismo, la biología redox y la enfermedad. Celda 171, 273–285 (2017).

Artículo CAS PubMed PubMed Central Google Scholar

Tang, D., Chen, X., Kang, R. y Kroemer, G. Ferroptosis: mecanismos moleculares e implicaciones para la salud. Resolución celular. 31, 107-125 (2021).

Artículo CAS PubMed Google Scholar

Mou, Y. et al. Ferroptosis, una nueva forma de muerte celular: Oportunidades y desafíos en cáncer. J. Hematol. Oncol. 12, 34 (2019).

Artículo PubMed PubMed Central Google Scholar

Lei, XL, Zhao, GY, Guo, R. & Cui, N. Ferroptosis en la sepsis: el mecanismo, el papel y el potencial terapéutico. Frente. Inmunol. 13, 956361 (2022).

Artículo CAS Google Scholar

Weis, S. y col. La adaptación metabólica establece la tolerancia a la enfermedad a la sepsis. Celda 169, 1263-1275.e14 (2017).

Artículo CAS PubMed PubMed Central Google Scholar

Michels, K., Nemeth, E., Ganz, T. & Mehrad, B. Hepcidina y defensa del huésped contra enfermedades infecciosas. Patógeno PLoS. 11, e1004998 (2015).

Artículo PubMed PubMed Central Google Scholar

Yang, L. y col. La auranofina mitiga la sobrecarga sistémica de hierro e induce ferroptosis a través de distintos mecanismos. Transducción de señales. Apunta allí. 5, 138 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Prauchner, CA Estrés oxidativo en la sepsis: implicaciones fisiopatológicas que justifican la coterapia con antioxidantes. Quemaduras 43, 471–485 (2017).

Artículo PubMed Google Scholar

Liberzón, A. et al. La colección de conjuntos de genes distintivos de la base de datos de firmas moleculares (MSigDB). Sistema celular. 1, 417–425 (2015).

Artículo CAS PubMed PubMed Central Google Scholar

Ritchie, ME, Dunning, MJ, Smith, ML, Shi, W. & Lynch, AG Análisis de expresión de BeadArray utilizando bioconductor. Computación PLoS. Biol. 7, e1002276 (2011).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Johnson, WE, Li, C. y Rabinovic, A. Ajuste de los efectos por lotes en datos de expresión de microarrays utilizando métodos empíricos de Bayes. Bioestadística 8, 118-127 (2007).

Artículo PubMed MATEMÁTICAS Google Scholar

Ashburner, M. y col. Ontología genética: herramienta para la unificación de la biología. Gen Ontol. Consorte. Nat. Gineta. 25, 25-29 (2000).

Artículo CAS Google Scholar

Kanehisa, M. & Goto, S. KEGG: Enciclopedia de genes y genomas de Kioto. Ácidos nucleicos res. 28, 27–30 (2000).

Artículo CAS PubMed PubMed Central Google Scholar

Szklarczyk, D. y col. La base de datos STRING en 2021: redes proteína-proteína personalizables y caracterización funcional de conjuntos de mediciones/genes cargados por el usuario. Ácidos nucleicos res. 49, D605–D612 (2021).

Artículo CAS PubMed Google Scholar

Shannon, P. y col. Cytoscape: un entorno de software para modelos integrados de redes de interacción biomoleculares. Genoma Res. 13, 2498–2504 (2003).

Artículo CAS PubMed PubMed Central Google Scholar

Rath, S. y col. MitoCarta3.0: un proteoma mitocondrial actualizado ahora con localización de suborgánulos y anotaciones de vías. Ácidos nucleicos res. 49, D1541-D1547 (2021).

Artículo CAS PubMed Google Scholar

Wilkerson, MD y Hayes, DN ConsensusClusterPlus: una herramienta de descubrimiento de clases con evaluaciones de confianza y seguimiento de elementos. Bioinformática 26, 1572-1573 (2010).

Artículo CAS PubMed PubMed Central Google Scholar

Trozzi, F., Wang, X. & Tao, P. UMAP como herramienta de reducción de dimensionalidad para simulaciones de dinámica molecular de biomacromoléculas: un estudio comparativo. J. Física. Química. B 125, 5022–5034 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Newman, AM y cols. Determinación de la abundancia y expresión del tipo celular a partir de tejidos a granel con citometría digital. Nat. Biotecnología. 37, 773–782 (2019).

Artículo CAS PubMed PubMed Central Google Scholar

van der Poll, T., Shankar-Hari, M. y Wiersinga, WJ La inmunología de la sepsis. Inmunidad 54, 2450–2464 (2021).

Artículo PubMed Google Scholar

Evans, L. y col. Sobrevivir a la campaña de sepsis: Directrices internacionales para el tratamiento de la sepsis y el shock séptico 2021. Crit. Cuidado médico. 49, e1063–e1143 (2021).

Artículo PubMed Google Scholar

Weiss, SL et al. Guías internacionales de la campaña sobre supervivencia a la sepsis para el tratamiento del shock séptico y la disfunción orgánica asociada a la sepsis en niños. Pediatra. Crítico. Cuidado médico. 21, e52-e106 (2020).

Artículo PubMed Google Scholar

Li, J. y col. El sulfuro de hidrógeno atenúa la ferroptosis y estimula la autofagia al bloquear la señalización de mTOR en la lesión pulmonar aguda inducida por sepsis. Mol. Inmunol. 141, 318–327 (2022).

Artículo CAS PubMed Google Scholar

Yang, WS et al. Regulación de la muerte de células cancerosas ferroptóticas por GPX4. Celda 156, 317–331 (2014).

Artículo CAS PubMed PubMed Central Google Scholar

Feng, Z. y col. NMN recluta GSH para mejorar la defensa de la ferroptosis mediada por GPX4 en lesiones cutáneas inducidas por irradiación UV. Biochim. Biofísica. Acta Mol. Disposición de base. 1868, 166287 (2022).

Artículo CAS PubMed Google Scholar

Zhang, J. y col. Participación de GPX4 en la protección de la irisina contra la lesión renal aguda inducida por isquemia-reperfusión. J. Fisiol celular. 236, 931–945 (2021).

Artículo CAS PubMed Google Scholar

Wei, S. y col. Los niveles séricos de irisina disminuyen en pacientes con sepsis y la irisina exógena suprime la ferroptosis en el hígado de ratones sépticos. Clínico. Traducción Medicina. 10, e173 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Shimizu, J., Murao, A., Nofi, C., Wang, P. y Aziz, M. La CIRP extracelular promueve la ferroptosis mediada por GPX4 en la sepsis. Frente. Inmunol. 13, 903859 (2022).

Artículo CAS PubMed PubMed Central Google Scholar

Ella, H. et al. Efectos protectores de la dexmedetomidina sobre la fuga vascular inducida por la sepsis al aliviar la ferroptosis mediante la regulación de la reprogramación metabólica. J. Inflamm. Res. 14, 6765–6782 (2021).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Zhang, H., Feng, YW y Yao, YM Estrategia terapéutica potencial: abordar la disfunción mitocondrial en la sepsis. Mil. Medicina. Res. 5, 41 (2018).

PubMed PubMed Central Google Académico

Bone, RC Sir Isaac Newton, sepsis, SIRS y CARS. Crítico. Cuidado médico. 24, 1125-1128 (1996).

Artículo CAS PubMed Google Scholar

El Sehmawy, AA et al. Estudio de subconjuntos de monocitos y su expresión superficial de CD86 e IL-17 sérica en comparación con la procalcitonina sérica como marcadores de sepsis neonatal temprana. Infectar. Resistencia a las drogas. 14, 5375–5382 (2021).

Artículo PubMed PubMed Central Google Scholar

Eash, KJ, Greenbaum, AM, Gopalan, PK & Link, DC CXCR2 y CXCR4 regulan de forma antagonista el tráfico de neutrófilos desde la médula ósea murina. J.Clin. Invertir. 120, 2423–2431 (2010).

Artículo CAS PubMed PubMed Central Google Scholar

Bouras, M., Asehnoune, K. & Roquilly, A. Contribución de las respuestas de las células dendríticas a la inmunosupresión inducida por sepsis y a la susceptibilidad a la neumonía secundaria. Frente. Inmunol. 9, 2590 (2018).

Artículo PubMed PubMed Central Google Scholar

Venet, F. y col. Evaluación temprana de las alteraciones leucocitarias al diagnóstico de shock séptico. Choque 34, 358–363 (2010).

Artículo CAS PubMed Google Scholar

Venet, F. & Monneret, G. Avances en la comprensión y el tratamiento de la inmunosupresión inducida por sepsis. Nat. Rev. Nephrol. 14, 121-137 (2018).

Artículo CAS PubMed Google Scholar

Adrie, C. y col. La linfopenia persistente es un factor de riesgo de infecciones adquiridas en la UCI y de muerte en pacientes de la UCI con hipotensión sostenida al ingreso. Ana. Intensivo. Cuidado 7, 30 (2017).

Artículo de Google Scholar

Drewry, AM y cols. La linfopenia persistente después del diagnóstico de sepsis predice la mortalidad. Choque 42, 383–391 (2014).

Artículo PubMed PubMed Central Google Scholar

Jensen, IJ y cols. La sepsis conduce a cambios duraderos en el fenotipo y la función de las células T CD8 de memoria. Elife 10, e70989 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Li, Z. y col. Valores diagnósticos y predictivos de genes relacionados con la ferroptosis en la sepsis infantil. Frente. Inmunol. 13, 881914 (2022).

Artículo CAS PubMed PubMed Central Google Scholar

Nakamori, Y., Park, EJ y Shimaoka, M. Desregulación inmune en sepsis y shock séptico: revertir la parálisis inmune apuntando a la vía PD-1/PD-L1. Frente. Inmunol. 11, 624279 (2020).

Artículo CAS PubMed Google Scholar

Liu, D. y col. Inmunosupresión inducida por sepsis: mecanismos, diagnóstico y opciones de tratamiento actuales. Mil. Medicina. Res. 9, 56 (2022).

MathSciNet CAS PubMed PubMed Central Google Académico

Wang, JF y cols. La PD-L1 regulada positivamente retrasa la apoptosis de los neutrófilos humanos y promueve la lesión pulmonar en un modelo experimental de sepsis en ratones. Sangre 138, 806–810 (2021).

Artículo CAS PubMed Google Scholar

Boomer, JS y cols. Inmunosupresión en pacientes que mueren por sepsis y falla multiorgánica. JAMA 306, 2594–2605 (2011).

Artículo CAS PubMed PubMed Central Google Scholar

Zhang, Y. et al. Regulación positiva de la muerte programada-1 en células T y del ligando de muerte programada-1 en monocitos en pacientes con shock séptico. Crítico. Cuidado 15, R70 (2011).

Artículo PubMed PubMed Central Google Scholar

Shao, R. y col. La expresión del ligando 1 de muerte programada de monocitos después de 3 a 4 días de sepsis se asocia con la estratificación del riesgo y la mortalidad en pacientes sépticos: un estudio de cohorte prospectivo. Crítico. Cuidado 20, 124 (2016).

Artículo PubMed PubMed Central Google Scholar

Chang, KC y cols. El bloqueo de las moléculas coestimuladoras negativas PD-1 y CTLA-4 mejora la supervivencia en la sepsis fúngica primaria y secundaria. Crítico. Cuidado 17, R85 (2013).

Artículo PubMed PubMed Central Google Scholar

Zhang, Y. et al. El bloqueo de PD-L1 mejora la supervivencia en la sepsis experimental al inhibir la apoptosis de los linfocitos y revertir la disfunción de los monocitos. Crítico. Cuidado 14, R220 (2010).

Artículo PubMed PubMed Central Google Scholar

Chen, X., Kang, R., Kroemer, G. & Tang, D. Ferroptosis en infección, inflamación e inmunidad. J. Exp. Medicina. 218, e2021058 (2021).

Artículo de Google Scholar

Descargar referencias

Todos los autores agradecen a los contribuyentes de la base de datos GEO (http://www.ncbi.nlm.nih.gov/geo/) por compartir sus datos sobre acceso abierto, y al sitio web Sangerbox (http://sangerbox.com/) por ofreciendo análisis bioinformáticos. Al mismo tiempo, también reconocemos las importantes contribuciones a la dirección del experimento realizadas por Anqiang Zhang, Hong Huang y Jianxin Jiang del Laboratorio Estatal Clave de Trauma, Quemaduras y Lesiones Combinadas, el Instituto de Investigación de Cirugía, el Hospital Daping y Universidad Médica Militar.

Este estudio fue apoyado por los proyectos del Laboratorio Estatal Clave de Trauma, Quemaduras y Lesiones Combinadas de China (SKLKF201802, SKLYQ201901), la Fundación Nacional de Ciencias Naturales de China (81971830), Investigación aplicada sobre la construcción y promoción clínica de la clasificación de trauma. sistema de tratamiento en la provincia de Guizhou en China (Qian Science Cooperación SY palabra [2015] No. 3041), y el Proyecto de Investigación de la Industria de la Salud de la provincia de Hainan en China (20A200347).

Estos autores contribuyeron igualmente: Guoxin Qu y Nannan Zhao.

El primer hospital afiliado de la Universidad Médica de Hainan, Universidad Médica de Hainan, Haikou, 570100, República Popular China

Guoxin Qu, Hui Liu y Nannan Zhao

Hospital afiliado de la Universidad Médica de Guizhou, Universidad Médica de Guizhou, Guiyang, 550001, República Popular de China

Guoxin Qu y Jin Deng

Laboratorio Estatal Clave de Traumatología, Quemaduras y Lesiones Combinadas, Instituto de Investigación de Cirugía, Hospital Daping, Universidad Médica del Ejército, Chongqing, 400042, República Popular China

Guoxin Qu, Jin Li, Siyuan Huang y Ling Zeng

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

GQ y NZ redactaron el manuscrito. GQ, NZ y HL realizaron el análisis bioinformático. GQ, JL y SH participaron en el experimento con animales. LZ y JD ofrecen un liderazgo productivo, inventivo y estratégico. Todos los escritores contribuyeron a este artículo y apoyaron la versión final.

Correspondencia a Nannan Zhao, Ling Zeng o Jin Deng.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Qu, G., Liu, H., Li, J. et al. GPX4 es un biomarcador clave de ferroptosis y se correlaciona con poblaciones de células inmunitarias y puntos de control inmunitarios en la sepsis infantil. Representante científico 13, 11358 (2023). https://doi.org/10.1038/s41598-023-32992-9

Descargar cita

Recibido: 08 de diciembre de 2022

Aceptado: 05 de abril de 2023

Publicado: 13 de julio de 2023

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

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.