Identificación de la etapa

Virology Journal volumen 19, Número de artículo: 130 (2022) Citar este artículo

2075 Accesos

1 Altmetric

Detalles de métricas

En la actualidad, aún no existen fármacos terapéuticos específicos y vacunas apropiadas para el Dengue. Por lo tanto, es importante explorar distintos indicadores de diagnóstico clínico.

En este estudio, combinamos el análisis de genes expresados diferencialmente (DEG), el análisis de red de coexpresión ponderada (WGCNA) y la curva característica del operador del receptor (ROC) para detectar un biomarcador estable y sólido con valor de diagnóstico para los pacientes con dengue. CIBERSORT se utilizó para evaluar el panorama inmunológico de los pacientes con dengue. Se aplicaron el enriquecimiento de Gene Ontology (GO), el análisis de la Enciclopedia de genes y genomas de Kyoto (KEGG) y el análisis de enriquecimiento de conjuntos de genes (GSEA) para explorar las funciones potenciales de los genes centrales.

CD38 y las células plasmáticas tienen un área bajo la curva (AUC) excelente para distinguir las etapas clínicas de los pacientes con dengue, y las células T CD4+ de memoria activada y los monocitos tienen un buen AUC para esta función. ZNF595 tiene un AUC aceptable para discriminar la fiebre hemorrágica del dengue (DHF) de la fiebre del dengue (DF) en etapas agudas completas. Analizando cualquier serotipo, podemos obtener resultados consistentes. La inhibición negativa de la replicación viral basada en los resultados de los análisis GO, KEGG y GSEA, los genes de autofagia regulados al alza y el deterioro del sistema inmunitario son posibles razones que dan lugar a la DHF.

CD38, células plasmáticas, células T CD4+ de memoria activadas y monocitos se pueden usar para distinguir las etapas clínicas de los pacientes con dengue, y ZNF595 se puede usar para discriminar el dengue hemorrágico del dengue, independientemente de los serotipos.

El dengue fue catalogado por la Organización Mundial de la Salud (OMS) como una de las diez principales amenazas para la salud mundial anunciadas a principios de 2019 [1]. En las últimas décadas, el dengue se ha convertido en la enfermedad transmitida por mosquitos de más rápido crecimiento en el mundo [2,3,4], poniendo en grave peligro la salud humana [5, 6]. La investigación y el desarrollo de vacunas siguen progresando [7,8,9,10,11,12], pero la mejora dependiente de anticuerpos (ADE) limita la eficacia de las vacunas [13,14,15,16,17]. Las infecciones asintomáticas aumentan la incidencia del dengue [16, 18] y no se han identificado tratamientos efectivos. Por lo tanto, es urgente explorar el mecanismo patogénico del dengue y descartar marcadores moleculares para un mejor diagnóstico y tratamiento.

La autofagia, un proceso catabólico que degrada componentes intracelulares dañados o anormales para recuperar nutrientes, es esencial para mantener la homeostasis celular y corporal [19, 20] y beneficia la proliferación e infección del virus del dengue (DENV) [21,22,23, 24]. En la infección por DENV-ADE, los anticuerpos de reacción cruzada median la infección al inducir proteínas relacionadas con la autofagia y luego suprimen la inmunidad innata mediada por la proteína antiviral mitocondrial (MAVS) [25]. La respuesta inmunitaria afecta directa o indirectamente la respuesta del huésped al DENV en diversos grados, incluida la infección sintomática, la infección asintomática [26, 27], el síndrome de choque por dengue (DSS) y la fiebre hemorrágica del dengue (DHF) [28,29,30]. Por lo tanto, es esencial explorar la autofagia y la respuesta inmune durante la infección por DENV.

Las investigaciones de transcriptómica son beneficiosas para ayudar a los investigadores a comprender mejor las causas de la enfermedad [31] y localizar biomarcadores [32,33,34]. Nuestras valiosas investigaciones en transcriptómica contribuyeron a comprender la evolución viral y su impacto en la patogenicidad y el desarrollo de vacunas contra el DENV [35,36,37,38]. Sin embargo, los estudios [39,40,41] publicados se centraron en investigaciones multigénicas y métodos analíticos únicos (análisis de genes expresados diferencialmente (DEG)), y no vincularon la genómica con los paisajes inmunitarios. En este estudio, utilizamos una combinación de análisis DEG, análisis de red de coexpresión ponderada (WGCNA) y curva característica del operador del receptor (ROC) para identificar, validar y probar biomarcadores con valor diagnóstico de etapas y gravedad en conjuntos de datos independientes, y aplicamos el Sitio web de CIBERSORT para analizar las diferencias del panorama inmunitario entre tres etapas y entre la FHD y la fiebre del dengue (DF) y explorar las correlaciones entre los genes y las células inmunitarias.

Los conjuntos de datos de expresión génica de pacientes con dengue se seleccionaron de una base de datos pública denominada base de datos ómnibus de expresión génica (GEO, http://www.ncbi.nlm.nih.gov/geo). Seguimos estos puntos de referencia: 1. Los conjuntos de datos analizaron muestras de sangre completa de diferentes etapas de pacientes con dengue, incluidos DF y DHF, y muestras normales; 2. Los conjuntos de datos deben incluir al menos 20 pacientes con dengue. Según estos criterios, obtuvimos el conjunto de datos GSE43777 analizando dos tipos de chips (affymetrix HG-U133 más 2 en la plataforma GLP570 y HG-Focus en la plataforma GLP201) [41], el conjunto de datos GSE28405 [42] y el conjunto de datos GSE51808 [43].

En GSE43777, se recolectaron más de 200 muestras (una muestra para cada etapa) de 51 sujetos con DF y 13 sujetos con FHD en Maracay, Venezuela, y se resumieron de forma precisa las características demográficas, clínicas, inmunológicas y hematológicas de los participantes [41]. En GSE28405, se seleccionaron 31 muestras clínicamente indiferenciadas de pacientes con RT-PCR positiva para DENV en Singapur dentro de las 72 h (etapa aguda temprana, EA), 4 a 7 días (etapa aguda tardía, LA) y 3 a 4 semanas (etapa de convalecencia, C) después del inicio de la fiebre autoinformada, y otra información clínica se registró como se describe con precisión [42]. En GSE51808, se obtuvieron muestras de sangre completa de 47 pacientes con dengue (DF n = 31, DHF = 16) hospitalizados en el Hospital Siriraj de Bangkok en los días 2 y 4 semanas o más después del alta (la etapa de convalecencia) y 9 sujetos normales fueron analizados, y también se mostró información clínica detallada [44].

Con respecto a los niveles de expresión génica en los estadios C o EA como referencia, estos pacientes se dividieron en 3 grupos, C vs EA, C vs LA y EA vs LA, como estudios valiosos [41]. Se utilizó el análisis de análisis de componentes principales (PCA) [45] para explorar si las diferentes etapas se pueden distinguir claramente.

Se aplicó un sitio web (http://sangerbox.com/Tool) basado en un paquete R "Limma" para analizar los DEG entre tres fases (mostramos el análisis independientemente de los serotipos y también realizamos análisis separados para cada serotipo) y entre DHF y DF para pacientes con Dengue. Se utilizó el paquete AR "clusterProfiler" en R versión 4.1.0 y un software de análisis de enriquecimiento de conjuntos de genes (GSEA) (4.1.0) [46] para realizar el análisis de enriquecimiento de Gene Ontology (GO), Kyoto Encyclopedia of Genes and Genomes (KEGG) análisis y GSEA para explorar posibles biofunciones y vías de enriquecimiento para DEG.

Obtuvimos un total de 4843 genes en el grupo C vs EA, 4472 genes en el grupo C vs LA y 4463 genes en el grupo EA vs LA mediante un paquete "WGCNA". Convertimos la matriz de adyacencia en la matriz de superposición topológica (TOM) cuando el poder de β era igual a 5, 4 y 12. De acuerdo con un límite de altura de 0,25, fusionamos módulos similares y el módulo que muestra la mayor conformidad con la enfermedad del desarrollo. de Dengue se utilizó para cruzarse con DEG para identificar DEG más estables.

estimamos fracciones de células inmunitarias en muestras de sangre total mediante el sitio web "CIBERSORT" (https://cibersortx.stanford.edu/index.php) que puede usarse para ingresar datos de expresión génica y luego obtener una fracción estimada de 22 células inmunitarias tipos en muestras de sangre total [48].

ROC [49] se aplicó para identificar, validar y probar el valor de biomarcadores y células inmunitarias en etapas distintivas y gravedad según el área bajo la curva (AUC).

Se utilizó el software R (versión 4.1.0) y R. Studio (versión 1.9.0) para analizar los datos y visualizar los resultados. Aplicamos la prueba t, la prueba U de Mann-Whitney y la prueba de chi-cuadrado para identificar diferencias entre dos grupos. Se mostraron análisis de correlación según las teorías de Pearson y Spearman. Los valores de p < 0,05 se consideraron como significación estadística.

La figura 1 muestra la ilustración de este estudio.

Diagrama de diagrama de flujo. Los niveles de expresión de ARN en células mononucleares de sangre periférica (PBMC) de pacientes con fiebre del dengue cambiarán durante la infección por el virus del dengue (DENV). Descargamos estos datos de secuencia de ARN e información clínica del conjunto de datos del Centro Nacional de Información Biotecnológica (NCBI) (https://www.ncbi.nlm.nih.gov/geo/). Al combinar el paquete R "Limma" con "WGCNA", se seleccionaron genes expresados diferencialmente (DEG) estables entre tres fases y entre DHF y DF para pacientes con dengue y también exploramos las funciones potenciales para estos DEG utilizando Gene Ontology (GO), Kyoto Encyclopedia of Análisis de genes y genomas (KEGG) y análisis de enriquecimiento de conjuntos de genes (GSEA). Sobre la base de los datos de expresión génica, el sitio web "CIBERSORT" estimó las fracciones de células inmunitarias en muestras de sangre completa y también calificó las correlaciones entre las células inmunitarias y los genes huh. Finalmente, utilizamos el Área bajo la curva (AUC) para evaluar el valor de diagnóstico de los genes huh y las células inmunitarias importantes para distinguir las etapas clínicas y la gravedad.

El análisis de componentes principales (PCA) muestra que se pueden distinguir tres muestras de etapa (archivo adicional 1: Figura S1 A–C). Después de normalizar los datos de expresión del conjunto de datos GSE43777 en la plataforma GLP201, identificamos 147 DEG (121 genes regulados al alza y 26 genes regulados a la baja) entre las etapas C y EA (Fig. 2A, F y archivo adicional 7: Tabla S1) , 124 DEG (102 genes regulados al alza y 22 genes regulados a la baja) entre las etapas C y LA (Fig. 2B, G y archivo adicional 8: Tabla S2) y 195 DEG (74 genes regulados al alza y 121 a la baja). genes regulados) entre las etapas EA y LA (Fig. 2C, H y Archivo adicional 9: Tabla S3) por un paquete "Limma" basado en |Log2FC|≥ 1, y valor P ajustado <0.05. Asimismo, en la etapa EA obtuvimos 30 DEG (16 genes regulados al alza y 14 genes regulados a la baja) (Fig. 2D, I y Archivo adicional 10: Tabla S4) entre DF (n = 15) y DHF (n = 11 ) muestras del conjunto de datos GSE43777 en la plataforma GLP570 y 58 DEG (48 genes regulados al alza y 10 genes regulados a la baja) (Fig. 2E, J y archivo adicional 11: Tabla S5) entre DF (n = 25) y DHF (n = 26) muestras en la etapa LA, con base en |Log2FC|≥ 1 y valor de P < 0,05.

Los mapas de volcanes A-E y los mapas de calor F-J descartan los genes expresados diferencialmente (DEG). El análisis K–O Gene Ontology (GO) muestra que los genes expresados diferencialmente (DEG) están principalmente involucrados en procesos biológicos y el análisis P–T Kyoto Encyclopedia of Genes and Genomes (KEGG) muestra posibles vías de enriquecimiento de DEG. (C, Etapa convaleciente; EA, Etapa aguda temprana; LA, Etapa aguda tardía)

Los resultados del análisis de enriquecimiento de GO muestran que 147 DEG (entre las etapas C y EA) se enriquecen principalmente en la respuesta de defensa a los virus y al interferón tipo I (Fig. 2K); La replicación del ADN es una bioactividad común para 124 DEG (entre las etapas C y LA) (Fig. 2L); la Fig. 2M muestra que la activación de los neutrófilos y la respuesta de defensa frente al virus dominan las biofunciones de enriquecimiento durante 195 DEG entre las etapas EA y LA; la biofunción involucrada en la regulación negativa de la replicación del genoma viral es más activa durante 30 DEG entre las muestras DF y DHF en la Fig. 2N; La respuesta inmune humoral y de neutrófilos se activa para las muestras de DHF en la etapa LA (Fig. 2O).

Los resultados del análisis de enriquecimiento GO (genes regulados a la baja en muestras de DHF enriquecidas en la regulación negativa de la replicación viral) en la Fig. 2I y N llamaron nuestra atención, porque sugirieron que era difícil controlar la replicación viral en pacientes con DHF en la etapa EA. Estudios relativos [21, 24, 50] demostraron que DENV inhibía la apoptosis celular a través de la autofagia, promoviendo así su replicación. Por lo tanto, sospechamos que los genes relacionados con la autofagia pueden activarse en la etapa EA y la etapa LA. Como se muestra en el archivo adicional 1: Figura S1 J, en la etapa LA, identificamos definitivamente 1 gen relacionado con la autofagia de expresión diferente (CCL2) mediante la intersección de DEG entre muestras de DHF y DH de GSE43777 analizadas en la plataforma GLP570 con 222 genes relacionados con la autofagia descargados de Human Autophagy Database (HADb), que proporciona una lista completa y actualizada de genes y proteínas humanos implicados directa o indirectamente en la autofagia. El diagrama de caja (archivo adicional 1: Figura S1 K) muestra que los niveles de expresión de CCL2 aumentan significativamente en las muestras de DHF en la etapa LA, lo que sugiere que DENV se replica con más fuerza en DHF que en DF, lo que puede ser una de las razones por las que se produce DHF en LA. escenario. Si bien no identificamos una expresión diferente de genes relacionados con la autofagia entre DF y DHF en la etapa EA.

Los resultados del análisis KEGG revelan que la infección por patógenos y la vía de señalización del receptor similar a NOD son vías de enriquecimiento obvias para 147 DEG (entre las etapas C y EA) (Fig. 2P); La replicación celular, la legionelosis y la malaria son las principales vías de enriquecimiento para 124 DEG (entre las etapas C y LA) (Fig. 2Q); 195 DEG (entre las etapas EA y LA) se enriquecen en la infección por patógenos y la replicación celular (Fig. 2R); La vía de señalización del receptor similar a NOD y la infección por patógenos son más activas durante 30 DEG entre las muestras DF (n = 15) y DHF (n = 11) en la Fig. 2S; las vías inflamatorias se activan para las muestras de DHF en la etapa LA en la Fig. 2T.

Usando el conjunto de datos GSE43777 analizado en la plataforma GLP201, realizamos un paquete "WGCNA" para obtener módulos clave asociados con las características de procesión del dengue. Seleccionamos 5, 4 y 12 (Fig. 3A-C) como la potencia de umbral suave respectivamente y 0.25 (Archivo adicional 1: Figura S1 DF) como la altura de corte en el grupo C vs EA, en el grupo C vs LA y en el grupo EA vs LA. Los módulos constan de genes con propiedades de expresión similares (archivo adicional 1: Figura S1 G–I). En el árbol de grupos, usamos cada rama para representar un gen y un color para mostrar un módulo de coexpresión (Fig. 3D-F).

Análisis de red de coexpresión ponderada (WGCNA). A–C El índice de ajuste sin escala (izquierda) y la conectividad promedio (derecha) de diferentes potencias de umbral suave. D–F Agrupación de dendogramas de genes. Los mapas de calor G-I del módulo-rasgo muestran las correlaciones entre las diferentes etapas. (C, Etapa convaleciente; EA, Etapa aguda temprana; LA, Etapa aguda tardía)

La asociación de los valores del gen propio del módulo (ME) y las etapas clínicas se aplica para evaluar la correlación de las características de la etapa del módulo. Los resultados de WGCNA muestran 14, 12 y 8 módulos, respectivamente (Fig. 3G-I). En comparación con el grupo C con el EA, el módulo turquesa es el que más coincide fuertemente con el grupo EA (coeficiente de Pearson = − 0,89, P = 1e−33) y el grupo C (coeficiente de Pearson = 0,89, P = 1e −33) en la figura 3G. Comparado el grupo C con el grupo LA, la correlación más significativa se observa entre el grupo LA (coeficiente de Pearson = 0,71, P = 5e−20) y el módulo azul, y entre el grupo C (coeficiente de Pearson = − 0.71, P = 5e−20) y el módulo azul en la Fig. 3H. Al comparar el grupo LA con el grupo EA, el módulo negro y el módulo verde muestran la misma correlación más alta (coeficiente de Pearson = 0,72) en la Fig. 3I. Consideramos estos módulos mencionados anteriormente como módulos clave.

Para filtrar genes centrales confiables y fuertes (genes compartidos) con precisión, se usaron diagramas de Venn para visualizar genes centrales entre DEG y módulos clave en un sitio web (http://www.ehbio.com/test/venn/#/) [51] . Los resultados ilustran los genes hub 143, 99 y 187 al interactuar el módulo turquesa con 147 DEG (entre las etapas C y EA) (Fig. 4A), interactuando el módulo azul con 124 DEG (entre las etapas C y LA) ( Fig. 4B), interactuando los módulos negro y verde con 195 DEG (entre las etapas EA y LA) (Fig. 4C), respectivamente. CD38 y CDKN1C son compartidos por las tres fases (Fig. 4D). Al considerar los serotipos, CD38 y CDKN1C todavía se expresan de manera diferencial en tres grupos de comparación (C vs EA, C vs LA, EA vs LA) para cada serotipo y log|FC|> 1 o log|FC| está extremadamente cerca de 1 (Archivo adicional 12: Tabla S6). La Fig. 4G muestra que los niveles de expresión de CD38 primero aumentan y luego disminuyen desde el día 0 hasta la etapa C (***P < 0,001). Mientras que la expresión de CDKN1C se regula primero a la baja y luego se regula al alza desde el día 0 hasta la etapa C (*** P <0.001) (Fig. 4G). El GSEA muestra que CD38 está enriquecido en la proliferación celular y las vías metabólicas (Fig. 4E) y CDKN1C está enriquecido en el metabolismo de los lípidos y las vías de inflamación (Fig. 4F). Los análisis de correlación muestran en la Fig. 4H que los niveles de expresión de CD38 están negativamente correlacionados con CDKN1C (correlación de Spearman = −0,5). Seleccionamos CD38 y CDKN1C para análisis de seguimiento.

Los diagramas de Venn eliminan los genes compartidos: 143 genes compartidos entre el módulo turquesa y los genes expresados diferencialmente (DEG) (entre la etapa C y la etapa EA); B 99 compartió genes entre el módulo azul y los DEG (entre la etapa C y la etapa LA); C 187 compartió genes entre el módulo negro y verde y los DEG (entre la etapa EA y la etapa LA); D 2 genes compartidos entre tres etapas. E y F que muestran las posibles vías de enriquecimiento de funciones para CD38 y CDKN1C mediante análisis de enriquecimiento de conjuntos de genes (GSEA). G El diagrama de caja que muestra los cambios en los niveles de expresión de CD38 y CDKN1C a lo largo del tiempo (***P < 0,001). HA correlación negativa entre CD38 y CDKN1C. (C, Etapa convaleciente; EA, Etapa aguda temprana; LA, Etapa aguda tardía)

Debido a que CD38 y CDKN1C se expresan de manera diferente en tres etapas (Fig. 5A-B), especulamos que pueden usarse como biomarcadores con características de estadificación para distinguir las etapas clínicas de los pacientes con dengue. Para identificar, verificar y probar el valor de CD38 y CDKN1C, consideramos conjuntos de datos GSE43777 analizados en la plataforma GPL201 (etapa C, n = 48; etapa EA, n = 47; etapa LA, n = 73), conjuntos de datos GSE43777 analizados en la plataforma Plataforma GPL570 (etapa C, n = 24; etapa EA, n = 26; etapa LA, n = 51) y GSE28405 (etapa C, n = 31; etapa EA, n = 57; etapa LA, n = 31) como conjunto de datos de entrenamiento, un conjunto de datos de verificación y un conjunto de datos de prueba, respectivamente. Al analizar un solo serotipo, consideramos los conjuntos de datos GSE43777 analizados en la plataforma GPL201 (Serotipo I: estadio C, n = 26; estadio EA, n = 26; estadio LA, n = 44. Serotipo II: estadio C, n = 6; estadio EA estadio, n = 7, estadio LA, n = 5. serotipo III: estadio C, n = 9, estadio EA, n = 9, estadio LA, n = 15. Serotipo IV: estadio C, n = 6, estadio EA, n = 4; estadio LA, n = 8), conjuntos de datos GSE43777 analizados en la plataforma GPL570 (serotipo I: estadio C, n = 7; estadio EA, n = 3; estadio LA, n = 14. Serotipo II: estadio C , n = 11, estadio EA, n = 16, estadio LA, n = 23, serotipo III: estadio C, n = 3, estadio EA, n = 3, estadio LA, n = 8, serotipo IV: estadio C, n = 3; etapa EA, n = 3; etapa LA, n = 6.) como conjunto de datos de entrenamiento y conjunto de datos de verificación, respectivamente.

A y B Niveles de expresión significativamente diferentes de CD38 y CDKN1C en tres etapas. C CD38 y CDKN1C se pueden utilizar para distinguir las muestras de dengue de las muestras normales. Análisis del valor de diagnóstico de estadificación de CD38 y CDKN1C para el dengue por área bajo la curva (AUC): D–F analizada primero en el grupo de entrenamiento, G–I verificada posteriormente en el grupo de verificación, J–L probada por último en el grupo de prueba. (C, Etapa convaleciente; EA, Etapa aguda temprana; LA, Etapa aguda tardía)

En el grupo de entrenamiento, CD38 tiene 0,960, 0,976 y 0,829 de AUC en tres grupos de comparación (C vs EA, C vs LA, EA vs LA) respectivamente y CDKN1C tiene 0,852, 0,868 y 0,955 de AUC en tres grupos de comparación (C vs EA, C vs LA, EA vs LA) respectivamente (Fig. 5D-F). En el grupo de verificación, el valor diagnóstico de estadificación de CD38 y CDKN1C en la estadificación del dengue es el siguiente (Fig. 5G-I): CD38 (AUC: 0,897, C vs EA; AUC: 0,957, C vs LA; AUC: 0,827, EA frente a LA), CDKN1C (AUC: 0,575, C frente a EA; AUC: 0,929 C frente a LA; AUC: 0,876, EA frente a LA). La Figura 5J–L muestra valores de diagnóstico altos en el conjunto de datos de prueba: CD38 (AUC: 0,822, C frente a EA; AUC: 0,996 C frente a LA; AUC: 0,926, EA frente a LA), CDKN1C (AUC: 0,744, C frente a EA; AUC : 0,724 C frente a LA; AUC: 0,842, EA frente a LA). Los resultados analíticos anteriores muestran que CD38 puede distinguir admirablemente diferentes fases para pacientes con dengue y tiene un valor distinguible más alto que CDKN1C. Aunque consideramos los serotipos (serotipo I–IV), los resultados son similares entre los tres grupos de comparación (C vs EA, C vs LA, EA vs LA) (Archivo adicional 2: Figura S2, Archivo adicional 3: Figura S3).

Además, como se muestra en la Fig. 5C, CD38 distingue perfectamente las muestras de dengue de las muestras normales con un AUC del 100 % en el conjunto de datos GSE51808 (9 muestras normales y 28 muestras de dengue). Por lo tanto, CD38 muestra el alto valor en la distinción de etapas para pacientes con dengue. Seleccionamos CD38 como biomarcador para el diagnóstico de estadificación del dengue.

No hay una diferencia significativa en los niveles de expresión de CD38 y CDKN1C entre las muestras de DH y DHF (Archivo adicional 1: Figura S1 L), y los diferentes serotipos de Dengue tampoco muestran una diferencia obvia en los niveles de expresión de CD38 y CDKN1C (Archivo adicional 1: Figura S1M).

Después de cruzar 30 DEG entre muestras de DF (n = 15) y DHF (n = 11) del conjunto de datos GSE43777 en la plataforma GLP570 en la etapa EA con 58 DEG entre muestras de DF (n = 25) y DHF (n = 26) en LA etapa, identificamos 6 DEG compartidos (LOC101928288, TCN1, DEFA4, FRG1B, LOC286087 y ZNF595) (Fig. 6A). Especulamos que LOC101928288, TCN1, DEFA4, FRG1B, LOC286087 y ZNF595 pueden usarse como biomarcadores para discriminar pacientes con DH de pacientes con DF debido a la diferente expresión de ellos entre DH y DF. El análisis del conjunto de datos GSE43777 en la plataforma GPL570 en la etapa EA (DF = 15; DHF = 11) (Fig. 6B) y en la etapa LA (DF = 25; DHF = 26) (Fig. 6C) se consideran un entrenamiento conjunto de datos; El conjunto de datos GSE43777 analizado en la plataforma GPL201 en etapa aguda (DF = 40; DHF = 37) se considera un conjunto de datos de verificación; Los conjuntos de datos GSE51808 (DF = 18; DHF = 10) y GSE18090 (DF = 8; DHF = 10) se consideran conjuntos de datos de prueba. Los resultados de ROC (Fig. 6B-F) muestran que ZNF595 siempre tiene un valor diagnóstico aceptable para distinguir a los pacientes con DHF de los pacientes con DF. Por lo tanto, ZNF595 se selecciona como biomarcador para predecir pacientes con FHD en estadios agudos.

A Genes expresados diferencialmente (DEG) compartidos entre la fiebre del dengue (DF) y la fiebre hemorrágica del dengue (DHF) en la etapa aguda. Análisis del valor de diagnóstico de LOC101928288, TCN1, DEFA4, FRG1B, LOC286087 y ZNF595 para la gravedad del dengue por área bajo la curva (AUC): B–C en el conjunto de datos de entrenamiento, D en el conjunto de datos de verificación, E–F en los conjuntos de datos de prueba. (C, Etapa convaleciente; EA, Etapa aguda temprana; LA, Etapa aguda tardía)

Los análisis de enriquecimiento GO para 58 DEG entre muestras de DHF y muestras de DF muestran que la respuesta inmune humoral y de neutrófilos está activada y los análisis de enriquecimiento de la vía KEGG muestran ricas vías inflamatorias. Por lo tanto, analizamos cambios de fracción para 22 tipos de células inmunes durante la infección por DENV por CIBERSORT. El análisis del conjunto de datos GSE43777 en la plataforma GLP201 se utiliza para explorar fracciones de 22 tipos de células inmunitarias en muestras de sangre total de pacientes con dengue en tres fases y el conjunto de datos GSE43777 analizado en la plataforma GLP570 se aplica para explorar características inmunitarias infiltrantes diferentes entre DF y muestras de DHF.

Como se muestra en las figuras 7A-C y 7F, en la fase EA, las fracciones de células dendríticas activadas, neutrófilos, monocitos y macrófagos M1 (P < 0,05) aumentan significativamente en comparación con las fases LA y C. En comparación con la fase LA con la fase EA y la fase C, las fracciones de células plasmáticas y células T CD4+ de memoria activadas (P < 0,05) aumentan claramente (Fig. 7A-C y F). Mientras que en comparación con la fase EA y la fase LA, los incrementos en las fracciones de células B de memoria, células T CD4+ de memoria en reposo, células dendríticas en reposo, eosinófilos y células B vírgenes (P < 0,05) son más evidentes en la fase C (Fig. .7A–C y F). Los resultados analíticos anteriores significan que las células inmunitarias con presentación de antígeno, fagocitosis y quimiotaxis, las células inmunitarias involucradas en la inmunidad humoral y las células de memoria son más obviamente activas en las fases EA, LA y C, respectivamente. Al analizar en un solo serotipo, aún podemos obtener los resultados anteriores (Archivo adicional 4: Figura S4).

Los diagramas de violín A–E y los mapas de calor F–H muestran las diferencias inmunitarias de las células inmunitarias en diferentes grupos de comparación. I-J Correlación entre genes (CD38 y ZNF595) y 22 tipos de células inmunitarias (rectángulo rojo: estadísticamente significativo (P < 0,05)). (C, Etapa convaleciente; EA, Etapa aguda temprana; LA, Etapa aguda tardía)

En la etapa LA, las fracciones de células NK activadas (P < 0,05) aumentan en las muestras de DHF (Fig. 7E y H), pero las fracciones de células T CD8+, células T gamma delta, células NK en reposo, macrófagos M2 y mastocitos en reposo disminuyen (Fig. 7E y H) (P < 0,05), lo que implica que la respuesta inmunitaria está dañada en las muestras de DHF. En la etapa EA, la respuesta inmune de los pacientes con DF es similar a la de los pacientes con FHD (Fig. 7D y G). La respuesta inmunitaria de los pacientes con DHF en la etapa LA se ve significativamente afectada, lo que explica el rápido deterioro de los pacientes con DHF en la etapa LA.

Analizamos las correlaciones entre CD38 y las células inmunitarias en el conjunto de datos GSE43777 (Fig. 7I). El nivel de infiltración de células plasmáticas, células T CD4+ de memoria activadas, células T gamma delta y células T CD8+ se relacionan positivamente con CD38 (Fig. 7I); el nivel de infiltración de células B vírgenes, monocitos, células dendríticas en reposo, linfocitos T CD4+ de memoria en reposo, linfocitos T CD4+ vírgenes, linfocitos B de memoria, eosinófilos y mastocitos activados están negativamente relacionados con CD38 (Fig. 7I). Por lo tanto, los resultados analíticos anteriores muestran que existe una fuerte relación de coexpresión entre CD38 y células plasmáticas y entre CD38 y células T CD4+ de memoria activada (correlación de Pearson > 0,5). En el serotipo individual, todavía podemos sacar esta conclusión (Archivo adicional 5: Figura S5). La correlación entre las células inmunes y ZNF595 no es significativa (Fig. 7J).

Debido a la alta correlación de coexpresión entre CD38 y las células plasmáticas, especulamos que las células plasmáticas inmunes infiltrantes también podrían mostrar diferencias claras en tres etapas. Para explorar esta característica, consideramos el GSE43777 analizado por GPL201 como un conjunto de entrenamiento y el GSE43777 analizado por GPL570 como un conjunto de prueba. Como se muestra en la Fig. 8A-C en el grupo de entrenamiento, el valor distintivo de las células plasmáticas, las células T CD4+ de memoria activadas y los monocitos en la estadificación fue bueno y las células plasmáticas tienen el valor distintivo más alto (AUC: 0.827, C vs EA; AUC :0.964, C vs LA; AUC: 0.832, EA vs LA). En el grupo de prueba, el valor distintivo de tres tipos de células inmunitarias en etapa para el dengue seguía siendo valioso y las células plasmáticas tienen el valor distintivo más alto en la Fig. 8D-F (AUC: 0,905, C vs EA; AUC: 0,949, C vs LA; AUC: 0,824, EA frente a LA. Las células plasmáticas (AUC = 0,968), las células T CD4+ de memoria activadas (AUC = 0,845) y los monocitos (AUC = 0,869) pueden distinguir excelentemente las muestras de dengue de las muestras normales en GSE51808 (Fig. 8G). ). Al considerar diferentes serotipos, aún se obtuvieron los resultados anteriores (Archivo adicional 6: Figura S6). Por lo tanto, podemos discriminar tres etapas en función de la fracción de células plasmáticas, células T CD4 + de memoria activadas y monocitos en pacientes con dengue.

Analizando el valor del diagnóstico de estadificación de las células inmunes para el dengue por área bajo la curva (AUC). A–C en el grupo de entrenamiento y D–F en el grupo de prueba. G Validación del valor de diagnóstico de las células inmunitarias entre muestras de dengue y muestras normales. (C, Etapa convaleciente; EA, Etapa aguda temprana; LA, Etapa aguda tardía)

Este estudio combinó el análisis DEG, WGCNA y ROC para identificar, validar y probar biomarcadores potenciales asociados con la estadificación y la gravedad del dengue, y utilizó el análisis de enriquecimiento GO, el análisis KEGG y el análisis GSEA para explorar las posibles razones que resultan en DHF. También se aplicó el sitio web de CIBERSORT para explorar las diferencias inmunológicas durante la infección por dengue. Nuestra investigación fue la primera en mostrar que CD38 y ZNF595 tenían importancia clínica en el estadio y la gravedad del dengue y que podrían usarse como biomarcadores para distinguir los estadios clínicos y la gravedad de los pacientes con dengue. Vale la pena señalar que las células plasmáticas, las células T CD4+ de memoria activada y los monocitos también mostraron un valor distintivo.

El CD38, que se identificó, verificó y probó en conjuntos de datos independientes, pudo distinguir tres etapas clínicas de la fiebre del dengue y se asoció significativamente con las células plasmáticas, pero no pudo usarse para predecir la gravedad, que fue similar a los resultados valiosos [52] y distinguir diferentes serotipos. Nuestros resultados mostraron niveles de expresión de CD38 y fracciones de células plasmáticas similares en cuatro serotipos. Identificamos, verificamos y probamos ZNF595 en conjuntos de datos independientes que podrían predecir la FHD. De manera mecánica, los EA-DEG que inhibían la replicación viral estaban regulados a la baja en DHF, y un gen de autofagia relacionado (CCL2) se expresaba de manera diferente y aumentaba significativamente en DHF, todo lo cual sugería que la autofagia regulada por DENV conducía a DHF.

Además, analizamos sistemáticamente las diferencias inmunes entre las tres etapas y entre DHF y DF en la etapa aguda, y la correlación entre las células inmunes y los genes. Los resultados del análisis inmunológico mostraron que las fracciones de monocitos, mastocitos activados, macrófagos M1 y neutrófilos referidos a la respuesta inmune innata aumentaron obviamente en la etapa EA en comparación con la etapa C; se pueden observar incrementos significativos en las fracciones de células plasmáticas y células T CD4+ de memoria activadas comparando el estadio LA con el estadio C; Las fracciones crecientes de células plasmáticas, células T CD8+, células T CD4+ de memoria activadas, células T auxiliares foliculares, células T reguladoras (Tregs) y células T gamma delta se pueden descubrir en la etapa LA en comparación con la etapa EA. Los resultados anteriores fueron adecuados para cualquier serotipo, lo que sugiere que los diferentes serotipos no tenían diferencias inmunitarias obvias. El aumento de la respuesta inmunitaria eliminó el DENV, lo que evitó los síntomas del dengue [27] y se observó que la cinética de la respuesta inmunitaria dependiente del número inicial de linfocitos se correspondía con la gravedad de la enfermedad [53]. Nuestros estudios mostraron que la respuesta inmunitaria humoral y de neutrófilos se activan en la DHF en la etapa LA, pero todo el sistema inmunitario se dañó en la DHF en comparación con la DF, lo que fue una posible razón que condujo a la DHF.

Curiosamente, el enriquecimiento de KEGG mostró que los DEG (entre la etapa EA y la etapa C, y entre la etapa EA y la etapa LA) estaban enriquecidos en las vías de la enfermedad por coronavirus: COVID-19, influenza A, hepatitis C y sarampión, lo que implica Coronavirus [54] , Alphainfluenzavirus influenzae [55], virus de la hepatitis C [56] y morbillivirus del sarampión también regularon estos genes durante la infección y compartieron un mecanismo patogénico.

Los investigadores han aplicado perfiles de expresión génica de bases de datos públicas (GEO) para explorar los biomarcadores del dengue. Varios estudios han utilizado múltiples genes para distinguir pacientes con dengue de muestras sanas [39, 40], DH de DF [41] y diferentes etapas [57]. Sin embargo, las listas de múltiples genes pueden limitar la sensibilidad y la especificidad de los DEG como biomarcadores de enfermedades [58, 59].

En comparación con estudios previos [39,40,41], nuestro estudio tuvo varias ventajas. En primer lugar, este estudio se basó en análisis de un solo gen que nos permitió identificar un biomarcador estable y sólido, y estos biomarcadores se identificaron y verificaron en conjuntos de datos independientes que aumentaron la precisión de nuestro estudio. En segundo lugar, combinamos tres métodos, incluidos DEG, WGCNA y ROC para detectar, verificar y probar biomarcadores para diagnósticos de dengue que aumentan la precisión de nuestros resultados, que difieren de estudios preciosos solo según el análisis DEG. En tercer lugar, analizamos 22 tipos de células inmunitarias, incluidas las células inmunitarias de menor atención basadas en la secuencia de ARN, lo que contribuyó a aumentar la comprensión de toda la respuesta inmunitaria durante la infección por DENV y explorar las correlaciones entre los genes y las células inmunitarias. Un estudio anterior mostró que la alteración del subconjunto de linfocitos periféricos puede ser un predictor independiente de las características clínicas y la eficacia del tratamiento de COVID-19 [60]. Curiosamente, encontramos que la fracción de células plasmáticas, células T CD4+ de memoria activadas y monocitos en pacientes con dengue también tenían características clínicas y pueden distinguir estas etapas clínicas para pacientes con dengue. Finalmente, no solo para un solo serotipo, nuestro estudio incluyó cuatro serotipos que participaron en análisis separados y combinados.

Todavía hay una deficiencia de este estudio, porque el estudio solo utiliza conjuntos de datos públicos para analizar, verificar y probar, sin verificación ni prueba clínica. Nuestra investigación ha brindado ayuda para distinguir la etapa y la gravedad de la infección por dengue y comprender el mecanismo patogénico de los diferentes serotipos, y ayudará a analizar los mecanismos de la FHD y beneficiará el tratamiento clínico en el futuro.

En conclusión, con base en los niveles de expresión de CD38 y fracciones de células Plasmáticas, células T CD4+ de memoria activadas y Monocitos, podemos discriminar admirablemente tres etapas clínicas para pacientes con Dengue (los resultados son adecuados para cualquier serotipo); ZNF595 puede distinguir mejor la fiebre hemorrágica del dengue (DHF) de la fiebre del dengue (DF). Los genes relacionados con la autofagia regulados al alza contribuyen a comprender los mecanismos de la DHF.

Los conjuntos de datos que respaldan las conclusiones de este artículo están disponibles en la base de datos Gene Expression Omnibus (GEO) (GSE43777, GSE51808 y GSE28405).

Genes expresados diferencialmente

Análisis de red de coexpresión ponderada

Curva característica del operador del receptor

Ontología de genes

Enciclopedia de Kioto de Genes y Genomas

Análisis de enriquecimiento de conjuntos de genes

Área bajo la curva

Dengue hemorrágico

Dengue

Organización Mundial de la Salud OMS

Mejora dependiente de anticuerpos

virus del dengue

Proteína antiviral mitocondrial

Síndrome de shock por dengue

Análisis de componentes principales

Etapa convaleciente

Etapa aguda temprana

Etapa aguda tardía

Centro Nacional de Información Biotecnológica

Célula mononuclear de sangre periférica

Matriz de superposición topológica

Zhang J, Shu Y, Shan X, Li D, Ma D, Li T, Long S, Wang X, Pan Y, Chen J, et al. La cocirculación de tres serotipos del virus del dengue provocó un brote grave de dengue en Xishuangbanna, un área fronteriza de China, Myanmar y Laos, en 2019. Int J Infect Dis. 2021;107:15–7.

Artículo CAS PubMed Google Académico

Carbajo AE, Cardo MV, Vezzani D. ¿Es la temperatura la principal causa del aumento del dengue en países no endémicos? el caso argentino Int J Health Geogr. 2012;11:26.

Artículo PubMed PubMed Central Google Académico

Hiatt T, Nishikiori N. Epidemiología y control de la tuberculosis en la Región del Pacífico Occidental: análisis de los datos de notificación de casos de 2012. Respuesta de vigilancia de Western Pac J. 2014;5:25–34.

Artículo PubMed PubMed Central Google Académico

[ PubMed ] Brady OJ, Gething PW, Bhatt S, Messina JP, Brownstein JS, Hoen AG, Moyes CL, Farlow AW, Scott TW, Hay SI. Refinando los límites espaciales globales de la transmisión del virus del dengue por consenso basado en evidencia. PLoS Negligencia Tropa Dis. 2012;6: e1760.

Artículo PubMed PubMed Central Google Académico

Inizan C, Minier M, Prot M, O'Connor O, Forfait C, Laumond S, Marois I, Biron A, Gourinat AC, Goujart MA, et al. La evolución viral sustenta un brote de dengue de mayor gravedad. Los microbios emergentes infectan. 2021;10:536–44.

Artículo CAS PubMed PubMed Central Google Scholar

Thadchanamoorthy V, Dayasiri K. Síndrome de fatiga crónica posterior al dengue en un adolescente. Informe de caso BMJ 2021;14:e238605.

Artículo PubMed Google Académico

Kanesa-Thasan N, Sun W, Kim-Ahn G, Van Albert S, Putnak J, King A, Raengsakulsrach B, Christ-Schmidt H, Gilson K, Zahradnik J. Seguridad e inmunogenicidad de las vacunas atenuadas contra el virus del dengue (Aventis Pasteur) en voluntarios humanos. Vacuna. 2001;19:3179–88.

Artículo CAS PubMed Google Académico

Kitchener S, Nissen M, Nasveld P, Forrat R, Yoksan S, Lang J, Saluzzo JF. Inmunogenicidad y seguridad de dos formulaciones de vacunas vivas atenuadas tetravalentes contra el dengue en adultos australianos sanos. Vacuna. 2006;24:1238–41.

Artículo CAS PubMed Google Académico

Guy B, Briand O, Lang J, Saville M, Jackson N. Desarrollo de la vacuna tetravalente contra el dengue de Sanofi Pasteur: un paso más hacia adelante. Vacuna. 2015;33:7100–11.

Artículo CAS PubMed Google Académico

Osorio JE, Velez ID, Thomson C, Lopez L, Jimenez A, Haller AA, Silengo S, Scott J, Boroughs KL, Stovall JL. Seguridad e inmunogenicidad de una vacuna tetravalente viva atenuada recombinante contra el dengue (DENVax) en adultos sanos sin tratamiento previo con flavivirus en Colombia: un estudio de fase 1 aleatorizado, controlado con placebo. Lancet Infect Dis. 2014;14:830–8.

Artículo CAS PubMed PubMed Central Google Scholar

Martinez LJ, Lin L, Blaylock JM, Lyons AG, Bauer KM, De La Barrera R, Simmons M, Jarman RG, Currier JR, Friberg H. Seguridad e inmunogenicidad de una vacuna inactivada purificada del serotipo 1 del virus del dengue: resultados de una ensayo clínico fase 1. Am J Trop Med Hyg. 2015;93:454.

Artículo CAS PubMed PubMed Central Google Scholar

Raviprakash K, Wang D, Ewing D, Holman DH, Block K, Woraratanadharm J, Chen L, Hayes C, Dong JY, Porter K. Una vacuna tetravalente contra el dengue basada en un vector de adenovirus complejo proporciona una protección significativa en monos rhesus contra los cuatro serotipos del virus del dengue. J Virol. 2008;82:6927–34.

Artículo CAS PubMed PubMed Central Google Scholar

Shukla R, Ramasamy V, Shanmugam RK, Ahuja R, Khanna N. Mejora dependiente de anticuerpos: un desafío para desarrollar una vacuna segura contra el dengue. Front Cell Infect Microbiol. 2020;10: 572681.

Artículo CAS PubMed PubMed Central Google Scholar

Narayan R, Tripathi S. ADE intrínseco: el lado oscuro de la mejora dependiente de anticuerpos durante la infección por dengue. Front Cell Infect Microbiol. 2020;10: 580096.

Artículo CAS PubMed PubMed Central Google Scholar

Bournazos S, Gupta A, Ravetch JV. El papel de los receptores IgG Fc en la mejora dependiente de anticuerpos. Nat Rev Inmunol. 2020;20:633–43.

Artículo CAS PubMed PubMed Central Google Scholar

Malavige GN, Jeewandara C, Ghouse A, Somathilake G, Tissera H. Cambios en la epidemiología del dengue en Sri Lanka: desafíos para el futuro. PLoS Negl Trop Dis. 2021;15: e0009624.

Artículo PubMed PubMed Central Google Académico

Deng SQ, Yang X, Wei Y, Chen JT, Wang XJ, Peng HJ. Una revisión sobre el desarrollo de vacunas contra el dengue. Vacunas 2020;8(1):63. https://doi.org/10.3390/vaccines8010063

Artículo CAS PubMed Central Google Académico

Eder M, Cortes F, Teixeira de Siqueira Filha N, Araújo de França GV, Degroote S, Braga C, Ridde V, Turchi Martelli CM. Scoping review sobre enfermedades transmitidas por vectores en áreas urbanas: dinámica de transmisión, capacidad vectorial y coinfección. Infectar Dis Pobreza. 2018;7:90.

Artículo PubMed PubMed Central Google Académico

Mizushima N. Una breve historia de la autofagia desde la biología celular hasta la fisiología y la enfermedad. biol celular nat. 2018;20:521–7.

Artículo CAS PubMed Google Académico

Kroemer G, Mariño G, Levine B. Autofagia y la respuesta integrada al estrés. Célula Mol. 2010;40:280–93.

Artículo CAS PubMed PubMed Central Google Scholar

Chu LW, Yang CJ, Peng KJ, Chen PL, Wang SJ, Ping YH. TIM-1 como receptor de señal desencadena la autofagia inducida por el virus del dengue. Int J Mol Sci. 2019;20:4893.

Artículo CAS PubMed Central Google Académico

Lu ZY, Cheng MH, Yu CY, Lin YS, Yeh TM, Chen CL, Chen CC, Wan SW, Chang CP. La proteína no estructural 1 del dengue mantiene la autofagia mediante el retardo de la escisión de beclin-1 mediada por caspasa. Int J Mol Sci. 2020;21:9702.

Artículo CAS PubMed Central Google Académico

Sun P, Nie K, Zhu Y, Liu Y, Wu P, Liu Z, Du S, Fan H, Chen CH, Zhang R, et al. Una proteína salival de mosquito promueve la transmisión de flavivirus mediante la activación de la autofagia. Nat Comun. 2020;11:2

Artículo CAS PubMed PubMed Central Google Scholar

Heaton NS, Randall G. La autofagia inducida por el virus del dengue regula el metabolismo de los lípidos. Microbio huésped celular. 2010;8:422–32.

Artículo CAS PubMed PubMed Central Google Scholar

Huang X, Yue Y, Li D, Zhao Y, Qiu L, Chen J, Pan Y, Xi J, Wang X, Sun Q, Li Q. La mejora de la infección por el virus del dengue dependiente de anticuerpos inhibe el IFN-I tipo I mediado por RLR señalización independiente a través de la regulación positiva de la autofagia celular. Sci Rep. 2016;6:22303.

Artículo CAS PubMed PubMed Central Google Scholar

Yeo AS, Azhar NA, Yeow W, Talbot CC Jr, Khan MA, Shankar EM, Rathakrishnan A, Azizan A, Wang SM, Lee SK. La falta de manifestaciones clínicas en la infección asintomática por dengue se atribuye a una regulación negativa amplia y una regulación positiva selectiva de los genes de respuesta de defensa del huésped. Más uno. 2014;9: e92240.

Artículo PubMed PubMed Central CAS Google Scholar

Simon-Lorière E, Duong V, Tawfik A, Ung S, Ly S, Casadémont I, Prot M, Courtejoie N, Bleakley K, Buchy P, et al. El aumento de las respuestas inmunitarias adaptativas y la regulación adecuada de la retroalimentación protegen contra el dengue clínico. Sci Transl Med. 2017;9:eaal5088.

Artículo PubMed CAS Google Académico

OhAinle M, Balmaseda A, Macalalad AR, Tellez Y, Zody MC, Saborío S, Nuñez A, Lennon NJ, Birren BW, Gordon A, et al. Dinámica de la gravedad de la enfermedad del dengue determinada por la interacción entre la genética viral y la inmunidad específica de serotipo. Sci Transl Med. 2011;3:114ra128.

Artículo PubMed PubMed Central CAS Google Scholar

Garcia-Bates TM, Cordeiro MT, Nascimento EJ, Smith AP, de Melo KMS, McBurney SP, Evans JD, Marques ET, Barratt-Boyes SM. Asociación entre la magnitud de la respuesta plasmablástica específica del virus y la gravedad de la enfermedad en pacientes con dengue. J Immunol. 2013;190:80–7.

Artículo CAS PubMed Google Académico

[ Artículo gratuito de PMC ] [ PubMed ] Duangchinda T, Dejnirattisai W, Vasanawathana S, Limpitikul W, Tangthawornchaikul N, Malasit P, Mongkolsapaya J, Screaton G. Las respuestas de las células T inmunodominantes al virus del dengue NS3 están asociadas con la FHD. Proc Natl Acad Sci. 2010;107:16922–7.

Artículo CAS PubMed PubMed Central Google Scholar

Mlera L, Offerdahl DK, Dorward DW, Carmody A, Chiramel AI, Best SM, Bloom ME. El agonista del receptor X hepático LXR 623 restringe la replicación de flavivirus. Los microbios emergentes infectan. 2021;10:1378–89.

Artículo CAS PubMed PubMed Central Google Scholar

Hong M, Tao S, Zhang L, Diao LT, Huang X, Huang S, Xie SJ, Xiao ZD, Zhang H. Secuenciación de ARN: nuevas tecnologías y aplicaciones en la investigación del cáncer. J Hematol Oncol. 2020;13:166.

Artículo PubMed PubMed Central Google Académico

Hill SR, Taparia T, Ignell R. Regulación del transcriptoma antenal del vector del dengue, Aedes aegypti, durante el primer ciclo gonotrófico. BMC Genómica. 2021;22:7

Artículo CAS PubMed PubMed Central Google Scholar

Azlan A, Obeidat SM, Theva Das K, Yunus MA, Azzam G. Identificación de todo el genoma de los ARN largos no codificantes de Aedes albopictus y su asociación con la infección por el virus del dengue y el Zika. PLoS Negl Trop Dis. 2021;15: e0008351.

Artículo CAS PubMed PubMed Central Google Scholar

Jiang L, Ma D, Ye C, Li L, Li X, Yang J, Zhao Y, Xi J, Wang X, Chen J, et al. Caracterización molecular del genotipo cosmopolita del serotipo 2 del virus del dengue del brote de dengue de 2015 en Yunnan, China. Front Cell Infect Microbiol. 2018;8:219.

Artículo PubMed PubMed Central CAS Google Scholar

Wen S, Ma D, Lin Y, Li L, Hong S, Li X, Wang X, Xi J, Qiu L, Pan Y, et al. Caracterización completa del genoma del brote de dengue de 2017 en Xishuangbanna, una ciudad fronteriza de China, Birmania y Laos. Front Cell Infect Microbiol. 2018;8:148.

Artículo PubMed PubMed Central CAS Google Scholar

Wang X, Ma D, Huang X, Li L, Li D, Zhao Y, Qiu L, Pan Y, Chen J, Xi J, et al. Análisis completo del genoma del virus del dengue tipo 3 aislado del brote de dengue de 2013 en Yunnan, China. Resolución de virus 2017;238:164–70.

Artículo CAS PubMed Google Académico

Jiang L, Sun Q. El papel de la infección por mejora dependiente de anticuerpos del virus del dengue mediada por autofagia de las células THP-1. Intervirología. 2020;63:57–65.

Artículo CAS PubMed Google Académico

Zhong XL, Liao XM, Shen F, Yu HJ, Yan WS, Zhang YF, Ye JJ, Lv ZP. Perfiles de todo el genoma de la expresión de mRNA y lncRNA en la fiebre del dengue y la fiebre hemorrágica del dengue. FEBS Biografía Abierta. 2019;9:468–77.

Artículo CAS PubMed PubMed Central Google Scholar

Xie LM, Yin X, Bi J, Luo HM, Cao XJ, Ma YW, Liu YL, Su JW, Lin GL, Guo XG. Identificación de biomarcadores potenciales en dengue mediante análisis bioinformático integrado. PLoS Negl Trop Dis. 2021;15: e0009633.

Artículo CAS PubMed PubMed Central Google Scholar

Sun P, García J, Comach G, Vahey MT, Wang Z, Forshey BM, Morrison AC, Sierra G, Bazan I, Rocha C, et al. Las ondas secuenciales de expresión génica en pacientes con enfermedades clínicamente definidas por dengue revelan fases sutiles de la enfermedad y predicen la gravedad de la enfermedad. PLoS Negl Trop Dis. 2013;7: e2298.

Artículo PubMed PubMed Central Google Académico

Tolfvenstam T, Lindblom A, Schreiber MJ, Ling L, Chow A, Ooi EE, Hibberd ML. Caracterización de las respuestas tempranas del huésped en adultos con enfermedad por dengue. BMC Infect Dis. 2011;11:209.

Artículo PubMed PubMed Central Google Académico

Soares-Schanoski A, Baptista Cruz N, de Castro-Jorge LA, de Carvalho RVH, Saints CAD, Ross ND, Oliveira Ú, Costa DD, Saints C, Cunha MDP, et al. Análisis de sistemas de sujetos con infección aguda por el virus chikungunya. PLoS Patología. 2019;15:e1007880.

Artículo CAS PubMed PubMed Central Google Scholar

Kwissa M, Nakaya HI, Onlamoon N, Wrammert J, Villinger F, Perng GC, Yoksan S, Pattanapanyasat K, Chokephaibulkit K, Ahmed R, Pulendran B. La infección por el virus del dengue induce la expansión de una población de monocitos CD14 (+) CD16 (+) que estimula la diferenciación de plasmablastos. Microbio huésped celular. 2014;16:115–27.

Artículo CAS PubMed PubMed Central Google Scholar

Wold S, Esbensen K, Geladi P. Análisis de componentes principales. Sistema de laboratorio Chemom Intell. 1987; 2:37–52.

Artículo CAS Google Académico

Subramanian A, Tamayo P, Mootha VK, Mukherjee S, Ebert BL, Gillette MA, Paulovich A, Pomeroy SL, Golub TR, Lander ES, Mesirov JP. Análisis de enriquecimiento de conjuntos de genes: un enfoque basado en el conocimiento para interpretar perfiles de expresión de todo el genoma. Proc Natl Acad Sci. 2005;102:15545–50.

Artículo CAS PubMed PubMed Central Google Scholar

Zhang B, Horvath S: Un marco general para el análisis de red de coexpresión de genes ponderados. Aplicaciones estadísticas en genética y biología molecular 2005, 4: Artículo 17.

Newman AM, Steen CB, Liu CL, Gentles AJ, Chaudhuri AA, Scherer F, Khodadoust MS, Esfahani MS, Luca BA, Steiner D, et al. Determinación de la abundancia y expresión del tipo celular a partir de tejidos a granel con citometría digital. Nat Biotechnol. 2019;37:773–82.

Artículo CAS PubMed PubMed Central Google Scholar

Dr. Nettleman. Curvas características del operador del receptor (ROC). Control de Infecciones Hosp Epidemiol. 1988;9:374–7.

Artículo CAS PubMed Google Académico

Heaton NS, Randall G. Virus del dengue y autofagia. virus 2011;3:1332–41.

Artículo CAS PubMed PubMed Central Google Scholar

Chen T, Zhang H, Liu Y, Liu YX, Huang L. EVenn: fácil de crear diagramas de Venn repetibles y editables y redes de Venn en línea. J Genet Genómica. 2021;48:863–6.

Artículo PubMed Google Académico

Castañeda DM, Salgado DM, Narváez CF. Las células B, inducidas naturalmente durante la infección por el virus del dengue, liberan CD27 soluble, cuyo nivel plasmático está asociado con formas graves de dengue pediátrico. Virología. 2016;497:136–45.

Artículo PubMed CAS Google Académico

Nguyen HD, Chaudhury S, Waickman AT, Friberg H, Currier JR, Wallqvist A. El modelo estocástico de la respuesta inmunitaria adaptativa predice la gravedad de la enfermedad y captura una mayor reactividad cruzada en las infecciones naturales por dengue. inmunol frontal. 2021;12: 696755.

Artículo CAS PubMed PubMed Central Google Scholar

Zheng W, Wu H, Liu C, Yan Q, Wang T, Wu P, Liu X, Jiang Y, Zhan S. Identificación de COVID-19 y redes de interacción del factor huésped del dengue basadas en análisis bioinformáticos integradores. inmunol frontal. 2021;12: 707287.

Artículo CAS PubMed PubMed Central Google Scholar

Zhou A, Dong X, Liu M, Tang B. El análisis transcriptómico integral identifica nuevos factores antivirales contra la infección por el virus de la influenza A. inmunol frontal. 2021;12: 632798.

Artículo CAS PubMed PubMed Central Google Scholar

Wei J, Wang B, Gao X, Sun D. Valor pronóstico de una nueva firma con nueve genes inducidos por el virus de la hepatitis C en el cáncer hepático mediante la extracción de bases de datos GEO y TCGA. Front Cell Dev Biol. 2021;9: 648279.

Artículo PubMed PubMed Central Google Académico

Cougnoux A, Dalmasso G, Martinez R, Buc E, Delmas J, Gibold L, Sauvanet P, Darcha C, Déchelotte P, Bonnet M, et al. La genotoxina bacteriana colibactina promueve el crecimiento de tumores de colon al inducir un fenotipo secretor asociado a la senescencia. Intestino. 2014;63:1932–42.

Artículo CAS PubMed Google Académico

Deng M, Yin Y, Zhang Q, Zhou X, Hou G. Identificación del biomarcador Lp-PLA2 relacionado con la inflamación para pacientes con EPOC mediante un análisis exhaustivo. inmunol frontal. 2021;12: 670971.

Artículo CAS PubMed PubMed Central Google Scholar

Tang BM, Shojaei M, Parnell GP, Huang S, Nalos M, Teoh S, O'Connor K, Schibeci S, Phu AL, Kumar A, et al. Un nuevo biomarcador inmunológico IFI27 discrimina entre influenza y bacterias en pacientes con sospecha de infección respiratoria. Eur Respir J. 2017;49:1602098.

Artículo PubMed CAS Google Académico

Wang F, Nie J, Wang H, Zhao Q, Xiong Y, Deng L, Song S, Ma Z, Mo P, Zhang Y. Características de la alteración del subconjunto de linfocitos periféricos en la neumonía por COVID-19. J Infecciones Dis. 2020;221:1762–9.

Artículo CAS PubMed Google Académico

Descargar referencias

Nos gustaría agradecer al Sr. Yinde Huang por su apoyo con los análisis bioinformáticos y rendir homenaje a las contribuciones de las bases de datos públicas como GEO a la medicina humana.

El estudio fue patrocinado por la Fundación de la Iniciativa CAMS para la Medicina Innovadora (2021-I2M-1-036); la Fundación Nacional de Ciencias Naturales de China (31970868); Proyecto de capacitación en salud de Yunnan de talentos de alto nivel (L-2019030); Proyecto del Equipo de Innovación del Departamento de Ciencia y Tecnología de Yunnan (202105AE160020).

Instituto de Biología Médica, Academia China de Ciencias Médicas y Facultad de Medicina de la Unión de Pekín, Kunming, 650118, República Popular China

Nan Xiong y Qiangming Sun

Universidad Médica de Kunming, Kunming, 650500, República Popular China

Nan Xiong

Laboratorio clave de Yunnan para la investigación y el desarrollo de vacunas contra enfermedades infecciosas graves, Kunming, 650118, República Popular de China

Nan Xiong y Qiangming Sun

También puede buscar este autor en PubMed Google Scholar

NX: Conceptualización, Redacción: borrador original, Redacción: revisión y edición, Software, Visualización. QS: adquisición de fondos, administración de proyectos, supervisión, conceptualización, redacción: revisión y edición. Todos los autores leyeron y aprobaron el manuscrito final

Correspondencia a Qiangming Sun.

No aplica.

Los autores declaran que no tienen intereses contrapuestos.

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

(A–C) PCA muestra que se pueden distinguir diferentes etapas. Análisis de red de coexpresión ponderada (WGCNA). (D–F) Muestra la altura de corte. (G–I) Agrupación de muestras. (J) Gen compartido (CCL2) en la etapa LA entre DEG (entre Dengue Hemorrhagic Fever (DHF) y Dengue Fever (DF)) y 232 genes relacionados con la autofagia, y (K) sus niveles de expresión. Niveles de expresión similares de CD38 y CDKN1C entre DH y DHF (L) y entre diferentes serotipos (M). S1, serotipo I; S2, serotipo II; S3, serotipo III; S4, serotipo IV. (C, Etapa convaleciente; EA, Etapa aguda temprana; LA, Etapa aguda tardía).

Análisis del valor de diagnóstico de estadificación de CD38 y CDKN1C para cuatro serotipos entre tres grupos de comparación por Área bajo la curva (AUC) en el conjunto de entrenamiento (conjunto de datos GSE43777 de la plataforma GLP201), respectivamente. (A) C frente a EA en el serotipo I; (B) C frente a LA en el serotipo I; (C) EA frente a LA en el serotipo I; (D) C frente a EA en el serotipo II; (E) C frente a LA en el serotipo II; (F) EA frente a LA en el serotipo II; (G) C frente a EA en el serotipo III; (H) C vs LA en el serotipo III; (I) EA frente a LA en el serotipo III; (J) C frente a EA en el serotipo IV; (K) C frente a LA en el serotipo IV; (L) EA vs LA en serotipo IV. (C, Etapas convalecientes; EA, Etapa aguda temprana; LA, Etapa aguda tardía).

Análisis del valor de diagnóstico de estadificación de CD38 y CDKN1C para cuatro serotipos entre tres grupos de comparación por Área bajo la curva (AUC) en el conjunto de prueba (conjunto de datos GSE43777 de la plataforma GLP570), respectivamente. (A) C frente a EA en el serotipo I; (B) C frente a LA en el serotipo I; (C) EA frente a LA en el serotipo I; (D) C frente a EA en el serotipo II; (E) C frente a LA en el serotipo II; (F) EA frente a LA en el serotipo II; (G) C frente a EA en el serotipo III; (H) C vs LA en el serotipo III; (I) EA frente a LA en el serotipo III; (J) C frente a EA en el serotipo IV; (K) C frente a LA en el serotipo IV; (L) EA vs LA en serotipo IV. (C, Etapa convaleciente; EA, Etapa aguda temprana; LA, Etapa aguda tardía).

Los diagramas de violín y los mapas de calor muestran las diferencias inmunitarias de las células inmunitarias en diferentes grupos de comparación. (A) Etapas C vs EA en el serotipo I. (B) Etapas C vs LA en el serotipo I. (C) Etapas EA vs LA en el serotipo I. (D) Mapa de calor de diferencia inmune del serotipo I en tres etapas. (E) Estadios C vs EA en el serotipo II. (F) Estadios C vs LA en el serotipo II. (G) Estadios EA vs LA en el serotipo II. (H) Mapa de calor de diferencia inmune del serotipo II en tres etapas. (I) Estadios C vs EA en el serotipo III. (J) Estadios C vs LA en el serotipo III. (K) Estadios EA vs LA en el serotipo III. (L) Mapa de calor de diferencia inmunitaria del serotipo III en tres etapas. (M) Estadios C vs EA en el serotipo IV. (N) Estadios C vs LA en el serotipo IV. (O) Estadios EA vs LA en el serotipo IV. (P) Mapa de calor de diferencia inmune del serotipo IV en tres etapas. (C, Etapa convaleciente; EA, Etapa aguda temprana; LA, Etapa aguda tardía).

Correlación entre CD38 y 22 tipos de células inmunitarias (rectángulo rojo: estadísticamente significativo (P < 0,05)). (A) en el serotipo I; (B) en el serotipo II; (C) en el serotipo III; (D) en el serotipo IV. (C, Etapa convaleciente; EA, Etapa aguda temprana; LA, Etapa aguda tardía).

Analizar el valor del diagnóstico de estadificación de las células inmunes para el dengue por área bajo la curva (AUC) en cada serotipo. (A) Estadios C vs EA en el serotipo I. (B) Estadios C vs LA en el serotipo I. (C) Estadios EA vs LA en el serotipo I. (D) Estadios C vs EA en el serotipo II. (E) Estadios C vs LA en el serotipo II. (F) Estadios EA vs LA en el serotipo II. (G) Estadios C vs EA en el serotipo III. (H) Estadios C vs LA en el serotipo III. (I) Estadios EA vs LA en el serotipo III. (J) Estadios C vs EA en el serotipo IV. (K) Estadios C vs LA en el serotipo IV. (L) Estadios EA vs LA en el serotipo IV. (C, Etapa convaleciente; EA, Etapa aguda temprana; LA, Etapa aguda tardía).

Genes expresados diferencialmente (DEG) en el grupo C vs EA. (C, Etapa convaleciente; EA, Etapa aguda temprana).

Genes expresados diferencialmente (DEG) en el grupo C vs LA. (C, Etapa convaleciente; LA, Etapa aguda tardía).

Genes expresados diferencialmente (DEG) en el grupo EA vs LA. (EA, etapa aguda temprana; LA, etapa aguda tardía).

. Genes expresados diferencialmente (DEG) al comparar la fiebre hemorrágica del dengue (DHF) con la fiebre del dengue (DF) en el grupo EA. (EA, Etapa Aguda Temprana).

. Genes expresados diferencialmente (DEG) al comparar la fiebre hemorrágica del dengue (DHF) con la fiebre del dengue (DF) en el grupo LA. (LA, etapa aguda tardía).

. Pliegue de genes expresado diferencialmente en serotipo individual para tres grupos de comparación. (C, Etapa convaleciente; EA, Etapa aguda temprana; LA, Etapa aguda tardía).

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar 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 regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/. La renuncia de Creative Commons Public Domain Dedication (http://creativecommons.org/publicdomain/zero/1.0/) se aplica a los datos disponibles en este artículo, a menos que se indique lo contrario en una línea de crédito a los datos.

Reimpresiones y permisos

Xiong, N., Sun, Q. Identificación de biomarcadores relacionados con la etapa y la gravedad y exploración del panorama inmunológico para el dengue mediante análisis integrales. Virol J 19, 130 (2022). https://doi.org/10.1186/s12985-022-01853-8

Descargar cita

Recibido: 23 enero 2022

Aceptado: 14 julio 2022

Publicado: 02 agosto 2022

DOI: https://doi.org/10.1186/s12985-022-01853-8

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

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

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Noticias